LinearB запускає Agentic Studio, щоб надати агентам для написання коду інженерний контекст

LinearB запустила Agentic Studio, щоб перетворювати дані про розробку й випуск програмного забезпечення на контекст, яким керівники інженерних команд і агенти для написання коду можуть послуговуватися під час ухвалення рішень. Платформу представили 2 листопада. Вона поєднує аналіз запитів природною мовою з рівнем інженерного контексту, що охоплює інструменти, якими команди користуються для планування, написання, перевірки та випуску програмного забезпечення.

Цей запуск відображає дедалі гострішу проблему розробки за допомогою ШІ: створення більшої кількості коду саме по собі не допомагає організації швидше випускати корисне програмне забезпечення. Перевірки можуть ставати вузьким місцем, зміни — складнішими для оцінювання, а агенти можуть братися до завдання, не знаючи, які сервіси вразливі й чому важливе певне виправлення.

Згідно з анонсом, Agentic Studio доступна всім клієнтам LinearB. Навички для агентів, зокрема початкова функція, що добирає обсяг зусиль агента відповідно до завдання, перебувають на етапі раннього доступу.

Як перетворити дані про розробку й випуск програмного забезпечення на інженерний контекст

LinearB збирає інформацію про всі етапи розробки й випуску програмного забезпечення та зводить її до спільної моделі. За словами компанії, вона узгоджує ідентифікаційні дані інженерів у Git і системах управління проєктами, пов’язує зміни від завдання в системі обліку до випуску, а також додає атрибуцію внеску ШІ та порівняльні показники, щоб допомогти керівникам інтерпретувати результати.

Важливий крок — пов’язати ці записи між собою. Запит на злиття може здаватися простим, якщо розглядати його окремо, хоча він стосується сервісу, у якому нещодавно виникали інциденти, часто доводилося переробляти роботу або структура відповідальності була складною. Зв’язок зміни з цією історією дає рецензентові або агенту для написання коду інформацію, якої може не бути в самому лише знімку стану репозиторію.

У новій студії керівники можуть ставити запитання звичайною мовою, отримувати пропозиції щодо подальших кроків і за допомогою ШІ створювати метрики, інформаційні панелі та інші матеріали. За словами LinearB, організації можуть визначати, який контекст доступний користувачам, за допомогою вбудованого в платформу рольового контролю доступу.

Цей напрям відповідає рекомендаціям компанії з контекстної інженерії, які наголошують на доборі релевантної інформації замість безладного заповнення контекстного вікна агента. Її підхід враховує код, намір, що стоїть за зміною, зв’язки між системами та межі доступу агента.

Навичка на етапі раннього доступу для добору зусиль відповідно до ризику

Перша навичка для агентів покликана визначати, скільки зусиль потребує завдання з написання коду. За словами LinearB, вона враховує важливість завдання для бізнесу, складність і ризик, використовуючи такі сигнали, як частота переробок, нещодавні інциденти із сервісами та історія відповідальності.

Для зміни з низьким рівнем ризику може вистачити спрощеного опрацювання з меншою кількістю токенів, тоді як для зміни з більшими наслідками можуть знадобитися ретельніший аналіз і тестування. Керівники інженерних команд можуть бачити, як часто завданням призначають низький, середній або високий рівень зусиль. Компанія стверджує, що ця навичка працює з будь-яким агентом для написання коду, однак в анонсі не наведено порівняльних результатів для конкретних агентів і не вказано кількісно фактичну економію токенів.

Ця інженерна ідея корисна, навіть якщо економію ще не підтверджено. Однаковий бюджет на міркування застосовує однаковий підхід і до незначної зміни для обслуговування, і до чутливого виправлення в робочому середовищі. Контекст, адаптований до конкретного завдання, може допомогти приділяти більше уваги роботі, де помилки дорого коштують, і водночас зменшити зайві зусилля для простіших змін.

MCP під’єднує дані до наявних робочих процесів із ШІ

LinearB також надає доступ до інженерної інформації через протокол Model Context Protocol, або MCP. На сторінці продукту MCP описано доступ до метрик розробки й випуску програмного забезпечення, спеціальної звітності та аналізу вузьких місць за допомогою запитів природною мовою, а також рекомендації щодо автоматизації перевірок і маршрутизації завдань.

Це дає командам змогу аналізувати інженерні дані через клієнт із ШІ, не переходячи вручну між інформаційними панелями. MCP забезпечує підключення до інструментів та інформації, а рівень контексту надає специфічні для розробки й випуску програмного забезпечення зв’язки, завдяки яким запит про репозиторій чи команду набуває змісту.

Під час розгортання нової платформи потрібно врахувати одну відмінність. Хоча в анонсі йдеться про рольовий контроль доступу та корпоративні механізми захисту, у загальнодоступному розділі поширених запитань LinearB про MCP доступ до MCP з обмеженнями відповідно до дозволів досі вказано як пункт дорожньої карти. Тому заяву про контроль доступу в новій студії не слід сприймати як підтвердження того, що кожен наявний клієнт MCP уже успадковує всі дозволи LinearB.

Чому збільшення обсягу результатів роботи ШІ може виявити вузькі місця на наступних етапах

В анонсі LinearB наведено бенчмарки ШІ за 2026 рік, сформовані на основі 2,7 мільйона запитів на злиття та даних 83 000 розробників із 253 організацій. За даними компанії, розробники, які використовували ШІ щонайменше у 75% робочих днів, присвячених написанню коду, за тиждень злили на 96% більше запитів, ніж роком раніше.

Ці цифри описують спостережувану активність, а не доводять, що зміни спричинив лише ШІ. Більша кількість злитих запитів на злиття також не свідчить про те, що клієнти отримали вдвічі більше цінності. В окремому місці в релізі наведено результати, згідно з якими зміни, створені за допомогою ШІ, були більшими, а створені агентами запити на злиття чекали на перевірку значно довше. Це показує, як швидше генерування коду може перенести роботу на інші етапи процесу розробки й випуску програмного забезпечення.

Приклад клієнта наочно демонструє цю різницю. За словами LinearB, Kraken використовувала її MCP-сервер разом зі штучним інтелектом, щоб з’ясувати причини затримок під час перевірки коду, і виявила, що часові пояси й доступність рецензентів мали більше значення, ніж великі зміни. Як повідомляється, за чотири місяці Kraken скоротила час перевірки на понад половину на 90-му перцентилі. Опублікована розмова з Kraken дає змогу краще зрозуміти, як дані репозиторію та метрики постачання програмного забезпечення допомагають виявляти вузькі місця.

Від вимірювання впровадження ШІ до вдосконалення процесу постачання програмного забезпечення

LinearB планує додати навички агентів для подальших етапів роботи, зокрема перевірки, злиття та управління. Це плани на майбутнє, які слід відрізняти від нинішньої доступності студії та статусу раннього доступу до навички оцінювання трудомісткості.

Ширша ідея полягає в тому, що агентам для написання коду потрібно розуміти організацію, у якій цей код створюють: що має значення, хто за що відповідає, де попередні зміни спричиняли проблеми та які обмеження діють. Agentic Studio втілює цю ідею в платформі для підвищення продуктивності розробників, а її цінність зрештою визначатиметься якістю та темпом постачання змін, а не обсягом згенерованого коду.