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
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.
| Слой | Для человека | Для агента |
|---|---|---|
| Авторство | Имя и e-mail | agent_id, task_id, model, prompt hash |
| Ветка | feature/* | agent/{agent_id}/{task_id} |
| Права | Шире по репозиторию | Path allowlist |
| Проверки | Code review + CI | Code review + CI + policy gates |
| Rollback | Git revert | Git 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_meta2. 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@v2Что 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.
| Роль | Что делает | Чего не делает |
|---|---|---|
| Code agent | Пишет ограниченный фрагмент кода | Не merge'ит в main |
| Review agent | Проверяет diff и policy | Не меняет бизнес-логику |
| Human owner | Принимает риск merge | Не 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.
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.
Aus einem Ablauf ein System machen, das läuft
Gebaut für den Betriebsalltag, nicht als Demo.