DocGen: Искусственный интеллект как ассистент системного аналитика вместо его замены
Создание DocGen — инструмента, который превращает разрозненные пожелания стейкхолдеров в структурированную документацию SRS, показывает, что ИИ-агенты эффективно не подменяют человека, а освобождают его от рутины. Система, состоящая из семикомпонентной цепочки LLM, обрабатывает требования, выявляет противоречия и генерирует черновики, экономя до 80% времени на проектировании.
# DocGen: Как AI-ассистент системного аналитика меняет подход к документации
Создание программного обеспечения традиционно начинается с трудоемкого этапа сбора требований. Системный аналитик тратит значительную часть времени на бесконечные уточнения, попытки понять истинные потребности стейкхолдеров и формирование технической документации. Автор статьи на Habr, yerick, создал проект DocGen, призванный автоматизировать этот процесс, используя цепочку из нескольких искусственных интеллектов.
Вместо того чтобы полностью заменять аналитика, система позиционируется как мощный усилитель человеческого фактора. Она берет на себя рутинные операции: генерацию вопросов для интервью, структурирование ответов, поиск логических противоречий и оформление итогового документа. Результатом работы проекта стало сокращение времени от первоначального замысла до готовой спецификации (SRS) с одного-двух дней до двух-трех часов.
Архитектура: две цепочки вместо одной
Ключевой особенностью DocGen является разделение процесса работы на две независимые цепочки агентов. Первый подход, где весь конвейер выполнялся в одном вызове модели, приводил к потере контекста и генерации поверхностных результатов. Разделение позволило оптимизировать процесс на каждом этапе.
Первая цепочка: от намерения к интервью Эта ветка начинается с оценки входного контекста. Агент Agent 0 анализирует предоставленную информацию (например, «нам нужен мессенджер для доставки еды») и оценивает ее качество. Если информации недостаточно, агент рекомендует задать уточняющие вопросы до начала анализа. Если контекста достаточно, процесс переходит к агенту Agent 1, который формулирует список вопросов для продуктового описания (PRD) и проводит интервью с пользователями. Ответы на эти вопросы становятся основой для дальнейшей работы.
Вторая цепочка: от PRD к документации После получения ответов по вопросам начинается процесс генерации реальной документации. Эта цепочка состоит из пяти агентов, каждый из которых выполняет строго определенную функцию:
* Agent 2 (Контекстуализация): Получает сырые данные интервью и переводит их в формат, понятный техническому специалисту, создавая нормализованный массив требований. * Agent 3 (Черновик): На основе нормализованных данных создает черновой вариант документа (SRS, техническое задание, архитектуру). * Agent 4 (Валидация и консистентность): Самый важный компонент системы. Он проверяет черновик на три типа проблем: наличие противоречий, неполноту и несогласованность терминологии. Если документ не проходит проверку (is_valid=False), срабатывает механизм уточнений. * Agent 5 (Форматирование и публикация): После успешной валидации агент берет готовый черновик и формирует финальный документ в нужном формате, минимизируя креативность ради точности.
Валидация и цикл уточнений
Одной из главных проблем ранних версий подобных систем была генерация контента без обратной связи, что приводило к ошибочным выводам. В DocGen реализован цикл уточнений с участием Agent 4. Если валидация не проходит, система не пытается насильно исправить документ, а запускает ClarificationOrchestrator. Этот оркестратор формулирует допустимые (не более трех) уточняющие вопросы и отправляет их на повторное обсуждение. Весь процесс повторяется до момента, пока документ не станет валидным. В тестовых сценариях цикл уточнений позволил устранить критические ошибки, которые иначе остались бы незамеченными.
Гибридный режим: LLM + код
Одной из инноваций версии 1.0.9 стал гибридный режим работы. Для генерации диаграмм (UML: Use Case, Sequence, Class) система использует связку из двух инструментов:
1. LLM отвечает за смысловую часть, описывая структуру, элементы и связи диаграммы. 2. Специализированный программный генератор на основе этого описания создает синтаксически валидный код для PlantUML.
Такой подход решает проблему некорректного синтаксиса, с которым часто сталкиваются модели языков при попытке сгенерировать строгие формальные языки описания, гарантируя при этом сохранение смысловой нагрузки.
Итоги и планы развития
Проект DocGen на текущем этапе находится в стадии тестирования. Для его разработки автор потратил около недели итераций. Хотя система пока не поддерживает полноценную CRM-систему с календарем и прямой интеграцией с JIRA, уже сейчас она позволяет за несколько часов получить документацию, которая ранее требовала целого дня ручной работы.
Опыт автора показывает, что AI-агенты отлично справляются с обработкой информации, структурированием данных и поиском ошибок в текстовых материалах. Однако, как подчеркивает автор, замена человеческого аналитика пока невозможна из-за невозможности ИИ понять тонкости вербального общения — интонацию, невербальные сигналы и скрытый контекст. В будущем планируется доработка системы для включения голосовых интерфейсов и предоставления доступа к процессу стейкхолдерам.
DocGen демонстрирует, что ИИ-агенты эффективно не подменяют аналитика, а освобождают его время для главного — понимания бизнеса и общения с людьми. Система уже успешно прошла тестирование в рамках создания медиаплеера для конференций, подтвердив свою эффективность на практике.