AI Code Review: от MVP до продакшен-платформы

1.

AI CODE REVIEW
От MVP до продакшен-платформы
Митап для разработчиков и менеджмента

2.

Проблема
1
Ручное ревью — узкое место
Время senior-разработчиков уходит на первичный проход по PR, а не на сложные решения.
2
Качество ревью неравномерно
Глубина проверки зависит от того, кто именно смотрит диф и сколько у него времени.
3
Hybris-специфика требует экспертизы
items.xml, ImpEx, cronjobs, слои core/facade/web — типовые ошибки, которые знают не все.
Ai Code Review
2

3.

Что получилось в итоге
Инструмент, который индексирует кодовую базу, находит контекст через RAG и
прогоняет изменения через несколько LLM-«экспертов» параллельно.
1
2
3
Векторный поиск
MoE-эксперты
Агентный цикл
Qdrant + индекс кодовой базы, дублей и Hybrisзнаний
Architect / Security / Stylist / Optimizer —
параллельно
LLM сама вызывает инструменты для сбора
контекста
4
5
6
Web UI
Jira / Confluence
Docker-деплой
FastAPI + HTMX: очередь, история, конфиги ролей
и LLM
Проверка соответствия задаче, персональные
MCP-подключения
docker pull + docker compose up — весь стек одной
командой
Ai Code Review
3

4.

История: MVP → агентный режим
Первые шаги: от простого RAG-ревью к самостоятельному агенту
1
2
3
Базовый RAG-ревью
Поиск дублей
Агентный режим
Индексация Java-кода в Qdrant, один
вызов LLM на диф.
Добавлен LSH-поиск похожих
фрагментов кода перед ревью.
LLM сама вызывает инструменты и
запрашивает нужный контекст,
precheck перед основным ревью.
Ai Code Review
4

5.

История: Hybris-экспертиза → MoE
Дальше: доменные знания и параллельные эксперты
1
2
3
База знаний Hybris
Mixture-of-Experts
Docker + Web UI
100+ правил, 14 категорий.
Детерминированные проверки
items.xml / ImpEx без LLM.
Роли: architect / security / stylist /
optimizer — смотрят на диф
параллельно.
Докеризация системы и первый вебинтерфейс поверх агента.
Ai Code Review
5

6.

История: от инструмента к платформе
Потом: многопользовательский режим и интеграции
1
2
3
Источники знаний
Мультипользовательский
режим
Enterprise-функции
Obsidian-заметки и интеграция с Jira
для проверки соответствия задаче.
Авторизация, роли и секреты на
пользователя, subagentделегирование.
Персональные MCP-подключения
(Jira/Confluence на лету), чатконсультант, retry, rate limiting.
Ai Code Review
6

7.

Проблемы в разработке
Инженерные решения, которые пришлось пересматривать по ходу разработки
Проблема: Один большой промпт со
всеми данными
Проблема: Агент захламлялся
разнородным контекстом
Проблема: В проектах — только
кастомная логика
Решение: Переход на агентный
режим
Решение: Subagent-делегирование
Решение: Коробка вынесена в
отдельные Qdrant-коллекции
Изначально пытались уместить весь
возможный контекст в один промпт —
LLM плохо обрабатывала такие объёмы и
давала слабые ответы. Перешли на
агентный цикл: модель сама вызывает
инструменты и запрашивает только
нужные данные.
Ai Code Review
При сборе данных из разных источников
(Jira, Hybris-схемы, Obsidian) агент терял
фокус в разросшемся контексте.
Добавлена возможность делегировать
задачу дочернему агенту с
изолированным контекстом для
вычленения конкретных данных.
Репозиторий проекта содержит только
кастомный код, без базовой платформы
Hybris. Коробочный код проиндексирован
отдельно, а нужные коллекции
подключаются к проекту через
ref_collections в roles_config.
7

8.

Проблемы: LLM и производительность
Что пришлось донастраивать при работе с несколькими моделями
Проблема: Разные LLM — разная надёжность
Проблема: Параллельные LLM-роли конкурировали за лимиты
Решение: Сравнение моделей на реальных PR
Решение: Rate limiter + приоритеты + пул потоков
qwen3.6-35b-a3b аналитически сильнее, но менее стабилен;
gemma4-31b — не такой глубокий, зато надёжный. Выбор модели
теперь зависит от задачи.
Добавлен rate limiter на ключ подключения, приоритеты задач (чат
выше ревью) и thread pool для параллельных джобов ревью.
Итог: надёжность и пропускная способность LLM оказались отдельной инженерной задачей — недостаточно просто вызвать модель,
нужно управлять очередью, приоритетами и ожидать нестабильность.
Ai Code Review
8

9.

Архитектура сейчас
Qdrant
MoE-оркестратор
ReviewAgent
Векторный поиск кода, дублей и Hybris-знаний
Architect / Security / Stylist / Optimizer
Агентный цикл с вызовом инструментов
Web UI
Интеграции
Docker-деплой
FastAPI + HTMX: очередь, история, конфиги
Jira, Confluence (MCP), Obsidian
docker pull + docker compose up
Один docker compose up — поднимается весь стек: rag-review + qdrant + mcp-atlassian + obsidian
Ai Code Review
9

10.

Пример: сравнение трёх LLM на одном PR
Один и тот же диф (SSE real-time обновление лотов) прогнан через три MoE-плана
google
gemma-sam
qwen-sam
~4 мин
~14 мин
~66 мин
Поверхностно
4 из 6 файлов без единого комментария
Пропущен null-check в listener'е
Есть ложное утверждение
«Бин не зарегистрирован» — но он есть в
дифе
Нашёл null-check, DoS-риск
Глубокий анализ
Уникально: нарушение слоёв core→web
Уникально: баг перезаписи SSEсоединения
Вывод: все три пропустили один и тот же NPE-риск и не подняли его до уровня «баг» — время прогона не гарантирует глубину, но самая мощная модель
заметнее видит архитектуру.
Ai Code Review
10

11.

Что дальше
AST
Semantic diff classification
1
2
3
Классификация по AST
Точечные промпты
Быстрее и дешевле
Тип изменения определяется до отправки в
LLM: новый метод, смена сигнатуры, чисто
форматирование, рефакторинг.
Под каждый тип изменения — свой контекст
и свой промпт, вместо одной тяжёлой
цепочки на любой диф.
Простые изменения проходят лёгкий путь,
архитектурно значимые — получают полный
агентный разбор.
Ai Code Review
11

12.

Вопросы?
Ai Code Review · спасибо за внимание