Вебинар Veai. Качество кода в эпоху AI: как не утонуть в багах и уязвимостях 2026

Описание

AI-кодинг уже стал массовой практикой. Но если просто дать агенту задачу в чат и принять сгенерированный diff, команда быстро получает не ускорение, а новый слой технического долга.

В этом вебинаре говорим не про “волшебные промпты”, а про инженерный контур качества вокруг AI-разработки:
– где именно ошибается LLM-агент: от понимания задачи до проверки результата;
почему AI-дефекты сложнее ловить на ревью;
– как спецификация помогает не дать агенту додумать бизнес-логику за вас;
когда SDD и TDD действительно окупаются;
почему один агент не должен писать код, тесты и ревьюить сам себя;
– какие проверки нужны вокруг AI-кода: линтеры, типы, SAST, SCA, DAST, fuzzing, property-based tests;
– как собрать AI-review pipeline из узких ревьюеров;
– зачем нужен triage, если ревью делают модели;
– почему вывод LLM нужно подтверждать артефактами: логом тестов, отчётом анализатора, профилем или метрикой.
– Главная мысль вебинара: AI действительно ускоряет разработку, но только если вокруг него построен нормальный инженерный процесс. Чем автономнее агент, тем жёстче должны быть границы и независимее проверка.

Таймкоды
00:00 — Старт вебинара
02:26 — О чём будем говорить: качество AI-кода, баги, уязвимости, ревью
04:10 — План: ошибки LLM, способы борьбы, AI-review pipeline, гибридизация анализа программ
05:01 — Контекст рынка: AI-инструменты уже в рабочем процессе разработчиков
06:39 — Ожидания vs реальность: продуктивность, PR-ревью, уязвимости
09:08 — Почему проблема чаще всего не в агентах, а в процессе
12:35 — Где ломается агентская цепочка
14:14 — Ошибки понимания задачи и потеря бизнес-смысла
17:42 — Ошибки планирования, ложный прогресс и reward hacking
19:41 — Галлюцинации API, устаревшие контракты и supply chain риск
22:13 — Безопасность AI-кода: секреты, prompt injection, избыточные права
24:06 — Верификация результата: почему “тесты прошли” не доказательство
27:38 — Почему ручного ревью AI-кода недостаточно
29:30 — Переход от промпта к инженерному пайплайну
31:17 — Spec-Driven Development: спецификация как граница задачи
32:54 — Spec-first, spec-anchored, spec-as-source
34:33 — Что должно быть в хорошей спецификации
35:18 — EARS: как писать требования без двусмысленности
36:08 — Типичный SDD-цикл для LLM-агента
43:41 — TDD для LLM: тест как исполняемый промпт
47:23 — Почему роли агента нужно разделять
48:40 — Test hacking и защита от подгонки под метрику
49:56 — Где TDD окупается, а где только мешает
52:13 — Почему SDD и TDD не закрывают все риски
53:48 — AGENTS.md, rules, agentignore, skills и hooks
55:18 — Линтеры, типы и архитектурные ограничения
56:09 — SAST, DAST, SCA и другие security-инструменты
56:58 — Fuzzing и property-based testing
58:24 — Unit, integration и E2E-тесты для AI-кода
01:00:40 — Зачем нужен AI-review
01:02:50 — Локальное ревью: чем меньше scope, тем выше точность
01:03:30 — Большой review pipeline для PR
01:06:54 — Узкие ревью-сабагенты и triage
01:08:43 — Как собрать review pipeline из истории своего проекта
01:12:02 — Гибридизация: LLM + формальные инструменты анализа
01:13:46 — Property-based testing, fuzzing и анализ производительности с LLM
01:15:31 — Финальный пайплайн безопасной AI-разработки


Сайт: https://veai.ru
Мы в Телеграм: https://t.me/Veaicode
Мы в Макс: https://max.ru/join/y0Ww7-2L61pazl4CqjNIiq8KHGTW4cwNxFkM9wAgPes