ПРИМЕНЕНИЕ СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ПРИ ПРОЕКТИРОВАНИИ АРХИТЕКТУРЫ ПРИЛОЖЕНИЙ: ОТ ТРЕБОВАНИЙ К РЕАЛИЗАЦИИ

АННОТАЦИЯ

В статье рассматривается применение систем искусственного интеллекта для проектирования архитектуры приложений на всех стадиях жизненного цикла разработки: от формулировки требований до реализации инфраструктуры. Представлен практический кейс использования генеративных моделей для автоматизации архитектурных решений, формирования инфраструктуры как кода и ускорения процессов разработки. Методология исследования основана на анализе данного кейса и интеграции LLM-моделей в процессы DevOps. Результаты исследования показывают, что использование ИИ позволяет снизить трудозатраты на проектирование, обеспечить воспроизводимость решений и повысить масштабируемость приложений. Сделан вывод о перспективности дальнейшей интеграции систем ИИ в инженерные практики и о необходимости выработки стандартов их применения.

ABSTRACT

This paper explores the application of artificial intelligence systems in application architecture design across all stages of the development lifecycle, from requirements specification to infrastructure implementation. A practical case study of generative model usage is presented, demonstrating how AI can automate architectural decisions, generate infrastructure-as-code templates, and accelerate the overall development process. The methodology is based on analyzing this case study and integrating large language models (LLMs) into DevOps pipelines. The results show that using AI reduces design effort, ensures reproducibility of architectural solutions, and improves software scalability. The study concludes that integrating AI into engineering practices is highly promising, highlighting the need for developing standards and guidelines for its effective adoption.

Ключевые слова: искусственный интеллект, архитектура приложений, генеративные модели, инфраструктура как код, DevOps, автоматизация проектирования.

Keywords: artificial intelligence, application architecture, generative models, infrastructure as code, DevOps, design automation.

Введение

Проектирование архитектуры приложения и его инфраструктуры является ключевым этапом жизненного цикла разработки. Этот процесс требует значительных интеллектуальных и временных затрат: необходимо анализировать существующие компоненты, сопоставлять их с бизнес-требованиями и подбирать оптимальные решения [5]. Так, важной задачей является обоснованный выбор технологий взаимодействия сервисов в распределенной архитектуре. Например, при проектировании систем обмена сообщениями необходимо учитывать различия между Apache Kafka и RabbitMQ [3], а также другими платформами обмена сообщениями. Значительное время уходит на подготовку архитектурной документации, написание конфигурационных файлов для настройки процессов доставки приложений в тестовую и промышленную среду, а также их мониторинга [1]. С каждым годом требования к проектам усложняются, а временные затраты возрастают. Современные приложения невозможно представить без мониторинговых систем и механизмов отказоустойчивости. При этом бизнес ожидает максимально быстрой реализации на рынке новых продуктов. Таким образом, ускорение этапов от проектирования до запуска становится критически важным.

В конце 2022 года массовую популярность приобрел ChatGPT [7], что позволило значительно сократить время на поиск информации и проведение анализа в интерактивном режиме. Следующим этапом стало развитие агентных систем, таких как GitHub Copilot [6], интегрированных в среды разработки. Они позволяют держать в фокусе внимания как документацию, так и код проекта, а также автоматически генерировать новые программные артефакты. Параллельно с вышеописанным начала формироваться концепция AI-Driven Development Lifecycle (AI-DLC), в рамках которой искусственный интеллект становится полноценным участником процесса разработки, а не просто вспомогательным инструментом [8].

Цель работы – исследовать эффективность применения AI-Driven Development Lifecycle с использованием современных агентных технологий.

Материалы и методы

Эксперимент проводился в среде Visual Studio Code с использованием агента GitHub Copilot. Подобного рода инструменты выбраны благодаря своей универсальности: они поддерживают различные языки программирования, а также позволяют работать со скриптами и конфигурационными файлами инфраструктуры. В качестве примера рассматривалось проектирование приложения для оформления онлайн-ипотеки по методологии Domain-Driven-Design (DDD) [2], а также создание необходимой инфраструктуры для запуска приложения в разных средах и организации мониторинга. Для воспроизводимости эксперимента использовалась методика с заранее заготовленными промптами, хранящимися в директории .github/prompts. Это позволяло вызывать их в агенте как команды.

Сценарий работы

1. Исходные данные – файл с требованиями содержит бизнес-описание и архитектурные ограничения (requirements.md). Файл с требованиями показан на рисунке 1.

Рисунок 1. Файл requirements.md с бизнес-требованиями; вызов промпта adr.prompt.md как команды для генерации ADR в среде Visual Studio Code

2. Выполнение Промпта 1 (генерация ADR). Во всех шагах сценария используются упрощенные версии промптов, приведенные для демонстрационных целей.

adr.prompt.md:

---

mode: 'agent'

model: GPT-5

description: 'Generate ADR with technology choices justification'

---

Проанализируй файл с бизнес и архитектурными требованиями и сгенерируй ADR с обоснованием выбора технологий.

Агент анализирует файл с требованиями и генерирует документ архитектурных решений (Architecture Decision Record, ADR) – артефакт, фиксирующий архитектурные решения с обоснованием выбора технологий. Результат показан на рисунке 2.

3. Архитектор оценивает предложенные решения и при необходимости корректирует их. Пример редактирования ADR приведен на рисунке 2.

Рисунок 2. Сгенерированный файл ADR (0001-architecture-and-stack.md) с обоснованием выбора технологий; на этапе корректировки архитектор изменяет одно из предложенных решений

4. Выполнение Промпта 2 (структура проекта).

project-structure.prompt.md:

---

mode: 'agent'

model: GPT-5

description: 'Generate project and folder structure with dependencies'

---

На основе записей ADR создай структуру каталогов и csproj проектов решения, укажи зависимости между ними.

Результат генерации структуры проекта показан на рисунке 3.

Рисунок 3. Сгенерированная структура проекта и файл README.md с описанием зависимостей между слоями

5. Архитектор повторно проверяет результат и при необходимости вносит изменения.

6. Выполнение Промпта 3 (инфраструктура и деплой). Сгенерированные файлы показаны на рисунке 4.

infra-deploy.prompt.md:

---

mode: 'agent'

model: GPT-5

description: 'Generate IaC configuration and CI/CD pipeline for deployment'

---

На основе архитектурных требований и ADR сгенерируй файлы для конфигурации инфраструктуры и автоматизированного деплоя приложения.

Рисунок 4. Сгенерированные файлы Terraform на основе промпта infra-deploy.prompt.md для описания инфраструктуры и автоматизированного деплоя приложения