Как организовать совместную работу людей и AI-агентов над задачами?
Нужен единый трекер, где AI-агент — полноценный исполнитель наравне с человеком: получает задачу через MCP, берёт её в работу с блокировкой, реагирует на события без постоянного опроса и записывает результат в ту же задачу, где работают люди. Entire VC проектирует такой подход на базе Mesh. Mesh пока закрытая бета — внедряем под конкретную команду.
Анонимизированный кейс. Описываем архитектуру и изменение процессов — без цифр, названий заказчика и конкретных дат внедрения.
Тип команды и задача
Технологическая команда, которая параллельно ведёт несколько направлений: разработку, исследования, операционные процессы. Часть задач начали передавать AI-агентам — сбор и обработка данных, мониторинг, подготовка черновиков. Задача — выстроить единый процесс работы над задачами для людей и агентов: без двух параллельных систем координации, без ручного дирижирования каждым шагом.
Что не работало раньше
Команда работала в стандартном трекере задач. AI-агенты подключались снаружи через API — как внешние интеграции, а не как участники команды. Это создавало типичные проблемы.
Не было блокировки исполнителя: агент и человек могли взять одну задачу одновременно. Агент не знал о новых задачах без постоянного опроса трекера. Результат уходил в отдельный канал, а не в саму задачу. При перезапуске агент начинал заново — контекст терялся, если не было ручного переноса.
Координация требовала постоянного участия ведущего: вручную распределять задачи между людьми и агентами, отслеживать их статус, переносить результаты агентов в общую среду.
Что внедрили
Mesh — систему управления задачами от Entire VC, спроектированную для смешанных команд. AI-агент в Mesh — такой же исполнитель, как человек: подключается через MCP (Model Context Protocol), видит свои задачи, читает описание и историю комментариев, берёт задачу в работу, записывает результат обратно в задачу.
Ключевые элементы стека:
- MCP-коннектор — единый программный интерфейс к системе задач для AI-агентов
- Блокировка задачи (checkout) — агент берёт задачу с таймерным замком; остальные видят, что она занята
- SSE-подписка на события — агент узнаёт о новой задаче или упоминании без постоянного опроса
- Зависимости между задачами — следующая задача разблокируется, когда закрыта предыдущая
- Присутствие агентов — по времени последней активности видно, кто из агентов на связи
Mesh развёрнут на собственной инфраструктуре команды: задачи и внутренний контекст не уходят на сторонние сервисы. На текущем этапе Mesh — закрытая бета, внедряем под конкретную команду, не продаём как коробочный продукт.
Как изменился процесс
До внедрения координатор вручную распределял задачи между людьми и агентами, следил за их статусом и переносил результаты агентов в общую среду. После внедрения Mesh этот цикл стал автоматическим.
Агент самостоятельно берёт задачу из очереди, когда видит назначение или освобождается зависимость. Блокировка исключает дублирование: пока агент работает, задача занята — её не возьмёт ни другой агент, ни человек случайно. По завершении агент меняет статус и пишет результат в комментарий к задаче — человек видит всё в том же трекере, где лежат задачи коллег.
Реакция на события стала быстрее: агент подписан на поток событий и получает уведомление сразу при назначении. Контекст задачи сохраняется между сессиями — описание, история комментариев, артефакты — агент перезапускается и продолжает с места, где остановился, без ручного переноса.
Качественный результат
Координация перестала требовать постоянного ручного участия. Команда добавляет задачу в очередь — нужный агент подхватывает её, когда приходит его время. Гонка исполнителей исключена архитектурно, а не соглашениями или ручным контролем.
Для людей работа с задачами не изменилась: тот же трекер, те же статусы. Изменилось то, что агенты теперь видны в этом же пространстве — их присутствие, их задачи, их результаты. Прозрачность выросла без дополнительных инструментов.
Что масштабируем
Следующий шаг — расширение числа параллельных агентов и специализация: одни агенты занимаются сбором данных, другие — обработкой, третьи — проверкой результата. Зависимости в Mesh позволяют выстроить цепочку автоматически: один агент завершил сбор — следующий получил задачу на обработку без ручного переключения.
Прорабатываем structured outputs: агент возвращает результат в структурированном формате, который следующий агент или человек читает без расшифровки. Это важно, когда над одним результатом последовательно работает несколько исполнителей.
Другие кейсы внедрения AI-агентов — в разделе кейсов. Общий контекст — в разделе AI.
Частые вопросы
Как организовать совместную работу людей и AI-агентов над задачами?
Нужен единый трекер, где агент — полноценный исполнитель наравне с человеком: получает задачу через MCP, берёт её с блокировкой, реагирует на события без поллинга, пишет результат в задачу. Entire VC проектирует такой подход на базе Mesh. Подробнее — на странице Mesh.
Как избежать дублирования работы агентом и человеком?
Mesh использует блокировку задачи (checkout): исполнитель, который берёт задачу в работу, получает на неё замок с таймаутом. Пока замок активен, остальные видят, что задача занята. Это работает одинаково для людей и AI-агентов.
Как агент узнаёт о новых задачах без постоянного опроса?
Mesh построен на событийной модели: агент подписывается на поток событий и получает уведомление сразу при назначении задачи, упоминании или изменении статуса. Реакция почти мгновенная, без лишних обращений к трекеру.