Улучшаемые навыки
AI-First разработка
Разработка с ИИ-агентами
Управление контекстом
Code Review
Безопасная разработка
Проектирование через бизнес-сценарии
Эволюционная архитектура
Python 3.14+
Observability-driven design
Модульные монолиты
Инструменты
Docker
Git
Python
FastAPI
Claude Code
Чему вы научитесь
01
Ставить задачи ИИ-агентам. Формулировать цель, критерии приёмки и границы изменений так, чтобы результат поддавался объективной проверке.
02
Управлять контекстом. Готовить спецификации, глоссарий домена, ADR и правила проекта (CLAUDE.md, правила Cursor), а также отбирать файлы, необходимые для конкретной задачи.
03
Проектировать через «волю» и ограничения. Задавать архитектурные рамки, внутри которых ИИ-агенты смогут построить надёжную систему.
04
Работать в цикле «план → код → тесты → ревью». Реализовывать изменения совместно с агентом и определять, где допустима полная автономия, а где необходим пошаговый контроль.
05
Проверять результаты работы агента. Использовать blackbox-тесты бизнес-сценариев, инструменты наблюдаемости и ревью диффа человеком по чек-листу.
06
Настраивать безопасную среду. Ограничивать права и разрешённые команды, изолировать среду выполнения и выносить секреты за пределы контекста модели.
07
Обеспечивать эволюционность. Строить системы, которые легко адаптируются под меняющиеся бизнес-задачи, вместо переписывания с нуля.
Программа курса
01
Смена парадигмы. От Coder к AI-Architect
AI-First мышление: почему код стал «вторичным продуктом» и как перестать заниматься микроменеджментом реализации.
Эволюционная архитектура: как строить системы, готовые к изменениям завтра, а не описывающие вчерашний день. Скорость Time-to-Market в 2026.
Российский контекст 2026: работа с локальными и глобальными моделями, безопасность данных и контуры разработки.
Жизненный цикл задачи с ИИ-агентом: постановка → контекст → реализация → проверка. Разграничение зон ответственности человека и агента.
02
Архитектура смыслов: DDD (Domain-Driven Design) и контекст для ИИ
Единый язык (Ubiquitous Language): как описывать бизнес-домен так, чтобы ИИ понимал вас с полуслова.
Спецификация как контекст: документация не для галочки, а как «память» для ИИ-агента.
ADR (Architecture Decision Records): как фиксировать решения, чтобы ИИ не галлюцинировал в бизнес-логике.
03
Инструментарий: Cursor и ИИ-агенты
Настройка Cursor, Claude Code и GigaCode. Управление контекстом через .cursorrules и CLAUDE.md.
Агентный цикл: план → реализация → тесты → ревью. Когда давать агенту автономию, а когда работать пошагово.
Права агента: режимы подтверждения действий, разрешённые и запрещённые команды, работа в изолированной среде (dev-контейнер, sandbox).
04
Python-архитектура в эпоху ИИ
Возвращение к модульным монолитам: почему микросервисы усложняют для ИИ работу с общим контекстом и как структурировать код в 2026 году.
Modular Monolith на Python: FastAPI + Pydantic + SQLModel как стек для контекстного проектирования.
Почему ИИ эффективнее в монорепозиториях.
Constraints (ограничения) вместо Harness-функций: как задать «узкий коридор» правил, внутри которого ИИ может работать свободно.
05
Качество через blackbox и наблюдаемость
От проверки кода к проверке результата: blackbox-тестирование на Pytest.
Observability-Driven Design: как ИИ помогает внедрять OpenTelemetry для контроля «чёрного ящика».
Автоматическая приёмка: ИИ-аудит кода как первый фильтр, а не замена ревьюеру.
Ревью человеком: чек-лист ревью, критерии приёмки и границы human-in-the-loop.
06
Промпт-инжиниринг для профи: реализация фич
Структура технического промпта: контекст → задача → формат → ограYичения.
Итеративная разработка: как доводить результат до продакшн-качества.
AI-assisted Code Review: автоматизация аудита безопасности и edge-cases.
07
Инженерная эффективность, безопасность и FinOps
Минимальный Platform Engineering: среда (DX), где ИИ-агенты запускают тесты и сборку, но не имеют доступа к продакшн-деплою.
Безопасность работы агента: принцип минимальных привилегий, секреты вне контекста (.env, хранилища секретов).
Защита от промпт-инъекций: риски через содержимое репозитория (README, issues, зависимости).
Экономика разработки: стоимость токена против часа разработчика и оптимизация затрат на ИИ-генерацию.
Техдолг 2.0: рефакторинг системы, чтобы она оставалась «понятной» для ИИ.
08
Сквозной проект: финальная фича и защита
Финальный воркшоп: от описания бизнес-сценария до готового к релизу изменения с тестами, документацией и ревью.
Разбор типичных ошибок потери контроля над ИИ.
09
Итого на курс 32 ак. ч.: теория — 13 ак. ч.(40%), практика — 19 ак. ч.(60%)
Для кого
Руководитель группы\Тимлид
Разработчик
Архитектор ПО
Предварительная подготовка
Опыт коммерческой разработки на Python (уровень Middle и выше), понимание основ веб-архитектуры и работы с базами данных. Опыт работы с Git, участия в ревью кода и базового использования Docker. Желателен опыт использования ИИ-ассистента в разработке. Рекомендуемая подготовка — курс «Промышленный бэкенд на Python + ИИ-инструменты» (PY-003) или аналогичный опыт.
