Research Insights Space
К каталогу
paper
conceptual

Rethinking Software Engineering in the Foundation Model Era: From Task-Driven AI Copilots to Goal-Driven AI Pair Programmers

Разбор paper о переходе к goal-driven AI pair programming: EDD-процесс, мультиагентная модель и ключевые вызовы внедрения.

Открыть PDF

Практика чтения для этого источника ещё не опубликована

Ниже доступен готовый редакционный brief из прежнего каталога. Он даёт контекст, но не засчитывается как lab.

Открыть оригинал

Готовый редакционный разбор

Он сохранён из прежней версии каталога и расположен после самостоятельной практики, чтобы не подменять чтение оригинала готовым пересказом.

Whitepaper

Rethinking Software Engineering in the Foundation Model Era (Apr 2024)

Переход от task-driven copilots к goal-driven AI pair programmers.

Перейти на сайт

Работа формулирует раннюю, но важную гипотезу эпохи foundation models: следующий шаг в SE - это AI-партнер, который помогает не с отдельными задачами, а с достижением целостной инженерной цели.

Первая страница whitepaper Rethinking Software Engineering in the Foundation Model Era

Первая страница whitepaper (клик по изображению откроет PDF).

Ваш обзор

Telegram #3879

Краткий разбор paper и контекст перехода от ассистентов к агентам.

Перейти на сайт

Ключевой сдвиг

  • AI должен переходить от роли «автодополнителя задач» к роли goal-driven напарника, ориентированного на достижение инженерной цели.
  • Единица работы смещается с локальных task-level действий (сниппет, фикc, рефакторинг) к end-to-end delivery цели (фича, миграция, устранение класса проблем).
  • Ключевая ценность не в скорости генерации кода, а в способности довести намерение до проверенного результата.

Evaluation-Driven Delivery (EDD)

  • Evaluation-Driven Delivery (EDD) предлагает непрерывно измерять прогресс относительно цели через систему evals.
  • Подход близок к TDD по духу, но шире тестов: оцениваются не только юнит-проверки, но и соответствие бизнес-цели, архитектурным ограничениям и качеству.
  • EDD превращает «понравился ли ответ модели» в формализуемую инженерную петлю обратной связи.

Мультиагентная схема paper

Goal Agent

Уточняет намерения инженера, собирает контекст и формирует рабочее описание цели на понятном уровне.

Architecture Agent

Проектирует решение под требования и ограничения, опираясь на паттерны и trade-off анализ (например, идеи ATAM).

Code Agent

Реализует изменения в кодовой базе: добавляет, рефакторит и удаляет код в рамках согласованной архитектуры.

Goal Delivery Agent

Оркестрирует агентов, связывает требования и проверки, следит за финальной поставкой и накоплением знаний о прогрессе.

Вызовы для реализации

  • Alignment человека и AI: максимум понимания контекста при минимуме лишних уточнений.
  • Переход к естественному диалогу вместо ручного prompt-engineering как основной формы работы.
  • Доступные и сильные code-LLM, которые удерживают большой контекст проекта на приемлемой стоимости.
  • AI как наставник: адаптивная поддержка роста инженера, а не только генерация артефактов.

На чем основаны аргументы авторов

  • Практика индустрии вокруг GitHub Copilot и аналогов, включая наблюдаемые проблемы взаимодействия с AI.
  • Ранние мультиагентные попытки автоматизации разработки (ChatDev, MetaGPT, Devin и др.).
  • Инженерные методологии с историей применения: TDD и парное программирование.
  • Теории из образования и психологии (например, эффект наставничества по Блуму и Theory of Mind).

Этот paper фактически стал предтечей термина SE 3.0: уже в октябре 2024 те же авторы выпустили продолжение про AI-native software engineering.

Перейти к главе про SE 3.0

Практические выводы

  • Разработчик всё больше управляет целью и критериями качества, а не вручную реализует каждую мелкую задачу.
  • Инженерный процесс требует наблюдаемости eval-сигналов, иначе goal-driven модель быстро деградирует в хаотичную генерацию.
  • Организациям нужно проектировать AI-практики как socio-technical систему: инструменты, процессы, роль человека и обучение.

Связанные главы

Towards AI-Native Software Engineering (SE 3.0)

Продолжение этой идеи: intent-first разработка и roadmap исследований SE 3.0.

AI in SDLC report (IT One + Skolkovo)

Практический взгляд на внедрение AI в процессах разработки и измерение эффекта.

Future of Work with AI Agents

Как люди хотят взаимодействовать с AI и почему collaboration-модель доминирует.

Опрос

AI в SDLC: влияние на инженерную культуру

Контекстно связано с идеями paper о роли человека и AI в delivery-процессе.

Перейти на сайт