API-граф как контекст для coding-агентов в микросервисах

Что в ролике
Когда система разрастается до сотен микросервисов, coding-агенту мало кода одного репозитория: Postman-инженер Камал показывает, как построить для агентов слой контекста из API. Их путь начался с автодополнения, затем перешёл к рефакторингам и автономным агентам, но документация без участия людей деградирует, а MCP-навыки и память агента ограничены. Решением стала карта API-контекста: каталог всех микросервисов, их REST-эндпоинтов, строк кода реализаций, связей между сервисами и потоков данных вплоть до баз и кешей, индексированный LLM и привязанный к коду или production-телеметрии. На реальных PR и проектных решениях Postman сравнили своего агента, подключённого к графу, с Claude Code через обычный GitHub-поиск и с тем же графом в виде навыка. В сценарии поиска подходящего API граф резко улучшает результат, а при анализе формы входных данных, когда свободный JSON-объект разросся с одного атрибута до пятнадцати, Postman-агент определил уникальные формы для всех потребителей, тогда как чистый поиск провалился, а Claude Code с навыком сдавался после нескольких ходов. Оценка влияния изменений API дала высокое качество и расход токенов в половину или треть от чистого код-поиска, но одна оценка провалилась из-за того, что граф не обновили после появления новых потребителей. Увидев, что 75% PR в топ-10 репозиториях затрагивают API, команда попросила агента провести полный архитектурный обзор, и он выдал 21-страничный отчёт с циклами зависимостей, рискованными миграциями и точками отказа, а дальше планируют добавить семантический слой бизнеса и объяснения, почему существуют те или иные API и модели данных. Итог такой: API-граф даёт общий взгляд на распределённую систему, ускоряет поиск правильного решения и делает проверки дешевле, чтобы запускать их на уровне PR и на машине разработчика.
Практика
- Что получишь
- Поймёте, почему агентам в микросервисной архитектуре не хватает кода одного репозитория и как граф API-зависимостей улучшает поиск, дизайн и оценку влияния изменений. Узнаете, какие сценарии дают выигрыш, а какие ломаются без актуализации графа.
- Первый шаг
- Если хотите повторить подход, начните с инвентаризации своих микросервисов и REST-эндпоинтов и зафиксируйте для каждого, где он реализован в коде.
- Цифры
- —150+ микросервисов и тысячи REST-эндпоинтов — масштаб архитектуры Postman, которую картировали
- —21 страница — объём отчёта агента об архитектурном анализе всей экосистемы
- —75% PR из топ-10 репозиториев Postman затрагивали API — так авторы оценили частоту сценариев
- —половина или треть токенов — настолько меньше тратил Postman-агент при оценке влияния по сравнению с чистым код-поиском
- Честно
- Докладчик — сотрудник Postman, и в конце прямо говорит, что все описанные возможности доступны внутри платформы Postman и в early access; повторить API context graph вне Postman по ролику нельзя, так как инструменты и детали реализации не показаны. Точные цифры сравнений (баллы оценок и расход токенов) видны только на слайдах, в речи их не называют.
Если слова незнакомы — 9 терминов
- APIспособ для программ запрашивать данные и действия у другого сервиса
- микросервисотдельный сервис, отвечающий за одну область системы
- REST-эндпоинтконкретный адрес и метод, по которому можно вызвать API
- LLMбольшая языковая модель, на которой работают агенты
- MCPпротокол, по которому агент подключается к внешним инструментам
- PRзапрос на слияние изменений в основную ветку репозитория
- production-телеметрияданные наблюдения за работой боевой системы
- контекстинформация, которую агент получает для решения задачи
- токенединица текста, по которой считается работа модели
Связки из этого ролика
4 шт.- REST API
- microservices
- RAG
- GraphRAG
Компоненты
5 шт.Формат: разбор кейса · для продвинутых · уверенность разметки 0.8 · источник