⏭ Как мы в Яндексе стремимся к AI-first-разработке

С вами Артур Василов, руководитель мобильной разработки в Яндекс Браузере. На Mobile Runtime я открывал трек, посвящённый AI, и поделился опытом команды: со второй половины 2025 года мы внедряем агентов, чтобы повысить эффективность разработки. В этом посте я расскажу, что у нас получилось и к чему мы стремимся сейчас.

🚺 Первой большой задачей было отучить разработчиков писать код руками

Было непросто. Прийти и обязать всех использовать агентов не получится, потому что это новые подходы, инструменты и огромное количество вопросов. Важно помнить, что скорость разработки не вырастет сразу. Из-за того, что во всём этом ещё нужно разобраться, в первое время она, напротив, станет ниже.

Вместо того чтобы директивно обязать всех перекатываться на AI, лучше создать среду для экспериментов и поощрять новаторство. Мотивируйте разработчиков и изучайте, как и когда они используют новые инструменты. Выберите метрики, которые вам важны, и растите их.

​​🟰 Роль руководителя здесь невероятно важна. Как минимум вам нужен новый чатик по работе с LLM! Коллеги будут делиться опытом и поддержкой, шерить знания, помогать с инструментами. Нужны общие демо и амбассадоры AI в командах. А ещё важно начинать с себя: если руководитель не пользуется инструментом и не заинтересован в нём, сложно ожидать энтузиазма от команды.

🚺 Когда все используют AI, инфраструктура готова к этому и команда создала свой банк скилов, появляется ощущение потолка

Разработка стала быстрее, но не в несколько раз, а на 10–30%. Возникает вопрос, как добиться значительного ускорения. Именно на этом этапе мы сейчас находимся и уже делаем успехи. Есть два варианта, как это сделать, и нужно использовать оба.

🚺 Автоматизация больших рутинных частей

Вот три примера таких процессов у нас:

🟠 LLM Merge. Каждый раз, когда Chromium обновляется, в нашем коде появляются конфликты, ошибки компиляции и падающие тесты. Раньше раз в месяц это исправляли разработчики. Сейчас мы автоматически чиним всё LLM’кой. Подробности есть на Хабре

🟠 Свифтизация. В Браузере была часть кода, которую давным-давно написали на Objective-C. Годами мы (во многом с помощью стажёров 😂) переводили её на Swift. С помощью LLM мы закрыли эту задачку за два месяца. Про это тоже писали на Хабре

🟠 Дежурство по релизу. AI сильно помогает при выкатке обновлений. Он может сделать анализ состояния релиза, починить баги и краши (сравнивая код прошлой и новой версий) и выполнить кучу других мелких задач

🚺 Автономная работа агентов

Часто буст перформанса AI упирается в пропускную способность оператора-человека. Поэтому нужно стремиться к тому, чтобы агенты работали автономно как можно дольше, не трогая людей.

Сделать это можно, предоставив AI скилы для работы с устройством и самостоятельной проверки задач. Дополнительно стоит присмотреться к мультиагентным системам и оркестрациям, когда одна LLM управляет командой других.

Немного другой подход — Autoresearch. Мы даём агенту сегмент кода и показываем, как посчитать метрику для его оценки. А потом просим улучшить её — и идём пить кофе 😀

📺 В докладе я больше рассказал о подготовке инфраструктуры AI и поделился некоторыми мыслями о пользе для бизнеса, которую несёт использование агентов. Посмотреть выступление можно на ютубе или в VK Видео.

🆖 Другие доклады с Mobile Runtime можно найти в плейлистах:

Трек AI — ютуб и VK Видео
Трек Not so AI — ютуб и VK Видео

Подписывайтесь:
💬 @Yandex4Mobile
📹 @YandexforMobile