Система - Стек - Портфолио Система вместо хаоса: чтобы быстрее делать AI-продукты, расти в карьере и доводить решения до результата. AI-кодинг Cистемная работа с AI-агентами. Предсказуемый результат каждый раз — не когда повезёт Понимание принципов работы кодовых агентов (возможности и ограничения) Рабочий процесс с Cursor (который легко переносится на другие инструменты) Rules / skills / subagents / hooks — управляемая работа и максимальная эффективность Подстраиваете процесс под любую задачу и проект Обычно это даёт x3–5 к скорости и меньше “переделок” Зачем: Вы становитесь человеком, который стабильно выдаёт результат и быстрее закрывает задачи — это напрямую влияет на ценность на работе и вашу эффективность в своих проектах. Арсенал навыков Стек, за который рынок платит и который позволяет запускать свои AI-проекты. Это не "обзор всего подряд", а ядро того, что реально требуется. Python + работа с LLM API Промпт- и контекст-инжиниринг RAG-системы и векторный поиск ИИ-агенты и мультиагентные системы (LangChain / LangGraph / MCP) Evals и LLM-as-a-Judge (потому что "вроде работает" — не критерий) Вывод в production (от прототипа до эксплуатации) Зачем: Это стек, который открывает вакансии/проекты "не про поиграться", а про реальные задачи — и даёт базу, чтобы делать свой продукт/автоматизацию без дыр. Портфолио Реальные AI-проекты — не "прослушанные курсы". Каждая тема заканчивается разработанным решением, а не конспектом. AI-ассистенты Мультимодальный AI-продукт Веб-приложение (облако или свой сервер) RAG-системы разной сложности Агентная система MCP-инструменты Мультиагентная система Зачем: У вас появляется портфолио, которое можно показать работодателю/клиенту — и база, которую реально развивать дальше, а не "оставить в тетрадке". Четыре пути роста и развития. Один из них — ваш. Быстрый старт Хочу быстро войти в AI-разработку Пробовали AI-инструменты или слышали про Cursor/агентов, но всё разрозненно и непонятно, что реально работает. Нужен быстрый, практичный вход — с результатом, а не с теорией. Что получишь: Cursor: базовый workflow, чтобы "получалось каждый раз" LLM API в практике (как подключать и использовать) 3 AI-продукта: ассистент → мультимодальный AI-продукт → агент Деплой первого решения в облако Работа с локальными и облачными LLM Шаблоны/чеклисты, чтобы повторять на новых задачах Xочу делать AI-продукты end-to-end Xочу самостоятельно закрывать весь цикл: backend + frontend + DevOps + DocOps — с AI. Цель — делать продукт быстро, качественно и до запуска, а не останавливаться на прототипе или искать команду разработки. Что получишь: Системный анализ и планирование Архитектура AI-продукта: backend + frontend + данные Telegram/веб интерфейс + API + БД (реальная связка) Деплой: Docker + CI/CD + базовая наблюдаемость DevOps: от настройки окружения до деплоя в облако Паттерны интеграции Хочу специализироваться на агентах и RAG Хочу делать серьёзные агентные системы, которые можно улучшать и поддерживать. Что получишь: RAG-практика: от базового pipeline до advanced техник Агенты: tool calling + LangGraph (и переход к multi-agent) Инструменты/интеграции: MCP (как "tool-layer") Качество: evals + LLM-as-a-Judge (чтобы не "вроде работает") Production-контур: минимальные guardrails/observability как привычка Карьерный переход Переход в AI-инженерию (меняю специализацию) Хочу структурно войти в AI-инженерию: понять базовый стек, собрать портфолио и выбрать фокус. Нужен маршрут, который экономит месяцы хаотичного самообучения. Что получишь: Базовый стек: Python + LLM API + RAG + агенты Портфолио проектов: ассистент/агент + (по треку) продукт/система Понимание "что учить дальше": ветка Fullstack или Agents/RAG Практики системной разработки с AI (чтобы расти быстро, но без хаоса) Спойлер: Программа Программа: От системного AI-кодинга к AI-driven разработке, AI-продуктам и агентным системам. Ступень 1: Интенсив AI-кодинг ИИ-агентов в Cursor Флагманский интенсив для быстрого старта в AI-driven разработке. Освоите системный AI-driven подход с Cursor и создадите портфолио из LLM-проектов. Теория: AI-driven методология: от идеи до деплоя Работа с Cursor: правила, контекст, workflow Архитектура LLM-ассистентов и паттерн ReAct Мультимодальность и локальные LLM Практика: Настройка окружения и AI-driven разработка в Cursor Telegram-бот с LLM, голосом и изображениями Автономный агент с инструментами (ReAct) Деплой проекта в облако (Railway) Результат: Навык AI-driven разработки и деплоя Портфолио из LLM-проектов Работающий Telegram-бот Мультимодальный AI-продукт Агент с инструментами Ступень 2: Курс "AI-driven Fullstack разработка" Full Cycle Development с ИИ-агентами. Самостоятельное прохождение всех этапов от идеи до production-ready приложения. Теория: LLM и AI-кодинг экосистема Системный анализ и проектирование fullstack-архитектуры Backend/API, БД и frontend-интеграция DevOps, CI/CD и production observability Практика: Разработка fullstack-приложения с AI-ассистентом Реализация backend, PostgreSQL и frontend Контейнеризация, CI/CD и деплой в production Результат: Production-ready fullstack-проект REST API, React/Next.js, PostgreSQL Docker, CI/CD и деплой в облако Ступень 3: Курс "AI-driven разработка ИИ-агентов" Комплексное освоение современных технологий создания ИИ-агентов: RAG, интеграции, оценка качества и безопасность. Теория: Основы LLM, AI-driven подход и работа с API RAG и Advanced RAG, мониторинг и evals LangChain/LangGraph, tool calling и MCP Безопасность и оценка качества агентных систем Практика: Создание RAG-агента с векторной базой знаний Разработка автономного агента с инструментами Внедрение мониторинга, security и evaluation Результат: Production-ready агентная система RAG, tool calling, MCP и LangGraph-паттерны Навыки evals, observability и security Ступень 4: Курс "Deep Agents: продвинутая разработка ИИ-агентов" Создание production-ready агентных систем. GraphRAG, мультимодальный RAG, context engineering и мультиагентное масштабирование. Теория: GraphRAG, мультимодальный RAG и векторные/графовые БД Продвинутый context engineering и Deep Agents Evaluation, red teaming и prompt management Мультиагентные паттерны и протоколы A2A/A2UI Практика: Построение production-ready агентной системы Реализация мультиагентной архитектуры Масштабирование через A2A и A2UI Результат: Production-ready мультиагентная система GraphRAG, observability, evaluation, red teaming Навыки промышленного масштабирования агентов Эксперт Сергей Смирнов AI-эксперт и методолог, к.т.н. Мастер системных и научно-практических подходов к построению AI-разработки, руководитель RnD лаборатории 23 года в Software Engineering, 15 лет в Computer Science, 4 года в GenAI Автор корпоративных тренингов по AI-driven разработке для ИТ-команд Победитель и призер международных AI-хакатонов Призер LLM-coding challenge 2025 23 года в разработке ПО, 15 лет в Computer Science, 4 года в GenAI Руководитель лаборатории AIRnD.ru и автор канала @AI.Dialogs Спикер на митапах и AI-мероприятиях, создатель @devclubspb 5 AI-кейсов для РЖД, RUTUBE, MediaWise Успешные тренинги для Сбер, Системные Технологии, СИЛАРТ, ITone