AI Code Review: от идеи до продакшена за 2,5 месяца

1.

AI CODE REVIEW
От идеи до продакшена: путь за 2.5 месяца
Митап для разработчиков и менеджмента · 2 июня — 19 августа 2026

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
Этап 1 — первые две недели проекта
1
2
Базовый RAG-ревью
Агентный режим
Индексация Java-кода в Qdrant, один вызов LLM на диф.
LLM сама вызывает инструменты, поиск дублей через LSH,
precheck перед ревью.
Ai Code Review
4

5.

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

6.

История: от инструмента к платформе
Этап 3 — многопользовательский режим и интеграции
1
2
Платформа
Enterprise-функции
Obsidian-знания, Jira-интеграция, авторизация, роли и
секреты на пользователя, subagent-делегирование.
Персональные MCP-подключения (Jira/Confluence на лету),
чат-консультант, retry, rate limiting.
Ai Code Review
6

7.

Проблемы: инфраструктура
Продакшен на Linux VM — реальные инциденты за последние месяцы
Проблема: Диск кончался на VM
Проблема: Proxy от VPN ломал систему
Решение: Очистка Docker-слоёв
Решение: Найден и убран системный прокси
Накопление старых образов и layer'ов при частых пересборках съедало всё место
на диске — добавлена регулярная очистка неиспользуемых слоёв.
VPN-клиент оставлял в системе proxy registry, из-за которого переставали
работать Firefox, Teams и Steam — диагностировано и вычищено вручную.
Проблема: Qdrant «unhealthy» — ложная тревога
Проблема: Docker socket и права
Решение: Добавлен curl в образ
Решение: Разобрана модель доступа
Healthcheck-контейнера падал не из-за реальной проблемы с Qdrant, а потому
что в образе отсутствовал curl, которым проверялся статус.
Ai Code Review
Персональные MCP-подключения поднимаются как контейнеры на лету —
потребовалось примонтировать docker.sock и аккуратно настроить права
доступа.
7

8.

Проблемы: архитектура
Технический долг, который пришлось разгребать по мере роста проекта
Проблема: review_agent.py разросся до 4500+ строк
Проблема: Схема типов Hybris — один большой JSON
Решение: Разбит на пакет review_git/agent/
Решение: Переход на записи в Qdrant по типу
Монолитный файл стало невозможно поддерживать — вынесены отдельные
модули: core, schemas, инструменты по категориям, bootstrap.
Единый файл схемы не масштабировался — сделан инкрементальный upsert по
типу с разрешением наследования между коллекциями.
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.
Ai Code Review
Добавлен rate limiter на ключ подключения, приоритеты задач (чат выше ревью)
и thread pool для параллельных джобов ревью.
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