186 команд и 54 агента: как Claude Night Market автоматизирует TDD, code review и поддержку проектов без ручных скриптов

Я — Денис Шохирев, архитектор агентных AI-систем из Фрайбурга. В DennisCraft AI Studio я внедряю автономные мультиагентные системы на базе Claude, Supabase, n8n, Doppler и своей инфраструктуры Postgres для B2B-клиентов в Германии, Австрии и Швейцарии. На проде нет времени объяснять агенту, что он забыл schema.sql или пропустил тесты — всё должно ловиться до коммита, без ручных скриптов.

Проблема: Автоматизация TDD и поддержки в реальном проде

Когда речь заходит о production-ready AI-системах, хаос начинается там, где нет жёсткой автоматизации на уровне тестов, code review и поддержки. Я видел, как за месяц в промышленной цепочке появляются дыры: тестовые пайплайны ломаются, LLM-агенты генерируют небезопасный SQL, а code review превращается в рутину. 186 команд в моём Night Market и 54 специализированных агента закрывают эти дыры — и делают это без ручного копипаста и bash-скриптов.

Архитектура: 54 агента как паттерн, а не фреймворк

В Night Market нет "магического" продукта или очередного orchestration layer. Агент — это паттерн: связка Claude Code, Supabase, n8n и нескольких утилит для конкретной задачи. Пример — агент для автотестирования пайплайнов:

import supabase
import subprocess

def run_pytest():
    result = subprocess.run(["pytest", "--maxfail=1", "--disable-warnings"], capture_output=True, text=True)
    return result.stdout

def log_result(supabase_client, log):
    supabase_client.table("test_logs").insert({"log": log}).execute()

if __name__ == "__main__":
    sb = supabase.create_client("SUPABASE_URL", "SUPABASE_KEY")
    log = run_pytest()
    log_result(sb, log)

Это типовой агент: берет команду из очереди, исполняет её (TDD или code review), сохраняет результат в Supabase и пушит alert через n8n, если нужно.

Как работают 186 команд: без скриптов и ручного пайплайна

Все команды Night Market — это декларативные JSON-объекты, которые агенты забирают из Supabase. Пример команды для проверки безопасности Python-кода:

{
  "type": "security_scan",
  "tool": "semgrep",
  "target": "repo/src/",
  "ruleset": "p/ci"
}

Агент парсит команду, вызывает semgrep с нужными правилами, сохраняет summary в базу и триггерит уведомление, если найдены критические паттерны (например, CWE-89).

Реальные метрики: что ловится в проде

На трёх последних внедрениях агенты поймали один и тот же баг: LLM-генерируемый backend-код с неконтролируемым user input, который приводил к SQL-инъекциям в Postgres. Система сразу блокировала pull request и отправляла лог через n8n в Slack. Без интеграции semgrep и bandit это бы ушло в прод. Аналогично, gitleaks ловит hardcoded API-ключи — в 2 кейсах это спасло от утечки прод-секретов.

Как устроены code review и поддержка

Code review — это отдельный агент, который использует Claude Code и OpenAI Cookbook (https://github.com/openai/openai-cookbook) для анализа pull request. Алгоритм:

1. Парсинг diff с помощью Claude Code.
2. Запуск semgrep/bandit/gitleaks по diff.
3. Сравнение с внутренней базой известных паттернов.
4. Автоматическая генерация summary и рекомендации в Supabase.
5. Push в n8n для оповещения ревьюера.

Поддержка — это отдельные агенты, которые мониторят логи ошибок (через Supabase triggers) и запускают remediation-скрипты, если ошибка повторяется более 3 раз за 24 часа.

Управление секретами: Doppler и Supabase

Секреты (ключи, токены, пароли) не хранятся в коде. Doppler управляет всеми секретами: агенты получают временные токены через API, и каждый агент работает в отдельной среде. Это критично для compliance в DACH. Если секрет устарел или скомпрометирован — автоматическая ротация по webhook.

Публичная система: Night Market live

Часть Night Market доступна публично: live.gerdennisai.com. Там можно наблюдать, как агенты реально исполняют команды, генерируют отчёты и реагируют на инциденты. Вся архитектура построена на открытых инструментах — никаких "чёрных ящиков".

FAQ

Какой стек лучше всего интегрируется с Claude Code?

Supabase для хранения задач и логов, n8n для оркестрации, Doppler для управления секретами, плюс стандартные open-source security-инструменты.

Сколько агентов реально нужно для SME-команды?

В среднем — от 7 до 15, если покрывать только тесты, code review и мониторинг. Но масштабировать легко до 50+ на enterprise-уровне.

Можно ли использовать Night Market для non-Python проектов?

Да, паттерн поддерживает любые языки: достаточно подменить инструменты (например, eslint для JS, shellcheck для bash).

Какой этап pipeline чаще всего ловит уязвимости?

По моим наблюдениям, самое полезное — pre-commit + code review. Но runtime monitoring критичен для сложных интеграций.

Как Night Market проходит комплаенс-аудит?

Весь стек логируется, все секреты — только через Doppler, никакие LLM-токены не хранятся в открытом виде, отчёты доступны для внешнего аудита.

Ваша команда ловит больше багов на стадии статического анализа, runtime или ручного ревью? Напишите, где у вас затык в проде. Я делаю бесплатный 30-мин аудит стека для DACH-команд, кто строит AI в регуляторных рынках. Пишите в LinkedIn или @ger_dennis_ai.