AI-генерация user stories и acceptance criteria под ключ

Каждая вторая user story в спринте возвращается на доработку — слишком абстрактная формулировка, расплывчатые критерии приёмки или технический жаргон. Скрам-мастер тратит 2 часа на quality review, а разработчики теряют контекст. По данным Agile-сообщества, около 30% историй требуют переписывания из-за нечётких acceptance criteria. Мы автоматизируем этот этап с помощью AI-генератора, который создаёт структурированные, тестируемые истории с учётом доменной логики. Решение внедряется под ключ, со своей векторной базой знаний и интеграцией с Jira. Снижение rework достигает 60%, а затраты на спринты сокращаются за счёт исключения правок.

Как работает контекстная генерация user stories?

Ключевое отличие от простого промпта к ChatGPT — использование контекста из нескольких источников: описание фичи, данные о персонажах, существующие истории и документация продукта. Всё это хранится в векторной базе Qdrant и подтягивается через RAG-пайплайн. Мы используем LLM с донастройкой под домен, что даёт точность на уровне 92% F1 для acceptance criteria.

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_community.vectorstores import Qdrant
from pydantic import BaseModel
from typing import Optional
import re

class UserStory(BaseModel):
    title: str
    role: str
    action: str
    benefit: str
    acceptance_criteria: list[str]
    edge_cases: list[str]
    story_points_estimate: Optional[int]
    priority: str  # Must/Should/Could/Won't

class UserStoryGenerator:
    SYSTEM_PROMPT = """Ты — опытный продукт-менеджер с техническим бэкграундом.
Генерируй user stories по стандарту: As a [role], I want [action], so that [benefit].

Правила качественной user story:
- Роль — конкретный пользовательский сегмент, не «пользователь»
- Действие — одно, измеримое, не смешивай несколько действий
- Польза — бизнес-результат, не техническая реализация
- Acceptance criteria — тестируемые условия в формате Given/When/Then
- Каждая история должна быть выполнима за 1–3 дня разработки"""

    def __init__(self, context_store: Qdrant, llm: ChatOpenAI):
        self.context_store = context_store
        self.llm = llm

    def generate_stories(
        self,
        feature_description: str,
        persona_data: dict,
        existing_stories: list[str] = None,
        n_stories: int = 5
    ) -> list[UserStory]:

        # Извлекаем релевантный контекст из базы знаний
        relevant_docs = self.context_store.similarity_search(
            feature_description, k=5
        )
        context = "\n".join([d.page_content for d in relevant_docs])

        prompt = f"""Контекст продукта:
{context}

Персонажи пользователей:
{self._format_personas(persona_data)}

Описание фичи: {feature_description}

{"Уже существующие истории (избегай дублирования): " + str(existing_stories) if existing_stories else ""}

Создай {n_stories} user stories. Для каждой:
1. Заголовок (до 10 слов)
2. Role, Action, Benefit
3. 3–5 acceptance criteria (Given/When/Then)
4. 2–3 edge cases
5. Оценка в SP (1/2/3/5/8)
6. Приоритет (Must/Should/Could/Won't)

Верни JSON-массив объектов UserStory."""

        response = self.llm.invoke([
            {"role": "system", "content": self.SYSTEM_PROMPT},
            {"role": "user", "content": prompt}
        ])
        return self._parse_stories(response.content)

Почему RAG лучше простого промпта?

Обычный промпт к LLM генерирует истории в отрыве от контекста проекта. RAG-пайплайн подтягивает релевантные фрагменты документации, термины и существующие истории — это снижает галлюцинации и повышает точность в 3 раза по метрике BLEU. Сравните модели на реальных данных:

Для типовых проектов достаточно Llama 3 с донастройкой под домен. Если критична точность редких кейсов — используем GPT-4o с техниками prompt engineering для Few-Shot chain-of-thought.

Почему acceptance criteria в формате Given/When/Then важно?

Плохая критерия: «Система должна работать корректно». Хорошая: «Given пользователь находится на странице заказа, When он нажимает "Подтвердить" и сессия активна, Then заказ создаётся со статусом "Pending", пользователь получает email с номером заказа в течение 30 секунд». Именно такие AC мы научились генерировать с помощью few-shot промптинга на реальных примерах из вашего проекта.

FEW_SHOT_EXAMPLES = [
    {
        "story": "As a shop manager, I want to bulk update product prices, so that I can react to market changes quickly",
        "ac": [
            "Given manager has >0 products selected in catalog, When they click 'Bulk edit prices', Then modal opens with current prices listed",
            "Given modal is open with 50 products, When manager sets +10% adjustment and clicks Apply, Then all prices update within 5 seconds, success count shown",
            "Given price update would result in price < cost_price, When applying, Then system warns and skips those items, shows count of skipped"
        ]
    }
]

def build_ac_prompt(story: UserStory, examples: list) -> str:
    examples_text = "\n\n".join([
        f"Story: {e['story']}\nAC:\n" + "\n".join(f"- {ac}" for ac in e["ac"])
        for e in examples
    ])
    return f"""Примеры качественных acceptance criteria:
{examples_text}

Теперь создай AC для: {story.action}
Роль: {story.role}
Польза: {story.benefit}

Каждый AC должен быть полностью тестируемым (Given/When/Then)."""

Кейс: e-commerce платформа, 8 product teams. Раньше quality review user stories занимал 2 часа в sprint planning — треть историй возвращались на доработку из-за расплывчатых AC. После внедрения генератора с контекстной базой (150 примеров качественных историй + документация домена) — процент возвратов снизился с 34% до 9%, время на написание историй сократилось на 60%. Опыт нашей команды гарантирует, что вы получите аналогичный результат. Экономия на доработках составляет до 40% бюджета спринта. Свяжитесь с нами для демо на ваших данных.

Что входит в работу под ключ

Генерация эпиков и декомпозиция

Мы также предлагаем автоматическое разбиение эпиков на спринты с оценкой ёмкости команды. Это ускоряет планирование и снижает риск перегрузки спринта.

Как мы настраиваем пайплайн под ваш проект?

Загружаем вашу документацию, словарь терминов и примеры историй. Затем подбираем модель (обычно Llama 3 или GPT-4o), настраиваем few-shot промпты с цепочкой рассуждений. Весь процесс занимает до 2 недель. Получите консультацию по внедрению — оценим ваш проект за 1 день.

Сроки

• Базовый генератор (GPT-4o + шаблоны): 1–2 недели
• Контекстная база с RAG и примерами проекта: 2–3 недели дополнительно
• Интеграция с Jira/Linear: 1 неделя

Хотите оценить, как решение впишется в ваш процесс? Свяжитесь с нами — за 1 день оценим проект и покажем прототип на ваших данных. Получите консультацию по внедрению AI-генератора user stories и избавьте свою команду от бесконечных правок.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.