Специалист по инфраструктуре фронтенда SberDevices Аврора представила внутреннюю систему AI-агентов, предназначенную для автоматизации код-ревью и управления merge request (MR). Разработка использует комбинацию агентного цикла, когда модель получает цель и инструменты, и детерминированного workflow для выполнения ограниченных задач. Основной компонент — AI-ревьюер, который автоматически запускается при создании MR в GitLab и анализирует изменения, оставляя комментарии с указанием конкретных проблем. Система не является внешним решением вроде GitHub Copilot Code Review или GigaCode Agent, что позволяет компании не раскрывать исходный код третьим лицам.

С января по июль 2026 года AI-ревьюер проверил свыше 4 000 merge request в 90 проектах. Потенциальные проблемы были обнаружены в 8% случаев, что составляет примерно один MR из тринадцати. Если замечания находились, бот оставлял в среднем около двух комментариев, чаще — один. Анализ комментариев показал, что более чем в 90% случаев бот сигнализирует о конкретной проблеме, а не даёт общие рекомендации. Распределение тем замечаний выглядит следующим образом: 20% — стиль, именование и поддерживаемость; 18% — ошибки логики и функционального поведения; 16% — работа с null/undefined и обработка ошибок; 12% — типы, API и контракты; 11% — синтаксис, сборка и конфигурация. Оставшиеся 23% приходятся на производительность, UI, асинхронный код, тесты и безопасность.

Технически AI-ревьюер написан на TypeScript с использованием фреймворка NestJS. Взаимодействие с GitLab происходит через серверные вебхуки: при запуске ревью GitLab отправляет боту уведомление с идентификаторами проекта и MR, после чего бот запрашивает git diff изменённых файлов через API. Служебные файлы, такие как конфигурации, исключаются из анализа. Каждый файл классифицируется как NEEDS_REVIEW (новый контент) или APPROVED (изменения в старом контенте); подробный анализ требуется только для файлов, где код меняет логику или функциональность. Затем diff отправляется в модель GigaChat-2-Max через библиотеку gigachat с температурой 0 для детерминированности. Промпт задаёт роль фронтенд-разработчика, который должен провести ревью и описать ошибки. Модель не дообучалась — используется «из коробки». Ответ модели структурируется, фильтруется от LGTM и публикуется в MR комментарием с точной привязкой к строкам. Дополнительно бот формирует краткое резюме изменений в описании MR, что снимает с разработчика задачу по написанию описания.

До внедрения системы в SberDevices уже существовала практика локальной проверки кода агентами, что объясняет относительно невысокий процент найденных проблем. AI-ревьюер стал дополнением к существующим процессам, а не заменой. В компании также реализован бот Chuck Norris, который напоминает ревьюерам о забытых merge request через корпоративный мессенджер. За январь-август 2026 года бот отправил почти 4 000 напоминаний в 51 проекте. Медиана составила 2 пинга на один MR, при этом почти половине MR хватило одного напоминания. Автопинг включён по умолчанию в GitLab, но проект может отключить его в конфигурации. По словам автора, задержка с вливанием MR усложняет восстановление контекста и замедляет разработку.

Для российского рынка разработки представленное решение демонстрирует тренд на создание собственных AI-инструментов, не зависящих от зарубежных сервисов. Крупные компании всё чаще отказываются от внешних решений из-за опасений по поводу утечки кода и данных. Опыт SberDevices показывает, что даже без дообучения модели можно достичь приемлемого качества ревью, если правильно организовать workflow и подготовку контекста. Система тестировалась в изолированном репозитории-песочнице example-micromonorepo, где собраны примеры фронтенд-сервисов и тестовых MR. Подключение через вебхук позволило после релиза моментально обновлять версию бота у всех пользователей. AI-ревью можно отключить на уровне репозитория, но этим почти никто не пользуется.

В отличие от GitHub Copilot Code Review, который интегрирован в экосистему GitHub и требует передачи кода в облако Microsoft, решение SberDevices полностью работает на внутренней инфраструктуре. Это критично для компаний с жёсткими требованиями к безопасности. Аналогично GigaCode Agent от GitVerse ориентирован на российский рынок, но SberDevices пошла дальше, создав не только ревьюера, но и систему напоминаний. Конкуренция в сегменте AI-ассистентов для разработки растёт: свои решения есть у Яндекса, VK, Сбера. Однако большинство из них либо завязаны на конкретную платформу, либо требуют значительных ресурсов для настройки. Подход SberDevices с комбинацией агентного цикла и детерминированного workflow может стать эталоном для других команд.

В дальнейшем команда планирует развивать систему, возможно, добавляя поддержку других языков и фреймворков. Сейчас AI-ревьюер ориентирован на TypeScript, хотя технически может анализировать код на любом языке, который понимает GigaChat. Для других языков потребуется доработать промпт и правила. Открытым остаётся вопрос сравнения проектов с автопингом и без него для оценки влияния на скорость разработки. Также неясно, насколько легко масштабировать решение на тысячи проектов и как оно поведёт себя при росте нагрузки. Тем не менее, первые результаты показывают, что AI-агенты способны взять на себя рутинные задачи код-ревью, освобождая время разработчиков для более сложной работы.