Технічний контекст
Я люблю такі ідеї не за ефект «вау», а за те, що вони відразу прибирають реальний біль. Тут суть проста: я додаю done skill, який наприкінці завдання сам дописує в devlog.md коротку історію рішень. Це вже не іграшка, а нормальна основа для AI automation у розробці.
Схема складається з двох деталей. Перша, сам skill: він збирає, що я вирішив у цій сесії, чому обрав саме цей шлях, які альтернативи відкинув і що залишилося на потім. Друга, AGENTS.md або agent.md у корені репозиторію, де я прямо кажу агенту: завершив задачу — виклич done skill.
Мені подобається, що тут майже немає магії. Я можу зберігати skill як окремий markdown-файл, задати фіксований шаблон запису та вимагати створювати devlog.md, якщо його ще немає. Чим менше свободи у форматі, тим менше сміття в лозі.
Я б робив запис приблизно таким: завдання, прийняте рішення, причина, відкинуті варіанти, змінені файли, follow-up. Цього достатньо, щоб інший агент чи інший інженер за день не гадав, чому код повернув саме туди. Стиль коммітів від цього не рятує.
Якщо хочеться більшої надійності, я б узагалі виніс запис у скрипт на кшталт log_done.sh. Тоді агент не «малює markdown руками», а викликає передбачуваний механізм. Для AI integration у командний workflow це набагато надійніше, ніж сподіватися на дисципліну моделі.
Вплив на бізнес та автоматизацію
Практичний ефект я бачу відразу в трьох місцях. По-перше, дешевше передання справ (handoff): новий агент або людина швидше входить у курс справи. По-друге, менше повторних рішень і безглуздих рефакторингів. По-третє, простіше розбирати, звідки взялася суперечлива архітектурна розвилка.
Виграють команди, де є кілька агентів, часті перемикання контексту та довгі гілки завдань. Програють ті, хто продовжує сподіватися, що «все й так видно по коду». Ні, не видно.
Я у себе такі речі відразу перевіряю на реальному потоці завдань, тому що на папері патерн красивий, а в живому репозиторії швидко випливають дублі, порожні записи та шум. Саме такі штуки ми й доводимо для клієнтів у Nahornyi AI Lab, коли потрібно не просто підключити модель, а побудувати робочу AI architecture навколо команди.
Якщо ваш агент усе ще пише код, але пам'ять про рішення щоразу розчиняється в чаті, давайте поглянемо на ваш процес. У Nahornyi AI Lab я можу допомогти зібрати таку AI automation так, щоб контекст не втрачався, а команда реально рухалася швидше, без зайвої ручної рутини.