Технический контекст
Я люблю такие идеи не за “вау”, а за то, что они сразу убирают реальную боль. Здесь смысл простой: я добавляю done skill, который в конце задачи сам дописывает в devlog.md краткую историю решений. Это уже не игрушка, а нормальная основа для AI automation в разработке.
Схема состоит из двух деталей. Первая, сам skill: он собирает, что я решил в этой сессии, почему выбрал именно этот путь, какие альтернативы отбросил и что осталось на потом. Вторая, AGENTS.md или agent.md в корне репозитория, где я прямо говорю агенту: завершил задачу, вызови done skill.
Мне нравится, что тут почти нет магии. Я могу хранить skill как отдельный markdown-файл, задать фиксированный шаблон записи и потребовать создавать devlog.md, если его еще нет. Чем меньше свободы в формате, тем меньше мусора в логе.
Я бы делал запись примерно такой: задача, принятое решение, причина, отвергнутые варианты, измененные файлы, follow-up. Этого хватает, чтобы другой агент или другой инженер через день не гадал, почему код свернул именно туда. Коммит-стиль такого не спасает.
Если хочется надежнее, я бы вообще вынес запись в скрипт вроде log_done.sh. Тогда агент не “рисует markdown руками”, а вызывает предсказуемый механизм. Для AI integration в командный workflow это намного крепче, чем надеяться на дисциплину модели.
Влияние на бизнес и автоматизацию
Практический эффект я вижу сразу в трех местах. Во-первых, дешевле handoff: новый агент или новый человек быстрее входит в задачу. Во-вторых, меньше повторных решений и бессмысленных рефакторингов. В-третьих, проще разбирать, откуда взялась спорная архитектурная развилка.
Выигрывают команды, где несколько агентов, частые переключения контекста и длинные ветки задач. Проигрывают те, кто продолжает надеяться, что “все и так видно по коду”. Нет, не видно.
Я у себя такие вещи сразу проверяю на реальном потоке задач, потому что на бумаге паттерн красивый, а в живом репозитории быстро всплывают дубли, пустые записи и шум. Именно такие штуки мы и доводим для клиентов в Nahornyi AI Lab, когда нужно не просто подключить модель, а построить рабочую AI architecture вокруг команды.
Если у вас агент уже пишет код, но память о решениях каждый раз растворяется в чате, давайте посмотрим на ваш процесс. В Nahornyi AI Lab я могу помочь собрать такую AI automation так, чтобы контекст не терялся, а команда реально двигалась быстрее, без лишней ручной рутины.