Кейс: разработка и внедрение ИИ-Ассистента Jmix
Задача
Jmix — open source Java платформа для быстрой разработки корпоративных систем, от решений для внутренней автоматизации до SaaS-продуктов.
Корпоративные ИТ-команды используют Jmix, чтобы оптимизировать расходы на развитие и поддержку собственной платформы разработки бизнес-приложений — и при этом не оказаться «заложниками» no-code/low-code решений.
За счет ИИ-ассистента планировалось решить три задачи:
- Сократить время, которое пользователи тратят на поиск информации в документации, учебных материалах и обсуждениях на форуме.
- Упростить освоение платформы для новых пользователей.
- Снизить нагрузку на команду разработки платформы Jmix.
Причина
Чем быстрее разработчики смогут находить ответы на свои вопросы, тем больше времени они будут тратить на поставку функциональности. Это увеличит ценность платформы для корпоративных команд.
Длительность онбординга разработчиков напрямую влияет на скорость возврата инвестиций. Бизнесу важно, чтобы специалисты как можно быстрее закончили обучение и приступили к выполнению реальных задач.
Уменьшение запросов, поступающих в команду продукта, означает, что ее участники смогут сфокусироваться на реализации новой функциональности, при этом без ущерба для уровня сервиса.
Решение
ИИ-ассистент представляет собой LLM с RAG по специализированной базе знаний Jmix. Он понимает запросы на естественном языке и может возвращать как структурированные ответы, так и практические артефакты: примеры кода, пошаговые инструкции и разбор типовых сценариев разработки на Jmix.
Доступ к ИИ-ассистенту реализован в двух каналах:
- Веб-приложение с чатом
- Чат-клиент внутри среды разработки OpenIDE
Техническая реализация: данные и архитектура
В базе знаний используются документация, учебные материалы, образцы UI, примеры кода и информация из дискуссий на форуме. За счет узкого доменного корпуса вместо общего интернет-поиска ассистент работает как специализированный инженерный помощник по конкретной платформе, а не как универсальный чат-бот. Такой подход повышает релевантность ответов и снижает долю абстрактных или технически неприменимых рекомендаций.
С архитектурной точки зрения ИИ-ассистент реализован как отдельный бэкенд-сервис, вокруг которого формируется слой гайдлайнов, правил и скиллов для ИИ-моделей.
Внедрение
Продукт последовательно прошел три стадии:
Публичный запуск бета-версии ИИ-ассистента состоялся в июле 2024 года. На этом этапе продукт был доступен через веб-интерфейс. Главной задачей для команды был сбор обратной связи и тестирование сценариев использования. В 2025 году ИИ-ассистент был интегрирован в Jmix Studio и стал доступен прямо в IDE — там, где разработчики ежедневно работают с кодом.
Преодоление сложностей
Первая проблема, с которой столкнулась команда, типична для ИИ-инструментов: модель может давать уверенные, но технически неверные рекомендации. Для снижения этого риска ИИ-ассистент опирается на узкоспециализированный корпус знаний, а вокруг него формируются дополнительные правила, скиллы и гайдлайны. Заложенная в самой первой версии основа постоянно расширяется и дополняется.
Вторая проблема — требования корпоративных заказчиков к безопасности, контролю и изоляции данных. Здесь важны не только качество ответа, но и способ развертывания, контур хранения данных и воспроизводимость результата работы LLM. Происходит смена парадигмы, когда ИИ-ассистент перестает быть просто удобным инструментом и переходит на корпоративный уровень. Для решения этой проблемы реализована возможность развертывания продукта внутри инфраструктуры заказчика:
- Локально развернутый инференс LLM или доверенные ИИ-шлюзы
- Локальное хранение данных и эмбеддингов для RAG
- Поддержка изолированных сред и сред с ограниченным доступом
За счет этого ИИ-ассистент можно использовать в организациях, где внешний ИИ API ограничен требованиями безопасности, комплаенсом или внутренними политиками.
Результаты
ИИ-ассистент Jmix — пример прикладного внедрения LLM в инженерный процесс. Ценность создается не за счет универсальности модели, а за счет сочетания доменной базы знаний и интеграции в среду разработки.
Команды разработки на Jmix получают прирост операционной эффективности. Они быстрее находят ответы на вопросы и рабочие примеры, тратят меньше времени на поиск и больше — на реализацию бизнес-функциональности. Новые пользователи платформы быстрее выходят на полную продуктивность.
- Ускорение поставки функциональности ×4
- Ускорение онбординга разработчиков ×2
ИИ-ассистент стал первой линией поддержки. Пользователи в любой момент задают вопрос и получают предметный ответ с учетом контекста проекта. За счет этого снижается количество обращений к форуму и в команду продукта.
- Снижение затрат на поддержку сообщества на 50%
Планы по развитию
ИИ-ассистент Jmix развивается как часть общего ИИ-направления платформы. Слой гайдлайнов, правил и скиллов позволяет не только обеспечивать качество ответов, но и предсказуемую работу код-агентов.
С развитием ИИ-агентов набирает популярность методология разработки на основе спецификации. Суть в том, что ИИ-агент работает не в режиме импровизации, а в рамках структурированной спецификации, проверяемых правил и заранее заданных архитектурных ограничений.
В экосистеме Jmix рабочий сценарий выглядит так:
- ИТ-специалист описывает, какую функциональность необходимо реализовать
- ИИ-ассистент генерирует спецификацию с учетом архитектуры платформы и лучших практик разработки
- Код-агент строит решение по спецификации, используя инструментарий Jmix
- ИТ-специалист получает рабочий прототип системы, который уже можно передавать бизнесу для проверки гипотезы
Этот подход повышает воспроизводимость результата и снижает количество случайных решений. Из генератора идей LLM превращается в управляемый инженерный инструмент.
