AI-генерація user stories та acceptance criteria під ключ

Кожна друга user story у спринті повертається на доопрацювання — надто абстрактне формулювання, розмиті критерії приймання або технічний жаргон. Скрам-мастер витрачає 2 години на quality review, а розробники втрачають контекст. За даними Agile-спільноти, близько 30% історій потребують переписування через нечіткі acceptance criteria. Ми автоматизуємо цей етап за допомогою AI-генератора, який створює структуровані, тестовані історії з урахуванням доменної логіки. Рішення впроваджується під ключ, зі своєю векторною базою знань та інтеграцією з Jira. Зниження rework досягає 60%, а витрати на спринти скорочуються за рахунок виключення правок.

Як працює контекстна генерація user stories?

Ключова відмінність від простого промпту до ChatGPT — використання контексту з кількох джерел: опис фічі, дані про персонажів, існуючі історії та документація продукту. Все це зберігається у векторній базі Qdrant і підтягується через RAG-пайплайн. Ми використовуємо LLM з доналаштуванням під домен, що дає точність на рівні 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 = """Ти — досвідчений продакт-менеджер з технічним бекграундом.
Генеруй user stories за стандартом: As a [role], I want [action], so that [benefit].

Правила якісної user story:
- Роль — конкретний користувацький сегмент, не «користувач»
- Дія — одна, вимірювана, не змішуй кілька дій
- Користь — бізнес-результат, не технічна реалізація
- Acceptance criteria — тестовані умови у форматі Given/When/Then
- Кожна історія має бути виконаною за 1–3 дні розробки"""

    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]:

        # Витягуємо релевантний контекст з бази знань
        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 продукту:
{context}

Персонажі користувачів:
{self._format_personas(persona_data)}

Опис фічі: {feature_description}

{"Вже існуючі історії (уникай дублювання): " + str(existing_stories) if existing_stories else ""}

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

Поверни JSON-масив об'єктів UserStory."""

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

Чому RAG краще простого промпту?

Звичайний промпт до LLM генерує історії у відриві від контексту проєкту. RAG-пайплайн підтягує релевантні фрагменти документації, терміни та існуючі історії — це знижує галюцинації та підвищує точність у 3 рази за метрикою BLEU. Порівняйте моделі на реальних даних:

Для типових проєктів достатньо Llama 3 з доналаштуванням під домен. Якщо критична точність рідкісних кейсів — використовуємо GPT-4o з техніками prompt engineering для Few-Shot chain-of-thought.

Чому acceptance criteria у форматі Given/When/Then важливо?

Погана критерія: «Система має працювати коректно». Хороша: «Given користувач знаходиться на сторінці замовлення, When він натискає "Підтвердити" і сесія активна, Then замовлення створюється зі статусом "Pending", користувач отримує email з номером замовлення протягом 30 секунд». Саме такі AC ми навчилися генерувати за допомогою few-shot промптингу на реальних прикладах з вашого проєкту.

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"""Приклади якісних acceptance criteria:
{examples_text}

Тепер створи AC для: {story.action}
Роль: {story.role}
Користь: {story.benefit}

Кожен AC має бути повністю тестованим (Given/When/Then)."""

Кейс: e-commerce платформа, 8 product teams. Раніше quality review user stories займав 2 години в sprint planning — третина історій поверталися на доопрацювання через розмиті AC. Після впровадження генератора з контекстною базою (150 прикладів якісних історій + документація домену) — відсоток повернень знизився з 34% до 9%, час на написання історій скоротився на 60%. Досвід нашої команди гарантує, що ви отримаєте аналогічний результат. Економія на доопрацюваннях становить до 40% бюджету спринту. Зв'яжіться з нами для демо на ваших даних.

Що входить у роботу під ключ

Генерація епіків та декомпозиція

Ми також пропонуємо автоматичне розбиття епіків на спринти з оцінкою ємності команди. Це прискорює планування та знижує ризик перевантаження спринту.

Як ми налаштовуємо пайплайн під ваш проєкт?

Завантажуємо вашу документацію, словник термінів та приклади історій. Потім підбираємо модель (зазвичай Llama 3 або GPT-4o), налаштовуємо few-shot промпти з ланцюжком міркувань. Весь процес займає до 2 тижнів. Отримайте консультацію щодо впровадження — оцінимо ваш проєкт за 1 день.

Терміни

• Базовий генератор (GPT-4o + шаблони): 1–2 тижні
• Контекстна база з RAG та прикладами проєкту: 2–3 тижні додатково
• Інтеграція з Jira/Linear: 1 тиждень

Хочете оцінити, як рішення впишеться у ваш процес? Зв'яжіться з нами — за 1 день оцінимо проєкт і покажемо прототип на ваших даних. Отримайте консультацію щодо впровадження AI-генератора user stories та позбавте свою команду від нескінченних правок.

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.