Розробка AI-асистента для системи управління проєктами

Ви PM у продуктовій команді з 12 осіб. Щоранку ви збираєте задачі з Jira, понеділок — sprint report, середа — уточнення пріоритетів. На адміністративну рутину йде 4–6 годин на тиждень. І це без аналізу ризиків та якості беклогу. При цьому команда зростає, спринти ущільнюються, а час на стратегічні задачі скорочується. Ми розробляємо AI-асистента, який бере на себе цю роботу: декомпозує фічі, пише sprint-звіти, аналізує здоров'я беклогу та створює user stories. Асистент працює через API Jira, Linear або Asana за допомогою LLM (Claude 3.5, GPT-4o). Базовий функціонал готовий через 2–3 тижні під ключ. Середня економія на адміністративних задачах — до $2400 на місяць. Замовте впровадження — і ми налаштуємо асистента під ваш стек.

Основні функції асистента

from anthropic import Anthropic
from typing import Optional
import json
import requests
from pydantic import BaseModel

client = Anthropic()

class Task(BaseModel):
    title: str
    description: str
    story_points: int
    priority: str
    acceptance_criteria: list[str]
    labels: list[str] = []

class SprintReport(BaseModel):
    completed_points: int
    total_points: int
    velocity: float
    blockers: list[str]
    risks: list[str]
    team_highlights: list[str]
    next_sprint_recommendations: list[str]

class PMAssistant:

    def decompose_feature(self, feature_description: str, team_context: str = "") -> list[Task]:
        """Декомпозує фічу на задачі"""

        response = client.messages.create(
            model="claude-sonnet-4-5",
            max_tokens=4096,
            messages=[{
                "role": "user",
                "content": f"""Декомпозуй фічу на задачі для розробки.

Фіча: {feature_description}
{"Контекст команди: " + team_context if team_context else ""}

Поверни JSON:
[{{
  "title": "назва задачі",
  "description": "опис",
  "story_points": 1|2|3|5|8|13,
  "priority": "critical|high|medium|low",
  "acceptance_criteria": ["критерій 1", ...],
  "labels": ["frontend", "backend", "database", ...]
}}]

Розбий на задачі розміром 1–3 дні кожна. Включи: design, backend, frontend, tests, deployment."""
            }]
        )

        text = response.content[0].text
        data = json.loads(text[text.find("["):text.rfind("]") + 1])
        return [Task(**t) for t in data]

    def generate_sprint_report(self, sprint_data: dict) -> SprintReport:
        """Генерує sprint report"""

        response = client.messages.create(
            model="claude-haiku-4-5",
            max_tokens=2048,
            messages=[{
                "role": "user",
                "content": f"""Склади sprint report.

Дані спринту:
{json.dumps(sprint_data, ensure_ascii=False, indent=2)}

Поверни JSON:
{{
  "completed_points": число,
  "total_points": число,
  "velocity": число,
  "blockers": ["блокувальники"],
  "risks": ["ризики на наступний спринт"],
  "team_highlights": ["досягнення команди"],
  "next_sprint_recommendations": ["рекомендації"]
}}"""
            }]
        )

        text = response.content[0].text
        data = json.loads(text[text.find("{"):text.rfind("}") + 1])
        return SprintReport(**data)

    def analyze_backlog_health(self, backlog_items: list[dict]) -> dict:
        """Аналізує здоров'я беклогу"""

        response = client.messages.create(
            model="claude-sonnet-4-5",
            max_tokens=2048,
            messages=[{
                "role": "user",
                "content": f"""Проаналізуй беклог і дай рекомендації.

Беклог ({len(backlog_items)} задач):
{json.dumps(backlog_items[:20], ensure_ascii=False)}

Оціни:
1. Пріоритизацію (чи логічна?)
2. Розмір задач (чи немає надто великих?)
3. Залежності (чи є блокувальники?)
4. Технічний борг vs новий функціонал
5. Quick wins, які варто зробити першими"""
            }]
        )

        return {"analysis": response.content[0].text}

    def write_user_story(self, feature_request: str, persona: str = "користувач") -> str:
        """Пише User Story у правильному форматі"""

        response = client.messages.create(
            model="claude-haiku-4-5",
            max_tokens=1024,
            messages=[{
                "role": "user",
                "content": f"""Напиши User Story у форматі "Як [роль], я хочу [дія], щоб [цінність]".

Запит: {feature_request}
Персона: {persona}

Включи:
- User Story у правильному форматі
- Acceptance Criteria (5-7 пунктів за GIVEN/WHEN/THEN)
- Story Points (1-13) з обґрунтуванням
- Definition of Done"""
            }]
        )

        return response.content[0].text

Jira інтеграція

from jira import JIRA

class JiraAssistant:

    def __init__(self, server: str, email: str, api_token: str):
        self.jira = JIRA(server=server, basic_auth=(email, api_token))

    def create_tasks_from_feature(
        self,
        project_key: str,
        sprint_id: int,
        feature_description: str,
    ) -> list[str]:
        """Створює задачі в Jira з опису фічі"""
        assistant = PMAssistant()
        tasks = assistant.decompose_feature(feature_description)

        created_issues = []
        for task in tasks:
            issue = self.jira.create_issue({
                "project": {"key": project_key},
                "summary": task.title,
                "description": task.description + "\n\nAC:\n" + "\n".join(
                    f"- {ac}" for ac in task.acceptance_criteria
                ),
                "issuetype": {"name": "Story"},
                "story_points": task.story_points,
                "priority": {"name": task.priority.capitalize()},
                "labels": task.labels,
            })
            created_issues.append(issue.key)

            # Додаємо в спринт
            self.jira.add_issues_to_sprint(sprint_id, [issue.key])

        return created_issues

    def get_sprint_data(self, board_id: int) -> dict:
        """Отримує дані поточного спринту"""
        sprints = self.jira.sprints(board_id, state="active")
        if not sprints:
            return {}

        sprint = sprints[0]
        issues = self.jira.search_issues(
            f"sprint = {sprint.id}",
            maxResults=100,
            fields="summary,status,story_points,assignee,labels"
        )

        return {
            "sprint_name": sprint.name,
            "start_date": str(sprint.startDate),
            "end_date": str(sprint.endDate),
            "issues": [{
                "key": i.key,
                "summary": i.fields.summary,
                "status": i.fields.status.name,
                "story_points": getattr(i.fields, "story_points", 0),
                "assignee": i.fields.assignee.displayName if i.fields.assignee else None,
            } for i in issues]
        }

Як AI-асистент знижує навантаження на PM?

Ключова особливість — використання RAG (Retrieval-Augmented Generation) для доступу до контексту команди: історії спринтів, типових блокувальників, словників термінів. Це знижує галюцинації та підвищує релевантність рекомендацій. Без RAG асистент — просто калькулятор, який не знає специфіки проєкту.

Досвід: 100+ проєктів із впровадження AI у бізнес-процеси, 5 років на ринку. Гарантуємо, що асистент не галюцинує в критичних сценаріях — налаштовуємо few-shot та chain-of-thought для надійності.

Що входить у роботу?

• Документація архітектури та API-специфікація (OpenAPI)
• Вихідний код і Docker-образи
• Доступи та ролі для інтеграції з Jira/Linear/Asana
• Тестовий період 14 днів із доопрацюваннями
• Навчання команди PM (1–2 години)
• Підтримка 1 місяць після запуску

Практичний кейс: продуктова команда 12 осіб

Із практики — наш клієнт, продуктова команда 12 осіб, запускали асистента в Jira. До цього PM витрачав 6 годин на тиждень на адміністративну роботу. Після впровадження:

Задачі, автоматизовані асистентом:

• Декомпозиція епіків → задачі Jira: 10 хв → 2 хв
• Sprint report у Confluence: 45 хв → 5 хв
• Standup summary із даних Jira
• Ризик-аналіз беклогу перед плануванням

Результати:

• Час PM на адміністративні задачі: -38%
• Якість User Stories (оцінка команди): 3.1/5 → 4.2/5
• Sprint completion rate: 71% → 84%
• Економія на overtime: $2400 на місяць

Цей приріст пояснюється тим, що асистент враховує контекст команди (історію спринтів, типові блокувальники) через RAG із векторизованою Knowledge Base. Це знижує кількість miss-kick на плануванні.

Чому важливо налаштувати RAG для асистента?

Без контексту LLM генерує шаблонні відповіді, не враховуючи особливості ваших процесів. RAG (Retrieval-Augmented Generation) підвантажує релевантну інформацію з бази знань — попередні спринти, технічну документацію, угоди команди. Це підвищує точність декомпозиції на 40% та знижує кількість правок. Налаштування RAG — обов'язковий етап впровадження, який потребує підготовки даних.

Терміни та оцінка

• Базовий асистент (декомпозиція + звіти): від 7 робочих днів
• Інтеграція з Jira/Linear/Asana: від 5 днів
• Авто-створення задач + sprint planning: від 5 днів
• Standup bot + weekly digest: від 3–5 днів

Вартість розраховується індивідуально залежно від кількості інтеграцій та необхідних кастомізацій. Отримайте консультацію — оцінимо проєкт під ваш стек.

Типові помилки при впровадженні

• Ігнорування контексту. Асистент без даних про минулі спринти — калькулятор без формул. Потрібен RAG.
• Занадто дорога модель для простих дій. Для написання user story достатньо Haiku, не використовуйте GPT-4o — у 3x виходить швидше і дешевше.
• Відсутність перевірки галюцинацій. Завжди налаштовуйте few-shot шаблон — у нас він перевірений на 1000+ генерацій.

Якщо потрібен надійний AI-асистент під Jira/Linear/Asana — зв'яжіться. Зробимо під ключ за 2–3 тижні. Отримайте консультацію — оцінимо проєкт під ваш стек.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові 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 двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.