Я программист 1С с 18 летним опытом работы с 1С:Предприятие и общим опытом коммерческого программирования 22 года.
С начала января 2025 года я перешел на парадигму работы “AI first” с полным созданием всего необходимого посредством ИИ кодинга.
Мне понадобилось более полугода, чтобы разработать и протестировать на реальных рабочих задачах пайплайн работы с нейросетями, учитывающий особенности разработки под 1С. После чего я начал делиться накопленным опытом с коллегами, и собирать от них обратную связь о их нейросетевом опыте работы с 1С.
Эта статья – текущее подведение итогов от меня и порядка пятидесяти коллег.
Итак, что на сегодня, 12 декабря 2025 года, нейросети делают полезного для 1Сников (программистов и аналитиков)?
1. Даже раньше, чем “пишут код”, я поставлю “пишут ТЗ”. Это вечно проседавшая в реальной жизни часть правильных практик. В чем ценность опытного программиста для заказчика его труда? Один из ключевых факторов это насмотренность и знание разных доменов, что экономит “мозготопливо” заказчика. Вместо подробного ТЗ порой хватало “сделай по месту, ты же знаешь что к чему”. Это хорошо работает, но большинство опытных программистов согласятся со мной, что и в этом случае достаточно подробное ТЗ не помешало бы. Сейчас, с нейросетями и их инструментами, такими как веб-поиск, дип-ресерчи и RAG подгрузкой контекста, мы получаем подробные и полные ТЗ с минимальным участием человека в вычитках и правках. Также, это кардинально, в разы повышает скорость и качество работы выделенных аналитиков.
Исходя из нашего опыта для создания ТЗ можно рекомендовать в первую очередь большую тройку нейросетей – GPT 5.1, Gemini 3, Opus 4.5.
2. Генерация кода – то, что больше всего бросается в глаза. Да, она начала приемлемо работать начиная с Sonnet 3.5 и на сегодня Opus 4.5/Sonnet 4.5 остаются лучшими для 1С. Здесь я дополнительно сошлюсь на Хабрастатью моего уважаемого коллеги и партнера Олега Филиппова .
Генерируемый код обычно не идеален и чаще всего не с первого раза решает поставленную задачу, но обычно быстро исправляется самой нейросетью. Opus 4.5/Sonnet 4.5 склонны подстраиваться под стиль примеров кода самостоятельно, а применение правил для агентов в виде системных инструкций/памяти и т.д. обычно дает положительный результат сразу же.
3. Метаданные и формы – конкретно Opus 4.5/Sonnet 4.5 в агентских режимах прекрасно понимают структуру выгрузки конфигурации в файлы и легко ей оперируют, правя xml и bsl. К сожалению, создание объекта метаданных/формы с нуля затруднено и нейросети часто отказываются это сделать. Но наполнить новенький объект/форму реквизитами, их связями, расположить и настроить их в соответствии с дизайном – не отказываются. Иногда бывают ошибки, самостоятельно исправляемые нейросетью.
4. Отчеты – макеты тоже знает, может корректно править. СКД редактирует только в путь, в основном верно сразу (ваншот) ну и быстро исправляется, если что не так. Что-то добавить, документировать, отрефакторить – прекрасно.
5. Анализ кода и логов.
По коду: можно взять модуль или его кусок и честно сказать машине “объясни, что здесь вообще происходит, где здесь может быть больно и на что надо обратить внимание”. В ответ обычно получаем краткое человеческое объяснение, и интересные гипотезы.
По логам: я тут частично процитирую пост коллеги Артема Бычкова, и очень рекомендую почитать его целиком.
“Gemini и без моих наводок приходит к выводу, что циклы не подходят, и предлагает найти нужные узлы через XPath — это будет гораздо быстрее, т.к. поиск по сути на голом C++ (на libxml). Круто, а я об этом и не подумал!
Gemini пишет код → скриптами загружаю в ИБ → запускаем процесс → проверяем память в Grafana (дашборды которой тоже настроил с gemini) → проверяем тех. журнал → и с первой же попытки утечки пофикшены. Ну и куда без супервизии — решение со своей стороны еще раз детально проверил.
Секундомером не замерял, но ускорение x2 получил точно. Еще и в параллели занимался другой задачей.”
6. Генерация тестов – если у нас есть на то желание, нейросеть умеет сгенерировать набор тест-кейсов: типовые сценарии, граничные значения, отрицательные случаи “пользователь сделал всё неправильно, что тогда”. Для покрытия кода тестами есть прекрасная работа от Алексея Корякина и Артура Аюханова .Это “MCP‑сервер, который подключается к вашему проекту 1С:Предприятие и предоставляет ассистенту команды для сборки и запуска тестов YaXUnit”.
Надеюсь, что в ближайшие полгода, с развитием мультимодальных LLM, мы получим и сценарное тестирование любой сложности логики на любом UI, включая 1С.
В чем работать с ИИ – рекомендую обзорную статью Олега Филиппова о агентах/IDE.
Итого:
-
Количество ваншотных генераций: дал ТЗ, получил свои 100+ строк нового/измененного кода, который сразу же заработал как надо, сейчас порядка 30%. Чем меньше требуемый код, тем выше шанс получить валидный результат с первого раза.
-
В используемом нами пайплайне, который можно описать как “подготовка ТЗ -> генерация кода -> тестирование”, общий рост производительности труда как минимум троекратный.
Спасибо за внимание, с вами был Петр. Пишу об ИИ в 1С на канале https://t.me/yellow_ai_vibe , подписывайтесь, чтобы меньше работать и больше отдыхать! (это шутка, обычно когда разработчик/аналитик понимает, как он много может теперь создать, они начинают творить просто невероятное количество вещей, до которых раньше не доходили руки).
Автор: DAC
