Переписать библиотеку в 50 000 строк на другом языке — работа, которую обычно планируют кварталами и поручают команде. В Wiz это сделал один инженер за выходные, а на весь проект ушло около 20 часов: 10 часов активной разработки и 10 часов тестирования. Новый код на Go занял 18 413 строк, а система обнаружения проблем с данными ускорилась примерно вдвое.

Кейс опубликован Anthropic как история клиента, то есть цифры — это данные самой компании Wiz, а не независимый замер. Именно поэтому он интересен: видно, из чего складывается экономия и где заканчивается эффект инструмента.

Задача: парсер PDF, который держал всю DSPM

Команда Data Security Posture Management в Wiz сканирует файлы клиентов во всех средах и читает их содержимое, чтобы находить утечки учётных данных и другие проблемы безопасности. Основная часть продукта давно написана на Go — языке с предсказуемой памятью и хорошими свойствами для безопасности.

Но для одной критичной задачи — разбора PDF — подходящей библиотеки на Go не нашлось. Спецификация формата складывалась десятилетиями, реализаций сотни, и файлы от разных приложений и устройств ведут себя по-разному. Команда решала задачу через Python: держала питоновскую библиотеку рядом с Go-кодом.

Почему Go и почему привычный обходной путь не работал

Обёртка Python внутри Go-сервиса требовала ресурсоёмкой песочницы, по сути мини-виртуальной машины. Это било по производительности и работало не везде: в одних окружениях использовался этот вариант, в других — неполные Go-пакеты. Результат — расхождение в разборе одних и тех же документов в зависимости от среды.

Для продукта, который читает чужие файлы ради поиска рисков, такая неоднородность дороже, чем неудобство разработки: если два окружения по-разному понимают один и тот же PDF, значит различаются и находки, и приоритеты.

20 часов: 10 на разработку, 10 на тесты

Инженер начал миграцию в субботу. В течение часа после первого промпта базовая функциональность уже работала на сотнях тестовых PDF. После примерно 10 часов итеративной разработки новая библиотека на Go прошла все 500 заранее подготовленных сложных случаев.

Итого — кодовая база на 18 413 строк примерно за 20 часов: 10 часов активной разработки и 10 часов тестирования. Руководитель команды сформулировал это коротко: без Claude Code проект бы просто не состоялся, потому что объём работы был слишком большим для имеющихся ресурсов.

Здесь важна не скорость набора кода, а то, что 500 тестовых случаев существовали до начала работы. Агент писал не «новую библиотеку вообще», а реализацию под заранее описанное поведение. Без такого набора проверка выглядела бы как «на демо файл открылся».

500 патологических файлов вместо демо

Слово «патологических» здесь не украшение. PDF — формат, где одинаковый по смыслу документ может быть собран разными способами, с битыми таблицами и нестандартными шрифтами. Именно на таких файлах проверяется, годится ли парсер для продакшена.

Тот факт, что все 500 случаев закрылись за 10 часов доработки, говорит о качестве набора тестов не меньше, чем об инструменте. Команда, у которой нет набора сложных входных файлов, получит быстрый результат, но не сможет отличить работающий парсер от самоуверенного.

Ускорение в 2 раза: что изменилось в продукте

По оценке Wiz, миграция дала примерно двукратный прирост производительности DSPM. Причина складывается из двух частей: исчезла песочница вокруг Python, а разбор освободился от прослойки между двумя языками. Заодно ушла неоднородность поведения между окружениями.

Для инженерной команды это означает ещё одно: переписывание критичного компонента на «правильный» язык перестало быть проектом на квартал. Но решение всё равно остаётся инженерным — выбирать, что переписывать, надо по узким местам, а не по вкусу.

98% кода пишут модели: контекст League

Второй кейс того же периода показывает, как выглядит команда, которая давно живёт с таким соотношением. В медицинской платформе League примерно 98% кода написано ИИ-моделями, а один из инженеров показал рабочий процесс, в котором одновременно работали 50 параллельных агентов.

Это не значит, что там нет людей: архитектура, выбор задач и приёмка остаются за инженерами. Но центр тяжести смещается — обсуждать приходится не то, как быстро пишется код, а то, кто проверяет результат и как устроена очередь задач для роя агентов.

Чек-лист: когда переписывание оправдано

  • [ ] У компонента есть измеримое узкое место: латентность, стоимость инфраструктуры или расхождение поведения между средами.
  • [ ] Существует набор сложных входных данных, на котором результат можно проверить объективно.
  • [ ] Границы компонента понятны: контракт описан, внешние зависимости перечислены.
  • [ ] Есть кому принять результат: тесты не заменяют инженерного решения о готовности.
  • [ ] Вы допускаете, что часть работы придётся переписывать руками, и закладываете на это время.
  • [ ] Итог можно измерить до и после, а не «стало приятнее работать».

Частые ошибки

  • Мерить успех количеством сгенерированных строк. Значение имеет пройденный набор тестов и поведение в продакшене, а не объём диффа.
  • Начинать без корпуса сложных примеров. Без него агент выдаёт демо, а не компонент.
  • Переписывать всё сразу. Окупается конкретное узкое место, а не смена языка ради смены языка.
  • Забыть про сопровождение. Новый код на другом языке должны уметь поддерживать те, кто останется в команде после проекта.
  • Воспринимать кейс вендора как независимый замер. Цифры в истории клиента — это данные компании о своём опыте, и в другой кодовой базе результат будет другим.

Кейс Wiz полезен не тем, что «агент быстрый», а тем, что показывает рабочий сценарий: узкое место, заранее приготовленный корпус тестов, измеримый результат. Без двух последних пунктов скорость остаётся просто скоростью.

Источники

Похожие разборы: ИИ-агенты в производственных процессах, финансовая сторона агентского рантайма, все материалы блога — в разделе блог.