Über mich Portfolio Referenzen Leistungen Blog Kontakt 🎙 Mit KI sprechen
EN DE RU
🎙 Mit KI sprechen
November 16, 2026 · 5 min read

Когда 5 AI-агентов пушат код в один репозиторий, хаос начинается на второй день: как вернуть контроль через source control для агентов

Я Denis Shokhirev, Agentic AI Systems Architect из Freiburg im Breisgau, Germany, и в DennisCraft AI Studio я собираю production AI-системы на Claude, Supabase, n8n, Doppler и self-hosted Postgres для B2B-клиентов в DACH. Самый неприятный момент в multi-agent разработке наступает не тогда, когда агент пишет плохой код, а когда 5 агентов начинают писать нормальный код одновременно в один репозиторий, и на второй день уже никто не может объяснить, кто сломал миграцию, кто удалил guardrail, и почем

Denis Shokhirev
Denis Shokhirev
Agentic AI Systems Architect
Telegram LinkedIn

Я Denis Shokhirev, Agentic AI Systems Architect из Freiburg im Breisgau, Germany, и в DennisCraft AI Studio я собираю production AI-системы на Claude, Supabase, n8n, Doppler и self-hosted Postgres для B2B-клиентов в DACH. Самый неприятный момент в multi-agent разработке наступает не тогда, когда агент пишет плохой код, а когда 5 агентов начинают писать нормальный код одновременно в один репозиторий, и на второй день уже никто не может объяснить, кто сломал миграцию, кто удалил guardrail, и почему test fixtures внезапно утекли в main.

Проблема здесь не в Git как таковом. Проблема в том, что обычный source control предполагает человека-автора, а агентный контур создает поток мелких, частых, частично зависимых изменений, где авторов много, а ответственности по умолчанию нет. Если не ввести правила для веток, прав доступа, review, статического анализа и rollback, AI-агенты очень быстро превращают репозиторий в шумный журнал событий.

Почему хаос начинается именно на второй день

В первый день все выглядит аккуратно: один агент генерирует CRUD, второй пишет тесты, третий обновляет документацию, четвертый правит SQL, пятый меняет workflow в n8n. На демо это даже впечатляет. На второй день начинается накопление состояний: агент не видит свежую миграцию, другой перезаписывает импорт, третий исправляет линтер и задевает бизнес-логику, четвертый добавляет секрет в конфиг, потому что в контексте не было политики работы с credentials.

Что ломается на практике

На моих последних внедрениях повторялись 4 класса проблем. Первый — конфликтующие изменения в shared files: schema.prisma, package.json, alembic migration, API contract. Второй — потеря контекста: агент исправляет задачу по старому состоянию ветки. Третий — нарушение policy: insecure dependency, hardcoded token, прямой SQL без параметризации. Четвертый — размывание ответственности: commit есть, но непонятно, какой агент, по какому prompt, в каком окружении и с какими входными данными его создал.

OWASP в GenAI Security Project указывает на риск insecure output handling и excessive agency как на реальные классы угроз для LLM-систем; это не академическая экзотика, а вполне прикладная проблема для кода, который агент пишет и сразу пытается отправить дальше по pipeline. Ссылка: https://owasp.org/www-project-top-10-for-large-language-model-applications/

Что я называю source control для агентов

Речь не про новый продукт, а про набор дисциплин поверх обычного Git. Агент не должен иметь те же права и ту же свободу, что человек-разработчик. У него должен быть собственный контур: отдельная ветка, ограниченная область файлов, обязательные проверки и полная трассировка происхождения изменений.

СлойДля человекаДля агента
АвторствоИмя и e-mailagent_id, task_id, model, prompt hash
Веткаfeature/*agent/{agent_id}/{task_id}
ПраваШире по репозиториюPath allowlist
ПроверкиCode review + CICode review + CI + policy gates
RollbackGit revertGit revert + отключение конкретного агента

Ключевая идея простая: агент не “коммитит код”, агент “предлагает изменение”, которое проходит через такой же или более жесткий контроль, чем код junior-разработчика. Если агент может писать в main напрямую, это уже не automation, а отказ от управления.

Минимальная схема, которая держится в production

1. Изолируйте ветки и файловые области

Каждому агенту — своя ветка и allowlist путей. Агент, отвечающий за документацию, не должен трогать SQL-миграции. Агент, отвечающий за DB layer, не должен менять n8n workflows без отдельного разрешения. Это снижает площадь конфликта и упрощает review.

#!/usr/bin/env bash
set -euo pipefail

AGENT_ID="$1"
TASK_ID="$2"

git fetch origin main
git checkout -B "agent/${AGENT_ID}/${TASK_ID}" origin/main

changed_files=$(git diff --name-only --cached || true)
echo "agent_id=${AGENT_ID}" > .agent_meta
echo "task_id=${TASK_ID}" >> .agent_meta
echo "created_at=$(date -u +%FT%TZ)" >> .agent_meta

2. Записывайте происхождение каждого изменения

Недостаточно знать SHA коммита. Нужно знать, какой агент работал, по какой задаче, какой моделью, на каком снапшоте репозитория, и какие проверки он прошел. Я обычно сохраняю эти метаданные в Postgres, чтобы потом разбирать инциденты не по догадкам, а по истории.

import os
import psycopg
from datetime import datetime, timezone

conn = psycopg.connect(os.environ["DATABASE_URL"])
with conn, conn.cursor() as cur:
    cur.execute(
        """
        insert into agent_commits
        (agent_id, task_id, commit_sha, branch, model, created_at)
        values (%s, %s, %s, %s, %s, %s)
        """,
        (
            os.environ["AGENT_ID"],
            os.environ["TASK_ID"],
            os.environ["COMMIT_SHA"],
            os.environ["BRANCH_NAME"],
            os.environ["MODEL_NAME"],
            datetime.now(timezone.utc),
        ),
    )

3. Ставьте policy gates до merge, а не после инцидента

Для Python-кода мне хватает простого, но работающего набора: semgrep для паттернов, bandit для базовых security smell, gitleaks для секретов. Это не заменяет review, но отрезает очевидный мусор раньше, чем он попадет в staging.

name: agent-pr-checks
on: [pull_request]
jobs:
  verify:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - uses: returntocorp/semgrep-action@v1
      - run: pip install bandit
      - run: bandit -r src -q
      - uses: gitleaks/gitleaks-action@v2

Что важно для regulated markets в Европе

Если вы поставляете AI-системы в DACH, вопрос уже не только в чистоте репозитория. Это вопрос аудита и доказуемости процесса. Когда клиент из fintech или industrial automation спрашивает, кто изменил логику классификации инцидентов или маршрут обработки документов, ответа “это сделал агент” недостаточно.

В таких проектах я держу 3 обязательных свойства. Первое — traceability: можно восстановить цепочку от задачи до merge. Второе — reproducibility: можно заново прогнать те же проверки на том же наборе файлов. Третье — revocability: можно быстро отключить конкретного агента или набор его прав без остановки всей системы.

Anthropic в документации по Claude Code и API отдельно подчеркивает важность tool control, permissioning и human oversight для агентных сценариев. Это хорошо совпадает с тем, что я вижу в production: если у агента нет рамок на инструменты и запись изменений, он довольно быстро начинает создавать локально разумные, но системно рискованные правки. Документация: https://docs.anthropic.com/

Как выглядит рабочий operating model

Я не советую начинать с “полностью автономной команды агентов”. Рабочая схема выглядит скучнее, но надежнее. 1–2 агента могут генерировать код и тесты. Еще один агент может делать review на policy violations. Merge в protected branch остается за человеком или за строго ограниченным сервисным аккаунтом после всех проверок.

РольЧто делаетЧего не делает
Code agentПишет ограниченный фрагмент кодаНе merge'ит в main
Review agentПроверяет diff и policyНе меняет бизнес-логику
Human ownerПринимает риск mergeНе чинит вслепую после агента

Это медленнее, чем пустить всех агентов напрямую в репозиторий. Но в production я почти всегда выбираю управляемую скорость, а не красивую демонстрацию автономности. Особенно там, где рядом персональные данные, финансовые процессы или интеграции с ERP.

FAQ

Можно ли дать агенту прямой push в main, если тесты зеленые?

Я бы не делал этого даже во внутренних проектах без ограничений по путям и дополнительного policy gate. Зеленые тесты не ловят секреты, небезопасные паттерны и разрушение неявных инвариантов.

Достаточно ли одного code review от человека?

Нет, если у вас несколько агентов и высокий темп изменений. Человек должен смотреть уже отфильтрованный diff, а не быть единственным барьером перед merge.

Нужен ли отдельный лог действий агента, если есть Git history?

Да. Git показывает результат, но не всегда показывает контекст принятия решения: task_id, модель, prompt hash, набор инструментов, порядок шагов и результаты проверок.

Какие проверки ставить первыми?

Начните с gitleaks, semgrep, bandit и protected branches. Это недорогой базовый слой, который дает заметный эффект уже в первую неделю.

Это применимо только к большим командам?

Нет. Даже в команде из 2 человек и 2–3 агентов хаос появляется быстро, потому что скорость записи изменений становится выше скорости человеческого понимания.

На каком этапе вашего LLM pipeline всплывает больше всего проблем в production: статический анализ, review diff, staging-прогоны или уже runtime? Мне правда интересно сравнить это с тем, что я вижу у клиентов в DACH.
Я провожу бесплатный 30-минутный stack audit для фаундеров DACH, которые строят AI в regulated markets. Напишите мне в LinkedIn или в @ger_dennis_ai.

Für Ihren Betrieb

Solche Agenten baue ich für Betriebe in Südbaden und ganz Deutschland.

Schreiben Sie in zwei Sätzen, was bei Ihnen Zeit frisst – Antwort innerhalb von 24 Stunden.

KI-Agenten entwickeln lassen →
Weiterlesen
Wie Sie im MCP-Chaos nicht untergehen: Mehr als 50 Remote-MCP-Server existieren bereits, aber ohne Auswahl wird Ihr Produktivagent zum Sicherheitsloch
Ihr KI-Agent scheitert an mobiler Benutzeroberfläche: wie Sie iOS und Android über MCP anbinden und reale Abläufe statt Screenshot-Demos ausführen
Ein gestohlener Schlüssel brachte 5.000 Entwickler in Gefahr: was der Cursor-Vorfall und eine trojanisierte Claude-Code-Erweiterung für die Sicherheit von KI-IDEs ändern
Ihre Kunden fragen ChatGPT nach einem Handwerksbetrieb. Nennt es Ihr Unternehmen
Alle Artikel →
Wo das im Betrieb ankommt
KI-Telefonassistent — Anrufe annehmen, wenn niemand kann
KI-Automatisierung für Betriebe in Freiburg und der Ortenau
KI-Agentur in Freiburg — gebaut statt weiterverkauft
KI-Telefonassistent fürs Handwerk — Notfälle erkennen, Aufträge sichern
DSGVO-konforme KI — was das praktisch bedeutet
Bereit für den nächsten Schritt?

Aus einem Ablauf ein System machen, das läuft

Gebaut für den Betriebsalltag, nicht als Demo.

Projekt anfragen → ← Alle Artikel