LinearB запускает Agentic Studio, чтобы предоставить агентам для написания кода инженерный контекст

LinearB запустила Agentic Studio, чтобы преобразовывать данные о разработке и выпуске программного обеспечения в контекст, которым руководители инженерных подразделений и агенты для написания кода могут пользоваться при принятии решений. Платформа, о запуске которой объявили 2 ноября, объединяет анализ на естественном языке с уровнем инженерного контекста, охватывающим инструменты, с помощью которых команды планируют, пишут, проверяют и выпускают программное обеспечение.

Запуск отражает растущую проблему разработки с применением ИИ: увеличение объёма создаваемого кода само по себе не помогает организации быстрее выпускать полезное программное обеспечение. Проверка изменений может стать узким местом, оценивать их становится сложнее, а агенты могут приступать к задаче, не зная, какие сервисы уязвимы и почему важна та или иная доработка.

Согласно объявлению, Agentic Studio доступна всем клиентам LinearB. Навыки для агентов, включая первую функцию, позволяющую соотносить затрачиваемые агентом усилия с задачей, доступны в рамках раннего доступа.

Преобразование данных о разработке и выпуске ПО в инженерный контекст

LinearB собирает информацию о разработке и выпуске программного обеспечения и приводит её к единой модели. Компания утверждает, что сопоставляет данные об инженерах в Git и системах управления проектами, связывает изменения с задачами — от постановки до выпуска, — а также добавляет сведения об использовании ИИ и сравнительные показатели, чтобы руководители могли интерпретировать результаты.

Важно связать эти записи между собой. В отдельности запрос на слияние может выглядеть простым, хотя он затрагивает сервис, в котором недавно происходили сбои, часто приходилось переделывать работу или сложно определить ответственность. Связь изменения с этой историей даёт проверяющему или агенту для написания кода информацию, которой может не быть в одном лишь снимке репозитория.

В новой студии руководители могут задавать вопросы обычным языком, получать рекомендации о дальнейших действиях и с помощью ИИ создавать метрики, информационные панели и другие материалы. По словам LinearB, организации могут определять, какой контекст доступен пользователям; в платформе предусмотрено управление доступом на основе ролей.

Это направление соответствует рекомендациям компании по проектированию контекста, в которых подчёркивается важность отбора релевантной информации вместо бесконтрольного заполнения контекстного окна агента. Эта модель учитывает код, цель изменения, связи между системами и ограничения доступа агента.

Навык раннего доступа для соотнесения объёма усилий с риском

Первый навык для агентов предназначен для определения того, сколько усилий требует задача по написанию кода. По словам LinearB, он учитывает значимость задачи для бизнеса, её сложность и риски, опираясь на такие сигналы, как частота переделок, недавние сбои сервисов и история распределения ответственности.

Для изменения с низким уровнем риска может применяться упрощённый подход с меньшим количеством токенов, тогда как более значимое изменение может потребовать более тщательного анализа и тестирования. Руководители инженерных подразделений могут видеть, как часто задачи относятся к низкому, среднему или высокому уровню усилий. Компания утверждает, что навык работает с любым агентом для написания кода, однако в объявлении не приводятся сравнительные результаты для конкретных агентов и не оценивается фактическая экономия токенов.

Инженерная идея полезна, даже если экономический эффект пока не подтверждён. Единый бюджет на рассуждения предполагает одинаковый подход к небольшому изменению для обслуживания и критически важному исправлению в рабочей среде. Контекст, учитывающий особенности задачи, может помочь уделять больше внимания тем случаям, где ошибки обходятся дорого, и не тратить лишние усилия на более простые изменения.

MCP связывает данные с существующими рабочими процессами на основе ИИ

LinearB также предоставляет доступ к инженерной информации через протокол Model Context Protocol (MCP). На странице продукта MCP описан доступ на естественном языке к метрикам разработки и выпуска ПО, пользовательской отчётности и анализу узких мест, а также рекомендации, например по автоматизации проверки и распределению задач.

Это позволяет командам изучать инженерные данные через ИИ-клиент, не переключаясь вручную между информационными панелями. MCP обеспечивает подключение к инструментам и информации, а уровень контекста добавляет специфические для разработки и выпуска ПО взаимосвязи, благодаря которым вопросы о репозитории или команде обретают смысл.

По мере внедрения новой платформы важно разобраться в одном различии. Хотя в описании запуска упоминаются управление доступом на основе ролей и корпоративные механизмы защиты, в общедоступном разделе часто задаваемых вопросов LinearB о MCP доступ к MCP с учётом разрешений по-прежнему указан как функция, запланированная к выпуску. Поэтому заявление об управлении доступом в новой студии не следует считать подтверждением того, что каждый существующий MCP-клиент уже наследует все разрешения LinearB.

Как увеличение объёма результатов работы ИИ выявляет узкие места на последующих этапах

В объявлении LinearB приводятся показатели использования ИИ за 2026 год, рассчитанные на основе 2,7 миллиона запросов на слияние и данных о 83 000 разработчиков из 253 организаций. По данным компании, разработчики, использовавшие ИИ не менее чем в 75% дней, посвящённых написанию кода, за неделю слили на 96% больше запросов, чем годом ранее.

Эти цифры описывают наблюдаемую активность, но не доказывают, что её изменение было вызвано исключительно ИИ. Кроме того, большее число слитых запросов на слияние ещё не означает, что клиенты получили вдвое больше пользы. В релизе отдельно приводятся данные о том, что изменения с использованием ИИ были крупнее, а созданные агентами запросы на слияние ожидали проверки значительно дольше. Это показывает, как ускоренная генерация кода может перенести нагрузку на остальные этапы разработки и выпуска ПО.

Пример одного из клиентов наглядно показывает это различие. По словам LinearB, Kraken использовала MCP-сервер компании вместе с ИИ, чтобы выяснить причины задержек при проверке кода, и обнаружила, что часовые пояса и доступность проверяющих влияли на сроки сильнее, чем крупные изменения. Как сообщается, за четыре месяца Kraken сократила время проверки на 90-м перцентиле более чем вдвое. Опубликованный разбор работы с Kraken подробнее показывает, как данные репозиториев и метрики разработки помогают выявлять узкие места.

От измерения внедрения ИИ — к повышению эффективности разработки

LinearB планирует разработать дополнительные навыки для агентов, предназначенные для последующих этапов работы, например проверки кода, слияния изменений и управления процессами. Это планы на будущее, не связанные с нынешней доступностью студии и статусом раннего доступа навыка оценки трудозатрат.

В основе более широкой идеи лежит тезис о том, что кодовым агентам необходимо понимать организационный контекст работы с кодом: что важно, кто за что отвечает, где ранее возникали проблемы при внесении изменений и какие ограничения действуют. Agentic Studio переносит эту идею на платформу повышения продуктивности разработчиков. В конечном счёте её ценность будет определяться качеством и темпом поставки изменений, а не объёмом сгенерированного кода.