ИИ-разработка в Block

Как компания Block внедряет ИИ в процессы разработки — от подготовки репозиториев до мультиагентных рабочих процессов.

Это AI-перевод статьи, сделанный каналом Про AI: Лучшие Статьи и Исследования.

ИИ-разработка в Block

AI-Assisted Development at Block Автор: Angie Jones Оригинальный текст:

Должна признаться, я получила огромное удовольствие от статьи Gas Town Стива Йегге во время праздничных выходных. После прочтения я задумалась: на каком этапе этого пути находятся наши инженеры?

Около 95% наших инженеров регулярно используют ИИ в своей работе. Большинство находится на 5-м этапе — работают с одним агентом преимущественно вне IDE. Вторая по численности группа — на 6-м этапе, запускают 3-5 агентов параллельно. И есть небольшая группа, которая активно разрабатывает внутренний оркестратор агентов в ожидании неизбежного.

Как инженерная организация может перейти от 1-го этапа, где инженеры только начинают путь ИИ-разработки, к продвинутому этапу, где им нужен оркестратор для управления множеством параллельных агентов? Вот как мы это делаем в Block.

1. Свобода для экспериментов

ИИ-инструменты и большие языковые модели меняются невероятно быстро. На одной неделе выходит новая модель, которая переворачивает представления о возможном. Ты готов поставить на неё всё. А на следующей неделе эта модель выглядит детской игрушкой по сравнению с новым конкурентом. То же самое происходит с ИИ-нативными IDE и coding-агентами. Так продолжается весь 2025 год. Явного победителя пока нет. Было бы глупо привязываться к конкретному инструменту или модели.

Поэтому мы покупаем всё. Ну, не совсем всё, но многое! Мы даём инженерам свободу исследовать передовые модели и инструменты, чтобы понять, что работает лучше для них. Конечно, в будущем мы хотели бы стандартизироваться на нескольких инструментах, но делать это сейчас было бы ошибкой, пока индустрия развивается с такой скоростью.

В процессе мы обнаружили, что не все кодовые базы равны в глазах ИИ. Например, наши мобильные разработчики и бэкенд-разработчики на JVM сталкиваются со значительными трудностями при работе с передовыми моделями и инструментами. То, что работает для веб-разработчиков, не обязательно работает для них.

2. Программа Champions

В августе 2025 года я запустила программу Engineering AI Champions с участием 50 разработчиков из разных команд, которые посвящали 30% своего времени внедрению ИИ на уровне репозиториев. Это были стойкие инженеры, которые при галлюцинациях ИИ или некачественном коде разбирались в причинах неудачи и делали инженерную работу для достижения успеха.

Программа охватила практически все направления Block Engineering: Square, Cash App, Afterpay, Tidal, Proto и платформенные команды — от фронтенда до бэкенда, мобильной разработки, железа, дата-инжиниринга и инфраструктуры. Размеры репозиториев варьировались от огромных монорепозиториев до компактных сервисов и мобильных приложений. Такое разнообразие позволило тестировать ИИ-воркфлоу не в одном окружении, а проверять паттерны в совершенно разных инженерных реальностях, что дало более чёткое понимание, что масштабируется, а что ломается.

Подготовка репозиториев

AI Champions в первую очередь сфокусировались на интеграции ИИ в репозитории, чтобы агенты могли обнаруживать и использовать кодовую базу, а также вносить и поддерживать её. Мы сосредоточились на репозиториях, потому что они являются центральной точкой отсчёта для каждого инженера, и хотя каждая команда и репозиторий уникальны, решение этих задач для каждого репозитория позволяет команде использовать ИИ так, как это имеет смысл для них.

Эта работа не самая увлекательная, поэтому мы геймифицировали её. Наша внутренняя команда Developer Relations разработала Repo Quest — игру в стиле RPG, где разработчики выполняют квесты и собирают компаньонов.

Задания Repo Quest

Champions проходили через четыре уровня (Locked → Novice → Adept → Artisan), открывая компаньонов по мере выполнения квестов. Вот суть заданий:

Настройка ИИ-контекстных файлов (Locked → Novice):

• Создать файл AGENTS.md, который даёт ИИ-агентам прямые инструкции о кодовой базе: команды сборки/тестирования, конвенции кода и архитектурные паттерны.
• Добавить HOWTOAI.md как руководство для команды по эффективному использованию ИИ-инструментов в репозитории. Включить инструкции по настройке, советы и примеры воркфлоу. [[Пример]](https://github.com/block/goose/blob/main/HOWTOAI.md)

Улучшение воркфлоу (Novice → Adept):

• Создать повторно используемые агентные скиллы — упакованные воркфлоу для типовых задач: генерация API-тестов, рефакторинг legacy-кода, создание документации. Их можно переиспользовать между командами.
• Включить автоматизированное ИИ-ревью кода на PR с настраиваемыми областями фокуса.
• Настроить headless-ИИ-помощника, который может автономно итерировать над задачами, исправлять падения CI и пушить изменения.

Измерение и обмен артефактами (Adept → Artisan):

• Добавить метки PR или индикаторы для отслеживания случаев, когда ИИ значительно участвовал в работе. Прозрачность помогает измерить, что действительно работает.
• Интегрировать ИИ в CI/CD pipeline (пайплайн, конвейер обработки) для автоматизированного анализа во время сборок, использовать ИИ для упрощения реагирования на инциденты и постмортемов.
• Возвращать проверенные рецепты и воркфлоу в общие библиотеки, чтобы другие команды могли строить на том, что работает.

Вот как выглядит архитектура ИИ-готовности одного из наших крупнейших монорепозиториев с 40 000+ исходных файлов, 30 000+ тестовых файлов, 650+ деплоящихся сервисов, 5 800+ эндпоинтов и тысячами контрибьюторов:

Эта архитектура показывает, как мы целенаправленно структурируем репозитории, чтобы ИИ-агенты могли понимать, навигировать и вносить вклад в масштабе. Такая настройка делает ИИ предсказуемым коллаборатором, давая ему чёткие, ограниченные инструкции, автоматизацию для поддержания консистентности правил и достаточно локального контекста для реальной работы без постоянных корректировок.

Это позволило большинству инженеров комфортно использовать ИИ-инструменты без особого обучения, потому что Champions уже заложили фундамент на уровне репозиториев.

Context Engineering

Получение качественной работы от агентов в масштабе требовало большего, чем просто ИИ-готовых репозиториев и хороших промптов. Это требовало структурированных подходов к тому, как мы передаём им контекст, особенно в больших кодовых базах.

Мы приняли RPI как наш подход к context engineering (управление контекстом). RPI (Research → Plan → Implement) — техника, представленная HumanLayer, разработанная для работы, которая слишком сложна для стандартного промптинга. Агент сначала исследует релевантные части кодовой базы и документирует свои находки, затем стартует новую сессию со свежим контекстом, где агент читает это исследование и документирует детальный план выполнения, и наконец — сессия, где агент реализует план.

AI Champions использовали RPI для всего: от редизайна UI до крупных апгрейдов, миграций языков и масштабных проектов локализации. Это дало командам консистентный способ получать качественные PR от агентов и предотвращало обычный «дрейф» ИИ.

Автоматизированные PR

Champions настолько освоились с использованием ИИ, что начали встраивать агентов в свои спринты и назначать им тикеты, которые были хорошо понятны и имели низкую сложность... напрямую из Linear и Jira. Агент читает тикет, составляет план, создаёт ветку, пишет код, открывает pull request, следит за падением CI и исправляет собственные ошибки. Люди вмешиваются только на этапе ревью. Команды даже сообщали, что берут дополнительные тикеты в середине спринта, потому что их агент уже выполнил 15 дней инженерной работы. Хорошая проблема.

Результаты программы AI Champions

За три месяца после запуска программы Champions объём ИИ-написанного кода вырос на 69%, сообщаемая экономия времени увеличилась на 37%, а количество автоматизированных PR выросло в 21 раз.

3. Обучение

Обучение стало ещё одним важным фактором успеха. AI Champions вместе с Developer Relations не просто изучали эти инструменты — они обучали им всю инженерную организацию. Они проводили браунбэги, демо, агентные баттлы и часы консультаций. Они создавали наборы для онбординга, шаблоны репозиториев, правила и скиллы для агентов, библиотеки промптов, MCP-серверы и многое другое.

Но настоящая магия была в передаче знаний между коллегами. Когда инженер из твоей команды показывает, как он использовал агента для выполнения утомительной миграции за полдня — это воспринимается совсем иначе, чем типовой туториал. Champions стали локальными экспертами в своих командах — людьми, к которым инженеры могли обратиться, когда застряли, когда ИИ выдал мусор или когда не были уверены, стоит ли вообще пробовать задачу с агентом. Они также защищали команду от «усталости от ИИ», будучи подопытными кроликами для новых инструментов и агентных паттернов, но предлагая только те, что реально работают.

Что дальше

Даже при широком обучении теперь заметен разрыв между AI Champions и остальной инженерной организацией. Обучение показало людям, что возможно, но этого было недостаточно, чтобы вывести их на следующий уровень. Посмотреть демо — это одно, перестроить способ работы — совсем другое.

В этом году мы хотим закрыть этот разрыв. К концу года мы хотели бы, чтобы большая часть инженерной организации комфортно использовала оркестраторы для управления несколькими агентами параллельно и повышения продуктивности разработчиков.

Общие обучения не приведут нас туда. Теперь мы фокусируемся на командных воркшопах, которые глубоко погружаются в подготовку репозиториев для ИИ, context engineering и мультиагентные воркфлоу. Вместо того чтобы показывать людям, что возможно, DevRel работает в паре с командами, применяя эти техники к их реальной кодовой базе и реальной работе.

Мы также инвестируем в следующее поколение: начинающих разработчиков, которые являются ИИ-нативными и комфортно работают с агентами. Мы приглашаем их не только учиться у нас, но и чтобы мы учились у них. У них нет мышечной памяти доаиэшной разработки, и эта свежая перспектива бесценна, пока мы разбираемся, как на самом деле выглядит современная разработка программного обеспечения.

Подпишитесь на канал и каждый день читайте лучшие материалы про AI переведенные на русский!

Нашли интересную статью для перевода? Пришлите нашему боту: @ailongreadsbot