Командный workflow с агентами

Новый bottleneck команды

AI может генерировать код быстрее, чем команда успевает его review и integrate. Поэтому bottleneck смещается от написания кода к управлению integration: PR size, merge conflicts, review fatigue, policy gates и ownership.

Что требовать от agent-generated PR

Для agent-generated changes требуйте:

• ссылку на task contract;
• ссылку на spec;
• generated summary;
• risk assessment;
• список checks;
• files changed;
• policy exceptions;
• human review gate, если риск высокий.

Когда допустим conditional LGTM

Для low-risk tasks можно использовать conditional approval:

Approved, если все required checks проходят и в run log нет policy exceptions.

Не используйте это для:

• production operations;
• миграции данных;
• изменения данных пациентов и пользователей;
• auth/security;
• privacy-sensitive поведение;
• задачи с неясным spec.

Уровни continuous reviewer

Уровень	Runtime	Когда подходит
Managed	SaaS reviewer	Достаточно generic code review.
Hybrid	CI job + custom review prompt/skill	Важны team-specific criteria.
Custom	Собственный agent runtime + memory + policy	Нужен cross-PR context или compliance-specific review.

Пример: PR risk summary для clinician report

Так выглядит заполненный summary для реального slice из lab-цепочки (algi-02-clinician-report):

# PR Risk Summary

## Задача
examples/harness-labs/tasks/algi-02-clinician-report.json

## Spec
specs/pain-diary.bdd.md — scenario "privacy-safe clinician summary"

## Что изменилось
- algi/domain.py — добавлен clinician_summary (агрегаты + disclaimer)
- tests/test_clinician_report.py — новые behavior tests

## Оценка риска
| Risk | Level | Mitigation |
| --- | --- | --- |
| Product behavior | medium | BDD spec отревьюирован до run |
| Privacy/security | high | assertNotIn на идентификаторы; run log приложен |
| Data migration | low | схема не менялась |
| Review complexity | low | +2 файла, ~120 строк |

## Проверки
- [x] Unit tests (5 passed, JSONL check_finished exit_code=0)
- [x] Policy: writes только в algi/ и tests/ (policy_check allowed=true)

## Policy exceptions
None.

## Review gate
Conditional LGTM allowed? **no** — privacy-sensitive output.
Required reviewers: backend owner + privacy/domain expert.

Reviewer'у не нужно раскапывать контекст: task, spec, риски и evidence приходят вместе с diff. Privacy-риск помечен high — поэтому conditional LGTM отключён, несмотря на маленький diff. Размер изменения и размер риска — разные вещи.

Что сделать руками

После того как harness построил первый ALGI slice:

1. Заполните PR risk summary через PR Risk Summary Template.
2. Определите нужных reviewers: product, backend, privacy, medical/domain expert.
3. Решите, допустим ли conditional LGTM.
4. Приложите JSONL run log как evidence.

На что не соглашаться

• Ревьюить generated code построчно, но игнорировать spec.
• Позволять AI-generated PR становиться слишком большим.
• Считать approval fatigue личной слабостью, а не process failure.
• Не назначать ownership boundaries для files и APIs.
• Пропускать risk summary, потому что «diff маленький».