Spec Builder задаёт спецификацию для ИИ-команды и ИИ-агентов; Schema Extractor извлекает из разнородных документов данные, готовые к интеграции. Общая технологическая основа — schema-guided reasoning и локальные модели.
В 2025–2026 годах несколько крупнейших игроков AI-индустрии независимо озвучили одну и ту же идею: спецификация задачи должна стать первичным артефактом разработки, а код, документация и тесты — её проверяемыми производными. Этот подход получил название Specification-Driven Development (SDD).
Whitepaper (май 2026) с SDD как ядром AI-нативной разработки
Интеграция спецификаций в GitHub-воркфлоу
Спецификационная среда поверх Bedrock
Каждый Skill — спецификация типового действия Claude как структурированный артефакт
Интерес гигантов к этому направлению закономерен. Без явной спецификации современный ИИ-агент работает на условном «здравом смысле» и вынужден галлюцинировать граничные условия задачи; разработчики не могут воспроизвести результаты агента; стандарты живут в головах ведущих специалистов и теряются при коммуникации или при смене состава команды; а сами производители агентных сред не навязывают единые стандарты, оставляя разработчикам свободу самим описывать необходимые интерфейсы (harness). К 2026 году эти проблемы обострились достаточно, чтобы заслужить внимание крупных игроков.
В команде, где разработка идёт с участием ИИ-агентов (Cursor, Claude Code, внутренние агенты), быстро возникает несколько связанных проблем.
Каждая сессия с агентом стартует с пустого контекста. Решения прошлой недели существуют в голове разработчика и недоступны агенту — объяснение контекста съедает больше времени, чем экономит сам агент.
Без явных артефактов каждый агент применяет свои настройки по умолчанию. Через полгода в репозитории — пять стилей API, три способа обработки ошибок, два подхода к версионированию.
Когда нужно вернуться к проекту через шесть месяцев, оказывается, что получившийся результат никто не может объяснить: не сохранилось ни «почему так», ни «что мы рассматривали и отвергли».
Бизнес и внутренний аудит спрашивают «кто принял это решение и на каких основаниях» — а ответа нет, потому что решение принял агент в незадокументированной сессии.
Параллельно — задача извлечения структурированных данных из разнородных корпоративных документов остаётся хрупкой: каждая новая модель документа требует отдельного парсера, а традиционные подходы (regex, OCR + правила) не справляются с вариативностью реальных кейсов.
К обеим задачам — координации ИИ-разработки и извлечению структурированных данных — мы применяем общий подход: спецификация становится первичным артефактом, а её исполнение (код, данные) — проверяемой производной. Соответствовать этой парадигме нам помогают три принципа.
Спецификация задачи, корпоративные стандарты, доменная модель, схема извлекаемых данных — всё это живёт как явные артефакты, к которым может вернуться любой участник процесса (человек или агент) в любой момент.
Модели по умолчанию генерируют свободный текст; интеграция этого в программные системы — значительные инженерные издержки. Schema-guided reasoning превращает генерацию в выбор валидного значения из ограниченного пространства.
ИИ выдаёт черновик элементов спецификации на базовом уровне; эксперт доводит его до профессионального стандарта. Правки сохраняются и улучшают следующие черновики.
Превращает свободное описание задачи в единый SDD-артефакт: граф зависимостей, дизайн-документ и набор готовых компонентов, по которым работают разработчики и ИИ-агенты. Корпоративная модель работы — три уровня: коллекция-шаблон (Pattern Library в терминах AI-Disrupt PDLC) → командное рабочее пространство (спейс) с возможностью тонкой кастомизации → конкретный проект. Зрелая ролевая модель, аудит действий и возможность отката проекта к любому сохранённому состоянию делают продукт пригодным для регулируемого корпоративного контура.
Принимает описание задачи извлечения данных и генерирует валидную схему (JSON Schema, Pydantic, Regex или Grammar). Эта схема используется локальной LLM для извлечения данных из разнородных документов. На выходе — валидированная структура, готовая к загрузке в платформу данных или встраиванию в существующие пайплайны.
Оба продукта работают на одной технологической платформе (локальные LLM/VLM + schema-guided reasoning). Это позволяет развернуть их в корпоративном контуре как целостный SDD-стек, а не как два разрозненных сервиса.
В команде 5+ человек, ИИ-агенты уже используются, появилась первая боль координации
Корпоративные стандарты, регулятор или внутренний аудит требуют объяснимости решений и единой цепочки артефактов
Банки, медицина, госсектор, оборонка, чувствительная коммерческая разработка — нужен on-premise
Из значительного массива разнородных документов нужно получить данные, готовые к интеграции в бизнес-системы
Связанные ресурсы