Миссия невыполнима? Глубокая отладка приложений с AI

AI-агенты уверенно исправляют баги, когда причина ошибки очевидна из stack trace. Однако в реальных JVM-проектах первопричина сбоя часто находится далеко от точки падения: инвариант нарушается за сотни вызовов до исключения, ошибка проявляется значительно позже, а агент предлагает лишь симптоматическое лечение — тесты снова становятся зелеными, но качество кода ухудшается.

Мы расскажем, как предоставили агенту данные времени выполнения и что из этого получилось. Мы собираем дерево вызовов, сжимаем его до объема, который способен обработать LLM, и передаем агенту как дополнительный контекст. Обсудим, почему наивная трассировка не масштабируется на больших проектах, какие эвристики применяем для фильтрации и агрегации данных и как выстраиваем многоэтапную обработку. Помогает ли это агенту разбираться в неочевидных падениях и находить настоящую первопричину, а не маскировать симптомы? Разберемся в докладе...