🛠 AI-агенты в Jira: как я делегировал задачи виртуальным коллегам Разработчик с Habr перевёл локальный harness для AI-агентов на сервер, чтобы ставить задачи прямо в Jira, как обычным людям. В Assignee появились три виртуальных исполнителя: фронт, бэк и аналитик. По данным Habr, на разовую задачу «добавить кнопку копирования реквизитов» агент потратил около 12 минут от создания задания до готовых MR — разработчик, по оценке автора, списал бы от одного до четырёх часов. Но человек в цепочке остаётся: аналитик задаёт уточняющие вопросы перед написанием User Story, а все merge request уходят на ревью. Архитектура проста: каждый агент имеет профиль с ролью, моделью и доступами к Jira, Confluence и GitLab через отдельные Personal Access Token. Перед работой сервер собирает контекст: описание задачи, комментарии, снимки репозиториев и инструкции проекта. Если информации не хватает, задание встает в статус «Ожидает ответа», и агент не выдумывает решение. Проверки вроде линтера, тестов и headless-браузера запускаются автоматически, а публикацию веток и MR делает отдельный серверный компонент — не сам агент. Главное ограничение автор называет прямо: скорость генерации кода ничего не даёт, если ревью занимает столько же, сколько ручная разработка. Токеномика в бэкофисе показывает ориентировочную стоимость по тарифам API, но не учитывает серверную инфраструктуру, поддержку harness и время человека на проверку. Отдельный вопрос — как растить джунов, если простые задачи уходят агентам, а учиться на ревью чужого AI-кода никто не умеет. Такая система смещает узкое место с написания кода на его валидацию. Если команда не ограничит поток MR от агентов и не перестроит процесс ревью, внедрение даст не экономию времени, а рост скрытых багов и выгорание от проверки тридцати одинаковых кнопок. #AIagents #Jira #GitLab #автоматизация #разработка