Invvestcoder — agentowa platforma deweloperska, która pisze i wdraża kod Cybersolus

Invvestcoder to nasza wewnętrzna platforma, w której floty agentów AI prowadzą pracę deweloperską od pierwszego ticketa aż po deploy na produkcję. Zamiast kupować gotowe narzędzie i dopasowywać się do cudzych ograniczeń, zbudowaliśmy system, który zna nasze repozytoria, nasze standardy kodu i nasze procesy klientów.

Dzięki temu 10-osobowy zespół obsługuje pipeline, przy którym klasyczna agencja potrzebowałaby trzydziestu ludzi. Ten case-study pokazuje, co dokładnie dzieje się pod spodem — architekturę, agentów, metryki i pułapki, w które wpadliśmy po drodze.

Gotowe narzędzia typu „AI w IDE” dobrze działają na poziomie pojedynczego developera. Nasz problem był inny: pracujemy równolegle nad kilkunastoma repozytoriami klientów, mamy własne standardy CI/CD i musimy mieć kontrolę nad tym, co trafia do kodu produkcyjnego.

Potrzebowaliśmy warstwy orchestracji, która rozumie całe zlecenie — nie tylko fragment pliku. System, który sam zdecyduje, czy zadanie robi jeden agent, czy trzeba je rozbić na specjalizowane podzadania i uruchomić równolegle. Sugestie per linijka w edytorze tego nie obsłużą — potrzebny był pipeline, który przejmuje ticket w całości i oddaje gotowy PR w naszym stylu branchowania, commitowania i opisów.

• Agent przejmuje zadanie w całości — od ticketa do PR-a, nie tylko sugeruje linijkę kodu.
• Branchuje, commituje, testuje i opisuje PR w naszym stylu, bez ręcznego poprawiania.
• Podzadania lecą równolegle na wielu agentach — to, co człowiek robiłby sekwencyjnie, tu trwa kilka minut.
• Każda zmiana ma pełny log rozumowania i diff — review staje się audytowalne, nie intuicyjne.
• Review i CI odpalają się automatycznie jako kolejny agent, bez czekania na kogoś z zespołu.

Platforma jest zbudowana na prostej zasadzie: jeden orkiestrator, który rozumie cel, i wielu wyspecjalizowanych agentów, którzy wykonują kroki. Komunikacja przez kolejkę zadań i wspólne, wersjonowane repozytorium wiedzy o projekcie.

Cykl zaczyna się od ticketa w naszym trackerze. Agent planujący czyta opis, zagląda w repo i rozbija pracę na podzadania: backend, testy, migracja bazy, dokumentacja. Każde podzadanie trafia do agenta zgodnego z technologią — Python/FastAPI, TypeScript/Astro, SQL/Supabase, Markdown/docs. Pracują na osobnych branchach, widzą tylko to, co musi im być widoczne, i oddają wynik w ustalonym formacie.

• Planner dekomponuje ticket na drzewo podzadań i przydziela je wyspecjalizowanym agentom.
• Agent testowy pisze testy jednostkowe i integracyjne na podstawie kontraktów — często zanim powstanie produkcyjny kod.
• Reviewer robi statyczną analizę, sprawdza spójność stylu i zgodność z naszymi konwencjami.
• Człowiek w pętli pojawia się tylko tam, gdzie confidence threshold agenta jest za niski — np. modyfikacje schematu bazy produkcyjnej, klucze API, refaktor krytycznej funkcji.
• Gdy CI przechodzi, agent deployowy puszcza build, merguje do main, restartuje PM2 i smoke-testuje endpointy — cały cykl zajmuje średnio 23 minuty od ticketa.

Każdy agent to wyspecjalizowany proces z własnym system promptem, zestawem narzędzi (dostęp do repozytoriów, terminala, bazy wiedzy) i rolą w pipeline. Nie są „jednym dużym modelem” — są kilkunastoma małymi, każdy przeszkolony pod konkretny kontekst.

W obecnej flocie mamy plannera, osobnych engineerów od backendu i frontendu, migratora schematu, autora testów, reviewera, autora dokumentacji, agenta deployowego, incident respondera i agenta treści pod SEO. Najszybsze wdrożenia nie były wtedy, gdy model był „większy” — były wtedy, gdy agenty widziały dokładnie tyle kontekstu, ile naprawdę potrzebują, ani mniej, ani więcej.

Invvestcoder nie powstał w tydzień. Przez pierwsze dwa miesiące byliśmy pewni, że potrzebujemy „lepszego modelu”. Okazało się, że potrzebujemy lepszego sposobu karmienia modelu kontekstem i lepszego mechanizmu kontroli nad tym, co oddaje.

Wrzucenie całego repozytorium do kontekstu dawało gorsze efekty niż zawężenie do 3–5 najważniejszych plików — model przestawał rozumieć, co jest istotne. Dopóki nie zmusiliśmy agentów do pisania testów PRZED kodem, jakość spadała dramatycznie. Dzisiaj test jest pierwszym artefaktem każdego zadania. Każdy agent oddaje wynik w ustalonym formacie (JSON albo markdown z sekcjami), co zamyka całe klasy błędów i pozwala orkiestratorowi bezpiecznie podejmować decyzje.

• Mniejszy, precyzyjniej dobrany kontekst — lepsze wyniki niż „wrzuć mu wszystko”.
• Agent testowy to najważniejszy agent — testy pierwsze, kod drugi.
• Deterministyczne kontrakty wyjść zamiast prompt-engineeringu w każdym kroku.
• Confidence threshold jako mechanizm eskalacji do człowieka — nie każda zmiana trafia do ręcznego review, ale ta, która powinna, trafia zawsze.

Invvestcoder nie jest produktem na sprzedaż. Jest infrastrukturą, dzięki której dowozimy projekty klientów dwa–cztery razy szybciej niż zespół bez agentów — przy wyższym standardzie testów i dokumentacji.

Kiedy klient zleca integrację, jest ona realizowana tym samym pipelinem, który utrzymuje nasze produkty (Cybersolus.com, SEOmmerce, PluginVvest). Zmiany wchodzą na produkcję w dniu, w którym są zaakceptowane — nie w iteracji za trzy tygodnie. Każdy wdrożony feature ma testy, dokumentację i changelog, bo to artefakty pipeline'u, a nie dobra wola zespołu.

• Ten sam pipeline, co utrzymuje nasze własne produkty — nie „coś na boku” dla klienta.
• Tempo dowozu 2–4× wyższe niż u zespołu bez agentów, przy tym samym headcount.
• Każde wdrożenie zostawia ślad: testy, dokumentację, changelog, log decyzji.
• Kompetencja platformy rośnie z każdym projektem — wnioski z jednego wdrożenia zasilają kolejne.

Otwórz invvestcoder.ai