AI-агенты в Jira: делегирование задач без замены команды
Серверный контур для управления AI-агентами позволяет назначать задачи в трекере Jira, интегрируя искусственный интеллект в привычный рабочий процесс. Инструмент обрабатывает oneshot-задачи, генерируя код и требования, однако финальное решение и ревью остаются за человеком.
# Ни зарплат, ни больничных: как AI-агенты работают в Jira
В современной IT-компании стандартный состав включает продукт-менеджера, аналитиков, разработчиков и тестировщиков. Все эти роли традиционно связаны через единый трекер задач, например, Jira. Описываемая архитектура предполагает появление виртуальных сотрудников в поле «Исполнитель» (Assignee). Эти агенты выполняют фронтенд, бэкенд и аналитическую работу, но не заменяют людей. Ответственность за ревью, ответы на критические вопросы и принятие финальных решений в слиянии (Merge Request) остаются за человеком.
Основной принцип взаимодействия заключается в постановке задач типа «oneshot» — достаточно понятных и ограниченных по объему, чтобы решить их за один проход без необходимости длительного диалога. Система позволяет перенести привычный процесс работы с Jira на серверный уровень.
Кейсы использования: от кнопки до аналитики
Система демонстрируется на примере двух типов задач.
Простая задача: Добавление кнопки копирования реквизитов на карточку поставщика. В трекере Jira это записывается одной строкой. Исполнителем назначается агент-фронтенд. Процесс происходит автоматически: агент загружает инструкции проекта, изучает репозитории, выбирает необходимые файлы и решает задачу. В итоге в карточке задачи появляются ссылки на два Merge Request: один содержит обновленную документацию, второй — готовый код с логикой копирования и тестами. Если результат требует правок, пользователь оставляет комментарии, и агент автоматически запускает цикл коррекции, пока задача не будет согласована.
Сложная задача: Разработка функционала оповещения о дефиците товаров. Здесь требуется не просто реализация, а уточнение требований. Задача назначается агенту-аналитику. Агент изучает контекст, но вместо того чтобы выдумывать решение, запрашивает уточнения у человека (например, о точности остатков или возможности изменения состава заявки). После получения ответов аналитик-агент готовит черновик User Story в Confluence. Человек проверяет и утверждает документ, после чего автоматически создаются задачи для бэкенд и фронтенд-разработчиков. Механика их работы идентична примеру с кнопкой.
Архитектура и работа под капотом
У каждого исполнителя (человека или агента) в системе есть профиль в рабочем окружении (harness), включающий роль, модель ИИ, инструкции и доступы. При переводе задачи в статус «В работе» сервер создает задание и запускает его в изолированном окружении.
Система собирает контекст: описание задачи, комментарии, материалы из Jira и Confluence, а также снимки репозиториев кода. Версии источников сохраняются в истории. Если в контексте есть пробелы, система ставит задачу в ожидание ответа человека.
Агент-разработчик готовит код, тесты и документацию. Агент-аналитик, в свою очередь, работает только с чтением кода и генерацией требований, меняя репозитории не может. Для каждого репозитория настраиваются проверки (линтер, сборка, тесты, прогон в браузере). Если проверка не пройдена, сервер запрашивает решение человека. Отдельный компонент отвечает за создание веток и Merge Request, сверяя права доступа и актуальность задания.
Для аналитика результатом является черновик в Confluence, публикацию которого осуществляет человек. Состояние системы хранится в PostgreSQL, а распределение задач — в Redis, что позволяет управлять процессом асинхронно: задачу можно остановить или возобновить в любой момент.
Интеграция и токеномика
Система строится на базе локального harness, адаптированного под серверное исполнение. Для подключения требуется регистрация аккаунтов агентов в трекерах (Jira, Confluence, GitLab) и выдача Personal Access Token (токенов доступа) для каждого сервиса. Контекст, инструкции и правила проверки настраиваются централизованно.
Кроме задач в Jira, система поддерживает чаты для быстрой консультации по коду без создания тикетов. Доступ к репозиториям в чате ограничен режимом только для чтения.
Стоимость использования отслеживается через метрики токенов (входных и выходных). Приведенные в статистике суммы являются расчетными ориентирами для сравнения задач, основанными на тарифах API, и не отражают полной стоимости решения, так как не включают расходы на серверную инфраструктуру и время на ревью.
Заключение
Созданная серверная система позволяет эффективно делегировать ограниченные задачи ИИ, экономя время на реализации рутинных операций. Время выполнения задачи на примере добавления кнопки сократилось с оценки в 1–4 часа до 12 минут. Однако скорость генерации кода не отменяет необходимости проверки. Ключевым вызовом становится масштабирование потока запросов: если агенты генерируют объем кода, превышающий возможности человеческого ревью, необходимо пересмотреть процессы контроля качества. В долгосрочной перспективе это поднимает вопрос о том, как изменится обучение младших специалистов, если их будет меньше возможностей на практике решать задачи с нуля.
*Примечание: Описанный подход демонстрирует удобство делегирования, но не претендует на полную автоматизацию сложных бизнес-процессов без участия человека.*