Skip to content
Статья kaelig.fr апр. 2026 г.

Kaelig Deloumeau-Prigent: создание компонентов дизайн-системы с командами AI-агентов

О чём статья

Kaelig Deloumeau-Prigent, инженер дизайн-систем в Intuit, рассказывает о том, как дважды создавал компонент Menu для Intuit Design System: сначала вручную за два дня с AI-напарником, затем с помощью пайплайна из восьми специализированных AI-агентов. В статье описывается, что пошло не так при ручном подходе, как был спроектирован пайплайн и что потребовалось для стабильного повышения качества.

Контекст: ручная сборка и её проблемы

Ручная версия работала, но содержала около 300 строк кода для навигации с клавиатуры, который уже предоставляла библиотека floating-ui. Накапливались пробелы в знаниях: устоявшаяся архитектура стала слишком дорогой для правильного исправления постфактум. Аудит из 34 замечаний выявил три первопричины: 18 можно было устранить добавлением правил для агента, 9 требовали улучшения инструментов и 6 требовали человеческого суждения. Этот разбор стал организующим принципом переработанного пайплайна.

Пайплайн из восьми агентов

Пайплайн работает в три фазы:

Понимание: Design Analyst извлекает спецификацию из Figma; Library Researcher проводит аудит зависимостей; Component Architect проектирует API компонента. Architect выдаёт план и включает контрольную точку для человека при наличии блокирующих проблем до начала работы.

Сборка: Code Writer генерирует код компонента; Accessibility Auditor запускает восьмиуровневый стек тестов доступности; Story Author пишет Storybook-стори с интеграционными тестами.

Верификация: Visual Reviewer сравнивает скриншоты с Figma по девяти параметрам; Quality Gate запускает компиляцию, линтинг и форматирование.

Каждый агент общается через структурированные артефакты, а не сообщения. Артефакт выступает контрактом, который используют последующие агенты; каждый циклический агент имеет бюджет итераций с заранее определёнными критериями выхода.

Ключевые выводы

Детерминированный показатель качества останавливает пайплайн при значении ниже 80%, поэтому деградация на одном этапе не может незаметно привести к плохому результату на следующем. Правила накапливались быстро: фабрикация токенов снизилась с 27 из 27 в первой версии до нуля после добавления трёх правил. Характер ошибок тоже менялся — проблемы смещались от пробелов в знаниях к потере информации между агентами, а затем к неспособности пайплайна ставить под сомнение собственные результаты.

Шесть областей остались явными контрольными точками для человека: опыт чтения с экрана, тайминг при наведении, спецификации анимации, отсоединённые фреймы Figma и ещё два требующих суждения момента. Добавление этих точек в итоге ускорило процесс, поскольку каждое решение принималось один раз, на раннем этапе, с полным контекстом, а не переоткрывалось позже.

Кому будет полезно

Командам дизайн-систем и дизайн-инженерам, которые хотят перейти от разовой работы с AI-кодированием к повторяемому, проверяемому пайплайну. Особенно полезно командам, которые уже пробовали генерировать компоненты с помощью AI и столкнулись с непоследовательным качеством или трудностями в диагностике. Трёхуровневая классификация ошибок Kaelig — правила, инструменты, человеческое суждение — даёт практическую основу для анализа причин неудач агентов и расстановки приоритетов.