Kaelig Deloumeau-Prigent: izgradnja komponenti dizajn sistema sa AI agent timovima
O čemu govori članak
Kaelig Deloumeau-Prigent, inženjer dizajn sistema u Intuitu, dokumentuje izgradnju Menu komponente za Intuit Design System na dva načina: ručno tokom dva dana uz AI par-programera, a zatim uz pipeline od osam specijalizovanih AI agenata. Članak prati šta je pošlo naopako u ručnom pristupu, kako je pipeline projektovan i šta je bilo potrebno za stabilno podizanje kvaliteta.
Kontekst: ručna izrada i njeni problemi
Ručno napravljena verzija je funkcionisala, ali je sadržala oko 300 linija koda za navigaciju tastaturom koji je već pružala biblioteka floating-ui. Praznine u znanju su se gomilale: ukorenjenu arhitekturu je postalo preskupo ispravno popraviti naknadno. Revizija od 34 nalaza otkrila je tri korena uzroka: 18 se moglo rešiti dodavanjem pravila za agenta, 9 je zahtevalo bolje alate, a 6 je zahtevalo ljudski sud. Taj raspored je postao organizacioni princip za revidiran pipeline.
Pipeline od osam agenata
Pipeline radi u tri faze:
Razumevanje: Design Analyst izvlači specifikaciju iz Figme; Library Researcher proverava zavisnosti; Component Architect projektuje API komponente. Architect daje plan i uključuje kontrolnu tačku za čoveka u slučaju blokirajućih problema pre početka rada.
Izgradnja: Code Writer generiše kod komponente; Accessibility Auditor pokreće osmoslojni stek testova pristupačnosti; Story Author piše Storybook storije sa interakcionim testovima.
Verifikacija: Visual Reviewer poredi snimke ekrana sa Figmom po devet dimenzija; Quality Gate pokreće kompilaciju, lintovanje i formatiranje.
Svaki agent komunicira kroz strukturirane artefakte, a ne poruke. Artefakt deluje kao ugovor koji koriste agenti u narednim fazama, a svaki agent u petlji ima budžet iteracija sa definisanim kriterijumima izlaza pre početka rada.
Ključni nalazi
Deterministični rezultat kvaliteta zaustavlja pipeline na svemu ispod 80%, pa degradiran unos iz jedne faze ne može tiho proizvesti loš izlaz u sledećoj. Pravila su se brzo gomilala: fabrikacija tokena pala je sa 27 od 27 u prvoj verziji na nulu nakon dodavanja tri pravila. Greške su se menjale i po karakteru — problemi su se pomicali od praznina u znanju, ka gubljenju informacija između agenata, ka nesposobnosti pipeline-a da dovede u pitanje sopstvene rezultate.
Šest oblasti ostalo je kao eksplicitne kontrolne tačke za čoveka: iskustvo čitača ekrana, vremenski raspored pri lebdenju, specifikacije kretanja, odvojeni Figma frejmovi i još dve provere koje zahtevaju prosuđivanje. Dodavanje tih tačaka je celokupan proces ubrzalo jer je svaka odluka doneta jednom, na početku, sa punim kontekstom, umesto da se ponovo otkriva kasnije.
Kome će biti korisno
Timovima dizajn sistema i dizajn inženjerima koji žele da pređu sa jednokratnog AI-asistiranog kodiranja na ponovljiv, proverljiv pipeline. Posebno je korisno timovima koji su pokušali da generišu komponente pomoću AI i otkrili da je kvalitet nekonzistentan ili teško dijagnostikovati. Kaeligova taksonomija grešaka — pravila, alati, ljudski sud — pruža praktičan okvir za dijagnozu zašto agentni izlazi ne zadovoljavaju i gde treba ulagati napore.