Как сделать чтобы AI агент учился на своих ошибках

История коммитов — это не просто лог. Это датасет для самоанализа вашей архитектуры.

В большом AI-проекте, который живёт годами, контекст инженерных решений неизбежно размывается. Почему пять лет назад выбрали именно этот подход? Что заставило переписать тот модуль трижды? Память подводит, документация устаревает. Но есть источник правды, который не врёт и ничего не забывает — `git log`.

Многие мечтают о «самообучающейся» архитектуре, которая развивается на основе собственного опыта. Так вот, это не фантастика. Система сама обращается к истории коммитов как к хронологическому датасету, чтобы проанализировать собственную эволюцию. Обучается, конечно, не сама языковая модель, а экосистема вокруг неё.

Но есть и второй, не менее важный слой. Анализируя историю изменений, вы видите не только эволюцию кода, но и свою собственную. Это как дзен-ретроспектива: наглядно видно, как тактическое латание дыр сменялось стратегическим проектированием.

Как это работает на практике. Система берёт список из 20–30 ключевых компонентов, извлекает историю коммитов и запускает LLM-анализ с промптом вроде этого:

> «Перед тобой хронологический лог изменений проекта. Проанализируй траекторию трансформации указанных модулей. Определи точки перелома: когда усложнялась архитектура? Какие компоненты менялись чаще всего и почему? Как менялась связанность (coupling) между ними? Сделай выводы о жизнеспособности архитектурных решений и о том, как менялся подход автора к проектированию».

На выходе получается структурированный технический аудит, который заменяет субъективную рефлексию объективными данными из истории.

– Идентификация архитектурного долга. Система находит модули с аномально высокой частотой правок (churn). Если компонент постоянно переписывают, это флаг: либо идёт здоровый эксперимент, либо мы имеем дело с нестабильными требованиями или неудачным решением. Стабильные модули, наоборот, подтверждают верность изначальной архитектуры.

– Анализ эволюции мышления архитектора. LLM подсвечивает, как простые интеграционные скрипты со временем превращались в изолированные сервисы со своими протоколами. Это объективное отражение вашего роста — от тактического кодинга к стратегическому проектированию экосистем.

– Выявление неявных зависимостей. Система находит скрытые связи, которые не видны глазу. Например: «в 80% случаев правки в модуле А влекли за собой изменения в модулях Б и В». Это прямой сигнал к рефакторингу и маркер того, где прошлые допущения не выдержали проверки временем.

Конечно, в большом проекте нельзя просто скормить сырой `git log` в LLM. Потребуются скрипты для предварительной обработки и фильтрации. Но это решаемая инженерная задача, а слой интерпретации поверх сырых данных — ключ к инсайтам.

История коммитов — это объективная реальность, лишённая искажений человеческой памяти. LLM выступает в роли интерпретатора, который превращает этот гигантский лог изменений в структурированные выводы.

В итоге вы получаете не просто технический аудит. Вы даёте системе возможность стать по-настоящему самообучающейся, а себе — объективное зеркало для профессиональной рефлексии.