AI_PM_VibeCoding_ClaudeCode_Codex_восстановлен

1.

Как ИИ и вайб-кодинг изменил и
мир проектного менеджмента
Claude Code + Codex: постановка задач, оценки, критический путь, онбординг и агенты
30 минут • middle PM/Prod • кейсы из практики
Артем Трушин

2.

Кому полезно и что заберёте
Фокус: middle PM и middle product
Результат после доклада
Как извлекать требования и ограничения из кодовой базы (через ИИ)
Как получать декомпозицию, DoD и “unknowns”, чтобы снизить возвраты
Как делать оценки в трудочасах с вилками P50/P90 и рисками
Как строить зависимости → критический путь → диаграмму Ганта
Как ускорять онбординг через техдоку и “runbook”
Как собирать агентов (по ролям) и оркестрировать их работу
Тезис: скорость даёт дисциплина контекста и артефактов, а не “магия модели”.

3.

Что изменилось в рол и PM
PM стал оператором контекста и оркестратором артефактов
Раньше
Собрать требования
Написать ТЗ
Ждать уточнений
Долго “допиливать” задачу
Возвраты из-за дыр в описании
Скорость = качество контекста
Теперь
Собрать “context pack” (факты + ссылки)
Получить план/декомпозицию/DoD
Построить зависимости, критпуть, Гант
Зафиксировать артефакты в трекере и доке
Меньше возвратов: продуманность на входе

4.

Вайб-кодинг для PM/Prod (прикладно)
Не “генерить что попало”, а быстро итеративно доводить до “готово к работе”
• Ключ:
не добиваться идеального ТЗ в первом
сообщении, а быстро получить черновик и
уточнять.
Выход всегда фиксируем в артефактах:
тикет, дока, план, критерии готовности.

5.

Claude Code и Codex: две суперсилы
Не “что лучше”, а какую работу вы делегируете
Codex (в IDE)
Claude Code
Planning mode: план вместо “болтовни”
Декомпозиция задач + DoD + unknowns
Оценки/риски/зависимости
Техдок / онбординг / runbook
Агенты по ролям и оркестрация
Место для скрина: Claude Code / planning
Навигация по репозиторию “рядом с кодом”
Черновики правок/скриптов/тестов
Подготовка материала к тикету (где менять)
Мелкие задачи разработчика с ревью
Место для скрина: Codex в IDE

6.

P M-пайпл айн с ИИ (сквозной)
От intake до онбординга: один конвейер
Intake
Context pack
Декомпозиц
ия
Оценки
Зависимост
и
Критпуть
Гант
Дока
• Принцип:
ИИ ускоряет подготовку артеф актов на каждом шаге, но ответственность за корректность — у команды.
Артеф акты: тикеты, DoD, риски/unknowns, зависимости, план, дока.
Конт

7.

Как “ читать кодовую базу” дл я постанов ки задач
Кодовая база — источник правды для ограничений и edge cases
• Где живёт ф ункциональность: точки входа, модули,
сервисы
• Интеграции: API, очереди, внешние сервисы, базы
• Конф иги/ф ичеф лаги: что включается и где может
“сломаться”
• Edge cases и деградации: лимиты, таймауты, ретраи
• Где менять код и что тестировать (smoke/regression)
Мест о для скрина: дерево репозит ория / поиск
/ ф айлы
Идея: “понятная задача” начинается с фактов из репо, а не с догадок.

8.

Planning mode: сначал а пл ан, потом в ы пол нение
Снижает ф антазии и делает результат управляемым
Шаблон входа
Цель + границы (что НЕ дел аем)
Текущее состояние: факты из репо/доки
Арт еф акты на вы ходе: epics /tas ks /DoD
Риски, допущения, unknowns
Крит ерии успеха (как поймём “с дел ано” )
Что получаем на в ы ходе
План этапов
Список задач
Зависимости
Вопросы к стейкхолдерам
Мест о для скрина: planning output

9.

Декомпозиция: из “ хочу ф ичу” в backlog
Главное — DoD и список неизвестных
• На вы ходе:
Epics → S tories → Tasks
Acceptance criteria / DoD
Unknowns (вопросы) + “spike” задачи
Требования к аналитике/логированию/мониторингу
(если нужно)
Пример ф ормата задачи (в трекер)
Описание • Контекст • Шаги • DoD • Риски/Unknowns • Тест-план

10.

Оценки в трудочас ах, которы ми можно управл ять
Оценка — это объяснение + риски, а не одно число
• Формат оценки:
P50 / P90 (вилка) и почему она такая
Факторы риска и неопределённости
Зависимости и блокеры старта
DoD (что считается “готово”)
Мини-пример
Task: интеграция СБП
P 50: 1 6ч P 90: 28ч
Риски: согласование / тестовый контур /
callback-ошибки
Мест о для скрина: оценка в т рекере

11.

Зависимости → критический путь → диаграмма Ганта
ИИ ускоряет построение графа работ и поиск узких мест
Граф зависимостей (DAG)
A
Мини-Гант (пример)
B
D
C
E
F
Критический путь подсвечиваем и ставим буферы
Выход: структура для календарного плана + вехи

12.

Контекст-пакет и очистка контекста
Без гигиены контекста качество падает, а возвраты растут
Context Pack (1–2 страницы)
Факты (что точно известно)
Цель изменения
Ограничения / что не делаем
Ссылки / ф рагменты кода / скрины
Решения и допущения
Unknowns: вопросы, которые надо закрыть
Эффект
Меньше возвратов
Быстрее согласования
Более точные оценки
Более реалистичный план
Мест о для примера context pack

13.

Чувств ител ь ны е данны е: как дел ать безопасно
Коротко: разделяем контекст и используем закрытые контуры
• Если нельзя отправлять данные наружу:
Закрытые корпоративные контуры / on-prem решения
Локальные модели (пример: Qwen)
Разделение: “обезличенный контекст” vs “полный контекст внутри периметра”
Правило: никаких секретов, ключей, персональных данных
Дальше в докладе — практики, которые работают и “в облаке”, и в закрытом контуре.

14.

Агенты: зачем они PM/Prod
Один универсальный запрос часто даёт кашу. Роли дают дисциплину.
• Проблема:
когда модель делает всё сразу — смешиваются план, идеи, оценки и дока.
• Решение:
разделить работу на роли (агенты) и собрать результат в оркестрации.
Context Reader
Decomposer
Estimator
читает репо/доку
выписывает факты
делает backlog
DoD + unknowns
P50/P90
риски/неопределённость
Planner
Reviewer
Doc Writer
зависимости
критпуть/Гант
находит дыры
вопросы/проверки
онбординг
runbook/FAQ

15.

Как создать агента: практический рецепт
Цель → вход → строгий формат выхода → правила качества → оркестрация
1) Название и цель
2) Источники правды (репо/ доки/ссылки/ ограничения)
3) Формат вывода (шаблон)
4) Политика качества: “не выдумывай; если данных нет
— спроси”
• 5) Глоссарий/ термины проекта
• 6) Оркестрация: кто после кого и что передаёт
Agent S pec
(шаблон)
Goal
Inputs
Constraints
Output format
Quality rules
Escalation questions
Место для скрина: настройка агента

16.

Пример спецификации агента: Decomposer
Фокус: backlog + DoD + unknowns + зависимости
Decomposer
Goal
Разбить фичу на epics/stories/tasks. Для каждой задачи: описание,
DoD, зависимости, риски, unknowns.
Input
Context pack + ссылки на модули/файлы + ограничения.
Output format
• Epics
• Tasks table: name / intent / DoD / deps / risks
• Unknowns (questions)
• S uggested spikes
Quality rules
Не выдумывать. Если данных нет — вопрос в unknowns.
Всегда добавлять тест-план.
Мест о для скрина: от вет агент а
(т аблица задач)

17.

Оркестрация агентов: как они собирают план и Гант
Конвейер ролей: факты → задачи → оценки → зависимости → ревью → дока
Context Reader
Decomposer
Estimator
На выходе конвейера
Backlog с DoD и неизвестными
Оценки P50/P90 и риски
Зависимости, критический путь и структура для Ганта
Техдока/онбординг для команды
Planner
Reviewer
Doc

18.

MCP: Model Context Protocol
Стандарт подключения ИИ к вашим рабочим инструментам
Что такое MCP?
Открытый протокол (от Anthropic),
позволяющий LLM-моделям напрямую
подключаться к внешним системам: трекерам,
мессенджерам, репозиториям, базам знаний.
Зачем PM?
ИИ получает доступ к реальным данным
проекта: задачам, статусам, комментариям,
спринтам. Это не чат-бот, а инструмент с
контекстом.
LLM (Claude / GPT / Gemini)
Отправляет запрос через MCP
MCP
Внешний сервис
Трекер, S lack, GitHub, Confluence...

19.

MCP + Яндекс.Трекер
Прямое подключение ИИ к вашему трекеру задач
Чтение задач
Анал из прогресс а
Связи и контекст
Поиск по очередям
Фильтры по статусу/дате
Просмотр описания и
DoD
Подсчёт задач по
статусам
Worklogs и трудозатраты
Комментарии и
чеклисты
Связанные задачи (links)
Вложения и артефакты
Версии и теги очередей
Сценарии дл я P M
1. Спросить ИИ: «Покажи все задачи в статусе In Progress по очереди PROJ»
2. «Какие задачи заблокированы? Покажи связи и комментарии»
3. «Сколько часов залогировано по спринту? Кто перегружен?»
4. «Подготовь отчёт по незакрытым unknowns за последнюю неделю»

20.

MCP -экосистема: какие интеграции
дост упны P M
Один протокол — десятки подключений к рабочим инструментам
Яндекс.Трекер
S lack / Mattermos t
GitHub / GitL ab
Задачи, статусы,
worklogs
Комментарии, чеклисты
Чтение каналов/тредов
Поиск решений и
контекста
PR, issues, blame
Code review и CI-статусы
Confluence / Notion
J ira / L inear
Файл ы и данны е
Вики и документация
Поиск по базе знаний
Backlog и спринты
Dashboards и метрики
Google Drive / S3
CSV, PDF, изображения
Принцип: ИИ работаетс реальными данными проекта, а не с копипастой в чат.

21.

Как подключить MCP: практический
рецепт
От установки до первого результата за 15 минут
1
2
3
4
Выбрать MCP-сервер
Например: mcp-yandex-tracker, mcp-slack, mcp-github. Список на GitHub: awesome-mcpservers
Настроить подключение
Указать API-токен / OAuth. Добавить конфиг в Claude Desktop или Claude Code (файл
mcp_config.json)
Проверить доступ
Попросить ИИ: «Покажи мои очереди в Трекере» или «Список открытых PR в репозитории»
Встроить в пайплайн
Агенты используют MCP для чтения задач, анализа прогресса, генерации отчётов
Совет: начните с одной интеграции (Трекер), добейтесь результата, затем добавляйте Slack и

22.

MCP + Агенты = суперсила PM
Агенты из вашего пайплайна получают доступ к реальным данным через MCP
Context
Reader
Decomposer
Estimator
Planner
Reviewer
MCP Трекер:
читает задачи
MCP GitHub:
структура кода
MCP Трекер:
worklogs
MCP Confluence:
база знаний
MCP Slack:
контекст команды
Результат для PM
Без MCP: копипастите задачи в чат, теряете контекст, ответы устаревают
С MCP: агенты сами читают трекер, код, документацию. Ответы актуальны и точны
MCP превращаетИИ из собеседника в полноценного участника проектного процесса.

23.

Кейсы из практики
Три истории: где ИИ дал максимальную ценность PM
Кейс 1: отказались от внешнего проекта до старта
• Построили полный план + зависимости + Гант с ИИ
• Сразу увидели: бюджета/ресурса не хватит → отказались вовремя
Кейс 2: Cofftan — спроектировали сервис так, чтобы попасть в боли ЦА
• Боль: заказы теряются в Telegram-ботах → бариста всегда видит рабочий телефон
• Боль: мотивация персонала → чаевые внутри приложения
• Боль: комиссии → оплата через СБП
Кейс 3: агенты для большой онлайн-школы — быстрое погружение в модули
• Агенты отвечают: “как работает модуль”, “куда смотреть в коде”, “что менять/не трогать”
• Онбординг ускорился в разы, меньше вопросов и потерь контекста
Вывод: ИИ помогает принимать решения ДО обязательств и снижает стоимость ошибок.

24.

Спасибо! В опросы ?
Хочу увидеть ваши кейсы: где PM уже делает работу быстрее благодаря ИИ
Практика • Артеф акты • Контекст
Мой куард код на канал и еще 1 куар код от конфы