Как Linear ускорил CI-процессы в эпоху ИИ-разработки

Что произошло

С внедрением ИИ-инструментов для генерации кода в Linear столкнулись с парадоксом: чем быстрее создаётся код, тем дольше он проходит CI-проверки. Типичный pull request тратил свыше 6 минут на ожидание, а инфраструктурные затраты росли. Команда пересмотрела весь CI-конвейер, добившись устойчивого результата даже при увеличении тестовой базы.

«Агенты ускорили генерацию кода, но валидация изменений не поспевала за этим темпом» — отмечает Mufeez Amjad из Linear.

Детали

Инфраструктурные изменения:

• Переход с GitHub Actions на сторонние раннеры с быстрыми CPU дал +34% скорости
• Замена TypeScript-компилятора сократила проверки типов на 73%
• Оптимизация линтинга через статический анализ (без TypeScript) ускорила процесс на 55-68%

Работа с тестами:

• Разделение монолитных тестовых файлов и увеличение шардов с 4 до 8
• Настройка Vitest для повторного использования модулей между тестами (экономия 17% ресурсов)
• Автоматическая загрузка снимков БД вместо полных миграций (ускорение с 12 до 1-2 сек)

Системные улучшения:

• Умная загрузка только нужных частей репозитория (сокращение checkout с 94 до 20 сек)
• Пакетный запуск мелких проверок вместо отдельных джобов (экономия 87k runner-минут/мес)

Почему это важно

Для команд, использующих ИИ-разработку, CI становится «узким горлышком» — агенты могут генерировать код быстрее, чем система успевает его проверять. Опыт Linear показывает:

1. Экономия времени разработчиков — минута ожидания CI при 100 PR в день = 1.5 человеко-часа простоев
2. Снижение затрат — оптимизация runner-времени прямо влияет на облачные счета
3. Масштабируемость — решения работают даже при добавлении 2000+ тестов еженедельно

Что дальше

Тренд очевиден: с ростом ИИ-ассистентов нагрузка на CI будет только увеличиваться. Ключевые направления развития:

• Динамическое шардирование — автоматический подбор количества параллельных тестов
• Предсказательное кэширование — ИИ может заранее определять, какие проверки точно понадобятся
• Интеграция с агентами — как в Linear, где ИИ обучен учитывать CI-оптимизации при генерации тестов

Главный вывод — CI больше не может быть «статичным» процессом. В эпоху ИИ-разработки он требует такой же гибкости и адаптивности, как и инструменты генерации кода.