Можно ли доверить ИИ проверку чужого кода? В Ресурсном центре протестировали Инфостарт MCP при приемке доработок УТ 11.5. Агент нашел проблемные места в трех модулях, но качество анализа зависело от модели.
При приемке доработок подрядчика недостаточно убедиться, что новый функционал работает. Нужно проверить, какие изменения внесены в конфигурацию, нет ли ошибок в коде и не затронуты ли механизмы, которые изменять не планировалось. В Ресурсном центре протестировали использование Инфостарт MCP для такой проверки на примере 1С:Управления торговлей 11.5.
В ходе эксперимента ИИ-ассистент проанализировал изменения в конкретном коммите Git и подготовил замечания по трем модулям. Однако качество проверки зависело от используемой модели: один агент пропускал ошибки, другой справился с анализом лучше.
В рамках пилота требовалось провести аудит изменений, внесенных подрядчиком в конфигурацию 1С:Управление торговлей 11.5.
Обычно при такой проверке специалисту нужно определить состав изменений, изучить затронутые модули и оценить качество реализации.
Особенно трудоемкой проверка становится, когда изменения затрагивают несколько объектов конфигурации. Приходится сопоставлять доработанный код с типовым, разбираться в назначении процедур и проверять, как новые алгоритмы взаимодействуют с существующими механизмами.
В эксперименте решили проверить, можно ли использовать ИИ-ассистента с доступом к метаданным конфигурации для предварительного анализа доработок.
Задача заключалась не в автоматической приемке работ, а в получении замечаний, которые затем сможет проверить специалист.
На первом этапе подготовили две конфигурации:
Обе конфигурации были получены в виде CF-файлов, после чего их исходники разместили в Git.
Это позволило работать с изменениями в привычном для разработки формате: сравнивать версии файлов, анализировать коммиты и выделять участки кода, отличающиеся от типовой конфигурации.
Для ИИ-ассистента такая организация проекта также оказалась полезной. Вместо анализа всей конфигурации можно было ограничить проверку конкретными изменениями.
Первоначально эксперимент проводился в Visual Studio Code с использованием Codex.
На этом этапе выполняли получение метаданных из подготовленных конфигураций.
Один из запросов к агенту был сформулирован следующим образом:
«Вывести реквизиты справочника Номенклатура».
Таким способом проверяли, может ли агент получать через MCP информацию о структуре объектов конфигурации.
Получение метаданных было только первым этапом. Основная задача – качественная проверка доработанного кода – оказалась сложнее.
По оценке участника пилота, при дальнейшем анализе Codex не обнаружил все ошибки и в некоторых случаях выдавал недостоверную информацию.
Поэтому для продолжения эксперимента решили использовать другую связку инструментов.
Следующий этап выполнялся в Cursor с использованием Claude AI и подключенных MCP-серверов.
Задачу сформулировали более конкретно: провести проверку доработок последнего коммита, используя в том числе MCP, и обратить внимание на модули и объекты с комментариями infostart.
Такой подход существенно ограничил область анализа.
Вместо запроса на проверку всей конфигурации агенту указали, какие именно изменения необходимо исследовать.
Здесь использовались два ориентира:
Последний коммит Git. Он позволял выделить изменения, относящиеся к проверяемой доработке.
Комментарий infostart. По этому маркеру можно было находить участки кода, связанные с изменениями подрядчика.
В результате агент мог сосредоточиться на конкретных модулях и измененных фрагментах, а не пытаться последовательно анализировать весь проект.
Для проверки кода это важно. Чем шире поставленная задача, тем больше постороннего контекста приходится обрабатывать модели. Если же известны границы изменений, проверку можно сделать более предметной.
По результатам анализа последнего коммита ИИ-ассистент подготовил отчет о проверке кода с замечаниями по трем модулям, содержащим маркер infostart.
Замечания передали исполнителю для доработки.
Таким образом, результат эксперимента использовали в реальном процессе приемки: проверяющий получил перечень потенциальных проблем, а исполнитель – информацию о местах, требующих внимания.
При этом исходные материалы пилота не содержат подробного списка обнаруженных ошибок. Поэтому нельзя утверждать, что агент выявил нарушения конкретных стандартов разработки, ошибки запросов или проблемы производительности.
Подтвержденный результат – подготовленный анализ изменений с замечаниями по трем модулям.
Также в материалах нет сведений о повторной проверке после исправлений или об окончательном завершении приемки.
Один из интересных результатов эксперимента – разница в качестве работы ИИ-ассистентов.
По оценке участника пилота, Codex пропускал часть ошибок и допускал недостоверные выводы. Claude AI лучше разобрался в контексте 1С и подготовил более качественный анализ.
Это наблюдение относится именно к проведенному эксперименту. По нему нельзя делать общий вывод, что одна модель всегда лучше другой при проверке конфигураций 1С.
Однако случай показывает, что наличие MCP-серверов само по себе не определяет качество проверки.
Через MCP модель может получать сведения о структуре конфигурации, но ей еще необходимо правильно использовать эту информацию: находить нужные объекты, понимать изменения и формулировать обоснованные замечания.
Если агент неверно интерпретирует код или пропускает существенные изменения, доступ к метаданным не исправит эти ошибки автоматически.
Поэтому при использовании ИИ для проверки доработок важно оценивать не только количество найденных замечаний, но и их обоснованность.
В этом эксперименте можно выделить два практических приема.
Первый – использование Git для определения состава изменений.
Подготовка исходников типовой и доработанной конфигураций позволила работать с конкретными отличиями, а не анализировать всю конфигурацию без понимания того, какие объекты были изменены подрядчиком.
Второй – ограничение области проверки.
Запрос на анализ последнего коммита и поиск комментариев infostart помог сосредоточить внимание агента на интересующих участках кода.
Такая постановка задачи полезнее общего запроса «проверь конфигурацию на ошибки», поскольку заранее определяет, что именно требуется проверить.
В результате ИИ-ассистент смог подготовить замечания, которые использовали при взаимодействии с исполнителем.
По результатам этого эксперимента – нет.
ИИ-ассистент помог провести предварительную проверку и найти потенциальные проблемы. Но качество его выводов зависело от модели, а часть замечаний требовала оценки специалиста.
Кроме того, проверка измененных модулей не равнозначна полноценной приемке доработки.
Она не подтверждает, что выполнены все функциональные требования, не нарушена работа смежных механизмов и корректно обработаны все пользовательские сценарии.
Поэтому результаты такого анализа разумно использовать как дополнительный материал для проверяющего.
Специалисту остается проверить обоснованность замечаний, оценить полноту анализа и принять решение о качестве реализации.
Эксперимент с УТ 11.5 показал, что Инфостарт MCP можно использовать при проверке доработок подрядчика.
В сочетании с Git и ИИ-ассистентом инструмент помог организовать анализ конкретных изменений и подготовить замечания по трем модулям. Полученный результат передали исполнителю для доработки.
При этом проверка показала зависимость качества анализа от выбранной модели. В данном случае Claude AI справился с задачей лучше Codex, но это не отменяло необходимости экспертного контроля.
Главный практический вывод – ИИ-ассистенту лучше давать на проверку ограниченный набор изменений, чем всю конфигурацию сразу.
Анализ конкретного коммита и заранее определенных участков кода помогает получить более предметные замечания и сократить объем ручного просмотра.
Инфостарт MCP в таком сценарии выступает инструментом предварительного анализа, а окончательная оценка доработок остается за специалистом, который отвечает за приемку.
Метаданные конфигураций, синтаксис-помощник и инструменты проверки BSL-кода для работы с ИИ-ассистентами.
Если вам удобнее смотреть новости в телеграме, то вот наша группа – ИНФОСТАРТ.
вчера в 12:00 62 o_prohina 0
2
17.11.2026 885 o_prohina 0
24
13.11.2026 1088 Elena_Rozonova 0
27
12.11.2026 1117 Elena_Rozonova 0
27
10.11.2026 1550 SemenovaYulia 0
9
09.11.2026 1827 o_prohina 0
11
09.11.2026 1110 SemenovaYulia 0
25Комментарии