История о том, как комментарий к посту превратился в ревью кода, backlog, PR-цепочку и реальную выкладку на сайт.
Иногда новая технология начинает работать не тогда, когда вы читаете её релиз-ноты, а когда кто-то в комментариях случайно подкидывает мысль.
У меня так случилось с Deep Research — это режим в ChatGPT, в котором модель не отвечает за пять секунд, а уходит изучать тему по-настоящему: ходит по источникам, сопоставляет, формулирует выводы.
Под одним моим постом человек написал примерно так: почему-то почти никто не рассказывает про возможности Deep Research. Имя я, к сожалению, не запомнил, но спасибо ему большое — мысль попала очень точно.
Я Deep Research использую часто, но, как выяснилось, в одном узком сценарии. Привык воспринимать его как инструмент для исследований: собрать информацию, сравнить источники, разобраться в теме, подготовить обзор.
А вот мысль использовать его как инженерного ревьюера для собственного репозитория почему-то не приходила.
И тут стало интересно: а что будет, если дать ему не абстрактную тему, а живой рабочий проект?
Я пошёл советоваться с Codex — это среда от OpenAI, в которой ИИ-агент работает с вашим кодом и репозиторием как нормальный коллега.
У нас уже нормально собрано рабочее пространство. Codex подключён к GitHub, рядом живут Linear и Notion. Сам проект не висит в воздухе: есть репозиторий, задачи, заметки, решения, история выкладок, живой сайт и нормальная инженерная память.
Это важный момент. ИИ становится сильно полезнее, когда он видит не просто кусок кода, а весь контур работы: где репозиторий, какие задачи уже есть, что обсуждали раньше, какие решения принимались, что нельзя трогать без отдельного разрешения.
Я взял репозиторий pimenov-ai, включил лучшую модель — GPT-5.5 Pro — и отдал проект на review через Deep Research. Попросил не просто поискать баги, а посмотреть на проект как инженер: что улучшить, где риски, какие есть идеи для развития.
Deep Research работал долго. Не пять минут, не «быстренько глянул». Исследование заняло 64 минуты.
И вот это уже само по себе любопытно. Мы привыкли, что ИИ отвечает быстро. А тут он действительно сидел над задачей как отдельный исследователь: смотрел репозиторий, сопоставлял части проекта, формулировал выводы.
На выходе был не просто список «вот тут плохо, вот тут можно лучше». Получился полноценный инженерный отчёт.
Там были замечания к надёжности проекта, к проверкам, к тому, как сайт работает с внешним контентом, как устроен поиск, как лучше развивать граф материалов. И что особенно ценно — были не только исправления, но и продуктовые идеи.
Deep Research не ограничился позицией «почините вот этот проводок». Он увидел, что сайт уже не просто визитка, а рабочая система контента, поиска и навигации. И предложил развивать это дальше.
После этого началась вторая часть эксперимента: не просто прочитать отчёт и порадоваться, а реально прогнать его через рабочий контур.
Сначала мы не стали слепо верить отчёту.
Это важная привычка. ИИ может быть умным, но проверять всё равно надо. Мы с Codex прошлись по выводам и отделили подтверждённые вещи от гипотез.
Дальше превратили всё это в backlog в Linear — в нашем трекере задач. Не в хаотичный список «когда-нибудь надо бы», а в нормальные задачи: что исправляем, зачем, где границы, что не трогаем, какие проверки нужны.
Потом разбили работу на маленькие PR. Отдельно — проверки проекта. Отдельно — безопасность HTML-контента. Отдельно — валидация данных. Отдельно — поиск. Отдельно — тематические страницы. Отдельно — честность текста в баннере аналитики.
Мне очень нравится именно этот момент. ИИ не просто написал советы — он помог превратить ревью в управляемую инженерную работу.
Не «надо будет когда-нибудь». Не «положили в Notion и забыли». Не «создали задачи для ощущения прогресса».
Мы проверили, оформили, реализовали, смержили PR-цепочку, прогнали тесты, собрали сайт и выкатили изменения на production.
На сайте теперь появились улучшения, которые начались с одного комментария под постом:
И всё это прошло через один нормальный цикл: идея → исследование → ревью → backlog → PR → проверки → выкладка.
Главный вывод не в том, что «ИИ нашёл баги». Это как раз уже не удивляет.
Главное другое: Deep Research можно использовать как вход в инженерную систему. Не вместо разработчика. Не вместо ответственности. Не как магическую кнопку «сделай хорошо».
А как очень сильного внешнего ревьюера, который может долго смотреть на проект, заметить то, к чему вы привыкли изнутри, и предложить не только ремонт, но и развитие.
Но магия начинается, только если вокруг есть рабочий контур.
Если нет GitHub, задач, истории решений, документации, нормальной связки с Codex, Linear и Notion — отчёт останется отчётом. Красивый PDF в папке «надо прочитать».
А если контур есть, отчёт превращается в действие.
Самое смешное, что после этого хочется отдать Deep Research ещё пару репозиториев.
Становится понятно: это не разовая игрушка, а новый слой работы. Можно брать живой проект и периодически просить ИИ посмотреть на него свежими глазами.
Что стало хрупким? Что усложнилось? Где мы сами себя обманываем? Какие фичи лежат прямо под ногами, но мы их не видим, потому что каждый день смотрим на проект изнутри?
В нашем случае Deep Research уже подсветил продуктовые направления. Например, как лучше использовать граф тем не просто для навигации, а для следующего шага читателя: связанные услуги, маршруты, конверсионные подсказки.
И вот это, кажется, и есть следующий интересный слой. Не просто «ИИ помогает писать код». А «ИИ помогает смотреть на продукт как на живую систему».
И иногда для этого достаточно одного хорошего комментария под постом.
Если у вас есть свой проект, который давно хочется показать «свежим инженерным глазам», такой контур — Deep Research плюс связка из Codex, Linear и Notion — вытягивает из него гораздо больше, чем кажется со стороны. Если интересно обсудить, как это устроено у меня и где может быть полезно у вас — пишите в личку: t.me/pimenov.