01
Kittl Agentic AI
Текущий production experience: ownership Agentic AI project в Kittl — от архитектуры и technical direction до production delivery.
AI-NATIVE DELIVERY SYSTEM SPRINT
Превратите coding agents в повторяемую delivery system.
Для небольших software и AI product teams, которые уже активно используют coding agents, но всё ещё зависят от founder или senior engineers в context, направлении, проверках и доведении задач до результата.
Мы берём один повторяющийся production workflow и превращаем постоянную ручную guidance вокруг него в поддерживаемую agent-ready систему.
PRODUCTION AI ENGINEERING
Production AI engineering — не prompt demos.
02
AI-assisted technical sign-off
Спроектирован AI-assisted engineering sign-off workflow, который используется примерно в пяти product teams и 23 проектах.
03
AI Change Verification — open source
Мы разработали и открыли в open source evidence-accountable verification workflow для AI-assisted code changes до human review — с deterministic evidence, обработкой unresolved risks и явным human judgment.
AI Change Verification на GitHubКОГДА AGENT БЫСТРЫЙ, НО ЧЕЛОВЕК ВСЁ ЕЩЁ ОСТАЁТСЯ СИСТЕМОЙ
AI может писать больше кода. Это ещё не значит, что вы делегировали workflow.
01
Context каждый раз собирается заново
Architecture, repository rules, предыдущие решения и task intent приходится постоянно восстанавливать или объяснять агенту заново.
02
Senior engineers всё ещё вынуждены шаг за шагом направлять execution
Agent быстро выдаёт результат, но founder или senior engineer постоянно поправляет направление, снимает неоднозначность и повторяет одни и те же проверки.
03
Хорошие AI-практики остаются личными
Полезные prompts, skills, conventions и verification habits живут в индивидуальных настройках вместо общей поддерживаемой системы.
Если coding agents ещё не используются существенно в реальной разработке, этот Sprint, скорее всего, пока не нужен.
SPRINT
Превратите повторяющуюся senior guidance в систему, которую agents могут использовать повторно.
Мы выбираем один повторяющийся workflow, где человеческая guidance постоянно повторяется, и делаем нужный context, constraints, checks и escalation points доступными самой системе.
Intervention зависит от реального workflow. Мы не устанавливаем generic «agent stack».
Цель — безопасно делегировать больше реальной инженерной работы при меньшем количестве повторяющегося senior intervention.
- 01
Shared repository context и skills
Для architecture, conventions и прошлых решений.
- 02
Task и acceptance contracts
Чтобы меньше direction восстанавливалось во время execution.
- 03
Tool access там, где он убирает ручную работу
CLI, APIs или MCP-style connections при реальной пользе.
- 04
Deterministic checks и hooks
Tests, linting и typechecks до human attention.
- 05
Stop, escalation и human-judgment boundaries
Чтобы было ясно, что агент завершает сам, а что возвращается человеку.
- 06
Один повторяемый delivery loop
Например: task → implementation → checks → evidence → human decision.
Пять рабочих дней, один повторяющийся workflow.
- 01
Выбираем workflow и baseline
Определяем, где founder/senior time всё ещё регулярно тратится вокруг агента.
- 02
Делаем context и constraints доступными системе
Переводим ключевые implicit knowledge, решения и non-negotiables в форму, которую workflow может надёжно использовать.
- 03
Строим недостающие checks и agent loop
Внедряем минимальный набор skills, tools, checks, hooks и escalation logic.
- 04
Проверяем на живой работе
Тестируем систему на реальных задачах, а не в demo repository.
- 05
Handoff
Оставляем рабочую конфигурацию, evidence, известные ограничения и короткий runbook.
FIT
Лучше всего подходит небольшой команде, которая уже реально зависит от coding agents.
Часто это команды примерно 2–10 человек, но headcount не является главным критерием. Важно, стала ли повторяющаяся senior guidance частью стоимости использования agents.
GOOD FIT
- coding agents используются каждый день
- founder/CTO/senior регулярно повторяют context или corrections
- есть хотя бы один recurring workflow
- есть production repo
- нужна implementation, а не generic AI training
NOT A FIT
- команда только начинает экспериментировать с AI
- нет повторяющегося workflow
- основная проблема — product-market fit
- нужен generic prompting training или широкая company-wide AI transformation
РАБОТА НАПРЯМУЮ С ИНЖЕНЕРАМИ
Инженеры, которые выполняют работу
AI & Software Engineering Lead
Yaroslava Suspitsina
Senior software engineer с фокусом на production AI systems, agentic architecture и engineering workflows. Сейчас она работает в Kittl, где отвечала за Agentic AI project от архитектуры и technical direction до production delivery. Также она проектировала AI-assisted review, testing и quality workflows для нескольких product teams.
- Текущая работа над Kittl Agentic AI project и production delivery.
- AI-assisted technical sign-off workflow примерно для пяти product teams и 23 проектов.
- Agentic architecture, testing, CI quality automation, Playwright, debugging и engineering enablement.
AI/ML Engineer
Valerii Safonov
AI/ML engineer с опытом в machine learning, quantitative modelling, NLP/RAG, computer vision и production-oriented AI systems. MSc in Computer Science с фокусом на machine learning; прикладной AI engineering experience — как минимум с 2020 года.
- MSc in Computer Science с фокусом на machine learning.
- Прикладная AI/ML работа в quantitative modelling, NLP/RAG, computer vision и production engineering.
- Ранняя прикладная работа по обнаружению и оценке technology trends с ответственностью за данные, архитектуру и engineering methods.
Никакой передачи от sales к junior delivery team. Люди, которых вы видите здесь, работают над engagement.
FIXED-SCOPE SPRINT
Один production repo. Один повторяющийся workflow. Пять рабочих дней.
€2 500 фиксировано
+ VAT, если применимо
5 рабочих дней · 1 production repo · 1 повторяющийся workflow · implementation в реальном environment · live trial · handoff.
Если сначала мы не сможем определить recurring workflow, где такая intervention может быть действительно полезна, этот Sprint вам не подходит.
Постоянный retainer не требуется. Любая дальнейшая работа согласуется отдельно только при наличии понятной причины.
Вопросы перед Sprint
Это AI training?
01Нет. Sprint предполагает, что команда уже использует coding agents. Мы работаем с инженерной системой вокруг одного реального workflow, а не обучаем generic prompting.
С какими coding agents и tools вы работаете?
02Sprint tool-neutral. Конкретная intervention зависит от tools, которые уже использует команда, и при необходимости может включать repository context, agent skills, CLI/API integrations, MCP-style connections, checks, hooks или изменения workflow.
Sprint только для команд из 2–10 человек?
03Нет. Это частый fit, но не жёсткое ограничение. Главный критерий — стала ли повторяющаяся guidance со стороны founder или senior engineer заметной частью стоимости использования agents.
Нужно ли мигрировать на новую платформу?
04Нет. Мы предпочитаем улучшать существующий engineering environment. Смена tool или платформы имеет смысл только тогда, когда она конкретно оправдана выбранным workflow.
Какой доступ вам нужен?
05Только ограниченный доступ, необходимый для понимания и улучшения выбранного repository workflow. Существующие security controls и human approval boundaries сохраняются.
Вы гарантируете рост продуктивности?
06Нет. Мы не обещаем фиксированный процент. Sprint специально ограничен, чтобы команда могла проверить на одном конкретном workflow, снижает ли реальное системное изменение повторяющиеся человеческие затраты.
Что, если наш bottleneck шире, чем agent babysitting?
07Тогда, скорее всего, лучше подходит AI Engineering Workflow Sprint. Он рассчитан на более широкий delivery bottleneck вокруг context, requirements, architecture, rework, verification, review или coordination.
Что происходит после пяти рабочих дней?
08Sprint заканчивается handoff. Команда сохраняет внедрённый setup, evidence и runbook. Автоматического продолжения consulting нет.
Контакт
Покажите agent workflow, который всё ещё требует слишком много человеческой guidance.
В нескольких предложениях укажите размер команды, используемые AI/coding tools и один recurring workflow, где постоянно повторяются context, corrections, checks или human intervention.