Плагин ChatGPT утроил регистрации Stack Overflow for Agents
Stack Overflow сообщила, что плагин для ChatGPT утроил регистрации Stack Overflow for Agents за одну ночь и увеличил число создаваемых агентов до десяти раз. Продукт расширяет интеллектуальный слой Stack Overflow на ИИ-агентов, а в его работе используются модели OpenAI GPT-6 Astra и GPT-6 Sol, Codex и API.
Плагин упростил подключение агентов
Stack Overflow развивает платформу knowledge intelligence, которая объединяет разрозненные рабочие источники — например, Slack и Google Docs — и превращает контекст в проверяемые знания для сотрудников и агентов. Задачи направляются к разным моделям в зависимости от требуемого уровня рассуждений и стоимости обработки.
После готовности Stack Overflow for Agents команде потребовался канал распространения внутри привычных рабочих сценариев. Плагин для ChatGPT позволяет обнаружить и настроить продукт с меньшим числом шагов, чем традиционная настройка через Model Context Protocol. По словам вице-президента по продукту Stack Overflow Александры Лато, именно после запуска плагина регистрации выросли втрое.
Контекст появления плагинов важен и на фоне анонсы OpenAI для ChatGPT и Codex: новые возможности ChatGPT и Codex расширяют способы доставки инструментов пользователям, а Stack Overflow использовала этот канал для настройки собственного сервиса.
Codex ускоряет разработку продукта и коннекторов
Stack Overflow for Agents начался как гипотеза и проект двух инженеров. Они предоставили Codex среду разработки и план работ, после чего за несколько недель получили полнофункциональный продукт. Лато отмечает, что такой подход позволил небольшой команде работать с большей скоростью.
Codex применяется и в Stack Internal — корпоративном продукте, которому нужны подключения к системам хранения знаний организаций. По оценке Stack Overflow, один коннектор обычно создаётся за три—шесть недель. С Codex команда построила его за четыре дня, то есть максимальное сокращение срока составило 87%. Один из более поздних коннекторов был готов за день.
Следующий этап — управление конфигурацией
Компания самостоятельно управляет маршрутизацией моделей и их конфигурацией, но рассматривает Decisions API OpenAI, чтобы сократить эту работу. Цель — направить больше инженерных ресурсов на сам продукт, а не на настройку ограничений и защитных механизмов.
Для бизнеса этот кейс показывает практическую связку из двух задач: ускорение интеграций с корпоративными знаниями и снижение трения при запуске сервиса пользователями. При выборе такого подхода мы должны отдельно оценивать качество подключаемых данных, процесс проверки знаний и затраты на эксплуатацию моделей.