AI Software Engineering: от кода к спецификациям
Курс для разработчиков и тимлидов, которые хотят выстроить эффективный процесс AI‑разработки и управлять его качеством так, чтобы можно было доверять AI-агентам сложные задачи и получать production‑ready результат в 3–5 раз быстрее, без ручной проверки каждого изменения.
Дополнительный блок для руководителей команд разработки, которые хотят внедрить единый AI-процесс разработки в команду
Записаться Дополнительный блок для руководителей команд разработки, которые хотят внедрить единый AI-процесс разработки в команду
Этот курс для вас, если вы:
- Слышали про AI-агентов в разработке, но не уверены, как встроить их в реальную работу и получать качественный результат
- Уже используете агентов, но порой, правите за ним больше, чем хотелось бы
- Хотите научиться доверять агентам и не перепроверять каждую строку
- Хотите закрывать задачи end-to-end без бесконечных объяснений
Формат
Перевернутый класс
теория выдается заранее, на встрече - практика и разбор
Длительность 6-9 недель
в зависимости от выбранного тарифа
Живые встречи
групповые онлайн-встречи раз в неделю по 1,5 часа
Программа курса
Два уровня - основной и дополнительный для тимлидов и руководителей разработки
Цель: посторить работу через спецификации, оркестрацию и мультиплексирование агентов.
По итогу уровня вы:
- Освоите Spec-Driven Development: агент работает по спецификации и даёт предсказуемый результат
- Научитесь писать качественные спеки
- Выстроите среду и процесс для агентной разработки на своём проекте
- Создадите кастомные скиллы и научитесь оркестрировать несколько агентов
- Сможете контроллировать качество конечного результата и быть уверенным в работе агентов
Модуль 1: Context Engineering + SDD основы
Темы:
- Context Engineering — управление контекстом как ограниченным ресурсом
- Curated context vs raw context — что давать агенту, что нет
- Агентность: план → действие → наблюдение → корректировка
- Почему AI-агент ≠ автодополнение кода
- MCP (Model Context Protocol): расширение возможностей агента — стандарт интеграции с внешними системами (GitHub, Slack, БД)
- Почему код — это не продукт тимлида
- Спецификация как главный артефакт
- Workflow разработки с AI-агентом
- разберётесь, как управлять контекстом агента эффективно — что давать, что убирать, почему это напрямую влияет на качество результата
- освоите SDD-workflow: задача → спека → реализация агентом → ревью
- напишете первые хорошие спецификации — поймёте, что делает спеку рабочей и как не сойти с ума в процессе
Темы:
- Как формулировать задачу для агента: контекст, цель, ограничения
- Базовые техники: decomposition, constraints, exit criteria
- Зачем AI-агенту acceptance criteria
- BABOK-подход: функциональные, нефункциональные требования
- Как писать AC, которые агент может проверить
- Agentic loop: агент работает в цикле план → действие → проверка → корректировка
- Скилл для запуска агента в цикле итераций с автоматической проверкой AC
- научитесь писать спеки с acceptance criteria, которые агент реально может проверить
- научитесь запускать агента в цикле с автоматической проверкой AC — получите предсказуемый результат без ручного контроля каждого шага
Темы:
- Что такое скилл: формализованная инструкция, которую агент выполняет по команде
- Создание кастомных скиллов
- Как формализовать повторяющуюся задачу в скилл
- Где хранить скиллы в проекте
- Скиллы для команды
- Как версионировать и шарить скиллы через репозиторий
- Общий пул скиллов vs личные скиллы
- создадите кастомные скиллы под свой проект: автоматизируете code review, ревью спецификаций и другие повторяющиеся задачи
- научитесь версионировать скиллы и расшаривать их в команде
Темы:
- TAUS: Testable, Ambiguous-free, Uniform, Scoped
- Agentic loop: запуск агента в цикле план → действие → проверка
- Exit criteria: как агент понимает, что пора остановиться
- Связь AC и exit criteria: acceptance criteria = условия выхода из loop
- ADR и трассировка решений:
- научитесь применять критерии TAUS к спецификациям — научитесь отличать рабочую спеку от "похожей на рабочую"
- создадите ADR и трассировку решений в коде — Настроите среду так, что агент будет понимать контекст ваших решений и не ломать архитектуру при модификациях
- научитесь классифицировать задачи по матрице риск × повторяемость и выбирать уровень контроля
Темы:
- Паттерны оркестрации:
- Один агент
- Специализированные агенты
- orchestrator → workers
- Параллельные агенты (advanced):
- Несколько агентов работают одновременно над разными частями
- Инструменты оркестрации: Claude Squad, Cursor 2.0, платформы с parallel execution
- Два подхода к выполнению плана:
- Subagent-Driven
- Parallel Session
- Trade-offs: контроль и гранулярность ревью vs скорость и автономность
- Когда какой паттерн применять: матрица сложность × срочность
- разберётесь в паттернах оркестрации и научитесь выбирать нужный под задачу
- научитесь декомпозировать сложную задачу для нескольких агентов и запускать их параллельно
- создадите скилл-оркестратор на своём проекте
Для руководителей комнд разработки, которые хотят внедрить единый AI-процесс разработки в команду
Цель: составить и начать внедрение AI SWE в команду. После курса у участника будет конкретный план, метрики и первые результаты
Модуль 6: Командная инфраструктура
Темы:
Темы:
Темы:
Цель: составить и начать внедрение AI SWE в команду. После курса у участника будет конкретный план, метрики и первые результаты
Модуль 6: Командная инфраструктура
Темы:
- CLAUDE.md как общекомандная knowledge base проекта:
- Общий репозиторий скиллов для команды:
- Единое пространство для всей команды: скиллы, правила, MCP-конфиги
- Команда ежедневно отлаживает и наращивает систему
- настроите командный репозиторий скиллов — вся команда будет работать с единым пулом автоматизаций
- трансформируете персональный контекстный файл в командный артефакт: workflow, конвенции, антипаттерны
Темы:
- Agent-first review
- Spec-first workflow
- Как AI SWE меняет роли в команде:
- Техлид: от code review к spec review и развитию системы агентов
- Разработчик: от "получил задачу — кодирую" к "получил задачу — специфицирую — генерирую"
- QA: от ручного тестирования к бизнес-анализу
- Кейсы из практики
- Доверие на уровне команды: как помочь команде пройти путь скептицизм → эксперимент → принятие
- Метрики эффективности AI в команде
- Roadmap внедрения
- Как не демотивировать команду
- Типичные ошибки внедрения
- опишете целевой pipeline команды: от задачи до merge с участием агентов
- составите конкретный план внедрения AI в команду на 1 месяц с метриками и baseline
Темы:
- Что получилось внедрить за первые недели
- Где застряли и почему: групповой разбор и обмен опытом
- Корректировка планов
- Что дальше: горизонт 2026, advanced-практики
- сможете понять, где застряли и почему и как это решить
- уйдёте со скорректированным планом и дорожной картой на следующий квартал
Что вы получите по итогам курса:
- Работающий процесс агентной разработки на вашем проекте
- Рост эффективности в 3-5 раз (подтверждено практикой автора)
- Библиотеку кастомных скиллов под ваши задачи
- Систему контроля качества спецификаций (TAUS)
- Настроенную оркестрацию нескольких агентов без лишних проверок и микроменеджмента
- План внедрения в команду с метриками и roadmap (для уровня 2)
Бонусы:
- Доступ к закрытому Telegram-чату выпускников
- Записи всех встреч
- Шаблоны спецификаций и скиллов
- Доступ к материалам навсегда
Автор и ведущий курса - Данил Письменный
IT-предприниматель с 30-летним опытом разработки и 15-летним опытом управления командами.
Экс-технический руководитель в SAMOKAT.TECH, руководитель проектного офиса в группе криптосервисов. Экс-технический директор криптовалютной биржи ($1 млрд оборот), сооснователь KIIIOSK.STORE (400+ магазинов, ₽2 млрд GMV).
С 2024 года практикует агентную разработку. С осени 2025 года 100% production-кода пишется AI-агентами, что повысило эффективность команды в 4-5 раз.
Построил полный цикл Spec-Driven Development: от спецификации до деплоя в Kubernetes. Развивает SRE-практику через агентов: мониторинг, алертинг и инцидент-менеджмент в 3 инфраструктурах
Продукты на AI:
С 2024 года практикует агентную разработку. С осени 2025 года 100% production-кода пишется AI-агентами, что повысило эффективность команды в 4-5 раз.
Построил полный цикл Spec-Driven Development: от спецификации до деплоя в Kubernetes. Развивает SRE-практику через агентов: мониторинг, алертинг и инцидент-менеджмент в 3 инфраструктурах
Продукты на AI:
- supervalera.ru - AI-продавец для автосервисов (полностью спроектирован и реализован через GenAI)
- spec-reviewer — система из 11 субагентов для ревью спецификаций
- SRE-агент для мониторинга инфраструктур
- FinOps-агент для оптимизации Kubernetes
- claude-code-marketplace — открытый marketplace плагинов для Claude Code
Требования к участникам
- Опыт разработки от 3 лет
- Базовое знакомство с AI-ассистентами (Claude, Cursor, Copilot и т.п.)
- Свой проект (рабочий или pet-project) для выполнения заданий
- Уверенное владение Git, опыт работы с GitHub/GitLab
Стоимость
Выберите подходящий уровень. Количество мест ограничено
Level 1: AI SWE
Осталось мест - 20
35 000 руб
- 6 недель/5 модулей
- Живое участие во всех эфирах
- Общий чат участников
- Записи всех эфиров
- Сертификат об участии
Level 2: Внедрение в команду
Осталось мест - 10
50 000 руб
- 9 недель/8 блоков
- Включает все, что в Level 1
- 3 дополнительных модуля
- Живое участие во всех эфирах
- Общий чат участников
- Записи всех эфиров
- Сертификат об участии
Заявка на участие
Оставьте контакты и выберите тариф - мы вышлем на почту подробности и ссылку на оплату
Нажимая кнопку, вы соглашаетесь с политикой конфиденциальности