🎯 О чём этот конспект: Разбор методологии BMAD (Breakthrough Method for Agile AI-driven Development) — системного подхода к управлению командой AI-агентов. Видео демонстрирует, как превратить обычный чат с нейросетью в полноценный цикл разработки: от бизнес-анализа и архитектуры до написания кода и приёмки QA.
👤 Кому будет полезно: Вайбкодерам и разработчикам, которые хотят перестать писать код «кусками» и перейти к созданию сложных production-ready систем с четкой документацией и процессами.
✨ Что получите: Готовую структуру ролей (BA, PM, Architect, Dev, QA) и пошаговый алгоритм внедрения Agile-процессов в ваш AI-workflow для масштабирования проектов любой сложности.
1. Выбор и настройка IDE: Почему Colm?
Контекст: Для эффективного вайбкодинга недостаточно просто ChatGPT. Автор использует Colm — IDE (форк VS Code), которая ориентирована на работу с агентами. Главное преимущество — встроенный режим "Agent Mode", возможность переключения между топовыми моделями (Claude 3.5 Sonnet, GPT-4o) и автоматическое исправление ошибок через терминальные сессии.
Выгода: Экономия времени на отладке. IDE сама видит ошибки компиляции, запускает терминал, анализирует логи и исправляет код до победного результата.
Как применить:
Шаг 1: Установка — Скачайте Colm (или используйте Cursor/Windsurf).
Шаг 2: Настройка моделей — В нижнем меню выберите Claude 3.5 Sonnet для написания кода или Route LM для автоматического подбора модели под задачу.
Шаг 3: Исправление ошибок — Если npm run build падает, просто перетащите ошибку в Agent Mode и дайте команду:
Fix the build error shown in the terminal and verify the fix by running the build command again.
2. Методология BMAD: Установка и инициализация
Контекст: BMAD — это набор правил (.mdc файлы) и шаблонов, которые превращают AI в структурированную команду. Вместо одного промпта вы получаете систему, где каждый агент знает свою роль (аналитик, архитектор, разработчик).
Выгода: Проект не превращается в «спагетти-код». У вас всегда есть актуальный PRD (Product Requirements Document) и архитектурный план, разбитый на мелкие задачи.
Как применить:
Шаг 1: Установка в проект — Откройте терминал в папке проекта и выполните команду:
npx bmad-ai@latest init
Шаг 2: Конфигурация — Укажите путь к проекту (pwd), выберите систему BMAD Agile Core и укажите вашу IDE (например, Cursor или Claude Dev).
Шаг 3: Проверка правил — Убедитесь, что в корне появились .mdc файлы (например, dev.mdc, pm.mdc). Эти файлы содержат инструкции для агентов, которые ваша IDE будет подхватывать автоматически.
3. Фаза планирования: От бизнес-анализа до PRD
Контекст: Разработка начинается не с кода, а с общения с "Mary" (Business Analyst) и "Product Manager". Автор использует двухэтапную проверку: один агент генерирует документ, а другой (в отдельном чате) его критикует.
Выгода: Исключение логических ошибок на этапе проектирования. Вы получаете детализированный PRD, который учитывает риски и пограничные случаи.
Как применить:
Шаг 1: Запуск воркфлоу — Используйте команду в чате с агентом:
/start-workflow brownfield-fullstack
(Brownfield используется для улучшения существующего проекта).
Шаг 2: Рецензирование — Скопируйте сгенерированный PRD и отправьте его другой модели (например, в Claude.ai) с промптом:
Review this PRD for a Kanban board enhancement. Highlight strengths, areas to improve, and provide a revised version in markdown.
Шаг 3: Финализация — Верните правки основному агенту, чтобы он обновил файлы в папке /docs.
4. Декомпозиция задач: Scrum Master и создание Stories
Контекст: После утверждения PRD в игру вступает Scrum Master. Его задача — «нарезать» огромную фичу (например, интеграция с Gmail) на мелкие, понятные AI-разработчику задачи (User Stories).
Выгода: Прозрачность процесса. Каждая задача имеет критерии приемки (Acceptance Criteria), что исключает ситуацию «сделал не то».
Как применить:
Шаг 1: Шардирование — Попросите Product Owner разбить большие документы на части:
@PO shard the PRD and Architecture files into the /prd and /architecture folders.
Шаг 2: Создание Story — Используйте агента Scrum Master (sm.mdc):
@SM draft a story for "Connect Gmail account" based on the architecture docs.
Шаг 3: Утверждение — Проверьте созданный файл в папке /stories. Если всё верно, смените статус:
Approve story 1.1 and move to implementation.
5. Реализация и QA: Цикл разработки
Контекст: Разработчик (Dev Agent) берет утвержденную Story и выполняет её пошагово. После завершения QA-агент проверяет код на соответствие критериям из Story.
Выгода: Высокое качество кода. QA не просто смотрит «работает ли», а проводит рефакторинг и проверку безопасности (например, хранение токенов).
Как применить:
Шаг 1: Разработка — Активируйте dev.mdc и назначьте задачу:
@dev implement task 1.1 from story "Connect Gmail account". Follow the tech stack: Next.js, TRPC, Prisma.
Шаг 2: Тестирование — После того как Dev отрапортует о готовности, вызовите qa.mdc:
@QA review and validate changes for story 1.1. Ensure all acceptance criteria are met.
Шаг 3: Завершение — Если QA подтверждает успех, статус задачи меняется на Done.
FAQ
В: В чем главное отличие BMAD от обычного написания кода через Cursor? О: Cursor — это инструмент, а BMAD — это процесс. Без BMAD вы просите AI «напиши функцию». С BMAD вы заставляете AI сначала проанализировать бизнес-цель, составить архитектурный план, создать задачу с критериями приемки и только потом писать код, который затем проверит другой агент (QA).
В: Можно ли использовать BMAD для уже существующих проектов? О: Да, для этого предусмотрен воркфлоу brownfield. Агент сначала анализирует вашу текущую структуру (README, package.json, файловую структуру), а затем предлагает план интеграции новых фич, не ломая старые.
В: Обязательно ли использовать IDE Colm? О: Нет, методология BMAD универсальна. Она работает в Cursor, Windsurf, Claude Code и даже в обычном VS Code с расширениями. Главное — наличие .mdc файлов (Rules), которые направляют поведение агентов.
В: Зачем нужно "шардирование" PRD и архитектуры? О: У контекстных окон AI есть предел. Если файл слишком большой, агент начинает «забывать» детали. Шардирование разбивает документацию на мелкие логические блоки, которые агент может подгружать точечно, сохраняя высокую точность.
В: Как бороться с тем, что AI забывает контекст между сессиями? О: В видео упоминается инструмент Bite Rover (или его open-source версия Cipher). Это "слой памяти", который сохраняет все прошлые решения, баги и логику проекта, передавая их агенту в каждой новой сессии.
Конспект создан на основе видео «How to Build an AI Agile Development Team (Step by Step)» канала [SmythOS]. Все права на оригинальный материал принадлежат авторам.Источник: https://www.youtube.com/watch?v=YLGrENURe98