AWS превратила AI-DLC в два работающих конвейера разработки

Не методология на слайде, а два исполняемых процесса

AWS опубликовала две референсные реализации для этапа construction в AI-Driven Development Lifecycle, или AI-DLC. В этой модели AI не просто дописывает отдельные функции: он предлагает архитектуру, строит план, создаёт код и артефакты развёртывания, а люди уточняют требования и сохраняют контроль над критическими решениями. Первый пример превращает SQL-схему в Mermaid ER-диаграмму, второй запускает многоагентную проверку безопасности кода после передачи результата в CI/CD.

Общая идея обоих проектов — разделить работу на узкие исполняемые компоненты, а не строить одного всезнающего агента. Amazon Bedrock AgentCore предоставляет runtime, память, gateway для инструментов и наблюдаемость; Kiro, Claude Code и OpenAI Codex показаны как локальные инструменты разработки. AWS опубликовала исходный код и инструкции развёртывания для обеих схем, поэтому материал можно проверять как архитектурный шаблон, а не только как продуктовый анонс.

SQL превращается в диаграмму без доступа к строкам таблиц

В первом конвейере загрузка SQL-файла в Amazon S3 вызывает Lambda, которая проходит OAuth2 machine-to-machine авторизацию через Amazon Cognito и обращается к агенту в AgentCore Runtime. Strands agent на Claude Sonnet 4 разбирает DDL: таблицы, колонки, типы, первичные и внешние ключи. На выходе получается Mermaid-файл `.mmd`, сохранённый в отдельном префиксе S3 вместе с метаданными исходного файла и временем генерации.

Принципиальное ограничение — агент читает только метаданные схемы и не получает строки с пользовательскими данными. Большие SQL-файлы разбиваются на части, каждая анализируется отдельно, после чего результаты сводятся в единую диаграмму. AgentCore Memory хранит контекст до 90 дней и поддерживает семантический поиск по прошлым анализам, а OpenTelemetry фиксирует длительность обработки, число фрагментов и место возникновения ошибки.

Вторая линия проверяет код до merge

Вторая реализация принимает Python или Java из GitLab pipeline через S3. Основной агент оценивает структуру, логику, производительность, соблюдение практик и потенциальные проблемы безопасности. Отдельные Lambda-инструменты проверяют зависимости по CVE и сопоставляют код с внутренними политиками; AgentCore Gateway публикует их как MCP tools. Результат включает оценку качества от 1 до 10, найденные нарушения и рекомендации.

Разделение ролей здесь важнее количества агентов. Основной компонент занимается только анализом качества, policy checker — организационными правилами, CVE checker — известными уязвимостями. Их можно обновлять независимо, не переписывая reasoning loop. AgentCore Memory сохраняет каждую проверку как отдельную сессию, а web dashboard показывает файлы, нарушения, метрики и исторические сравнения.

Локальные coding agents остаются до облачной проверки

AWS не предлагает заменить рабочую станцию AgentCore. Kiro формирует спецификации, acceptance criteria и планы; Claude Code создаёт код, Dockerfiles, IAM policies и CloudFormation templates; интеграция OpenAI Codex через локальный MCP server читает `INFORMATION_SCHEMA` MySQL или Aurora и строит описание схемы без доступа к данным таблиц. Облачный контур получает артефакт после push и выполняет более авторитетную проверку перед merge.

Так складывается короткий AI-DLC bolt: команда утверждает требования, локальные агенты создают реализацию и тесты, CI/CD передаёт код в AgentCore для security assessment, а production agents продолжают выполнять event-driven задачи с телеметрией. Это не отменяет review: человек остаётся на этапах утверждения спецификации, оценки отчёта и решения о выпуске.

Границы примера

Обе системы — референсные реализации AWS, а не опубликованный независимый benchmark. Число 1–10 является форматом внутренней оценки агента и само по себе не доказывает безопасность кода. Проверка CVE зависит от качества базы и корректного распознавания зависимостей, а модельный анализ способен ошибаться или ссылаться на несуществующую уязвимость. AWS поэтому рекомендует Bedrock Guardrails, grounding validation и автоматические evaluation pipelines, но и они не заменяют специализированные сканеры и экспертный review.

Практический урок шире конкретного облака: агентный конвейер становится управляемым, когда входные данные ограничены, каждый инструмент имеет одну ответственность, секреты вынесены из кода, все шаги трассируются, а решение о переходе между стадиями остаётся проверяемым. Без этих границ AI-DLC рискует ускорить не поставку, а размножение непросмотренных изменений.