Cuddlies
PREMIUM
[Иван Лапа] Освойте мультиагентную AI-разработку и Spec-Driven Development (2026)
AI Agentic Engineering от Neoversity
Это практический интенсив по созданию AI-агентов и агентных систем для разработчиков уровня Middle, Senior и Tech Lead. Курс ведёт Иван Лапа, UI Engineer L5 в Netflix, имеющий опыт разработки AI-продуктов в DataRobot и Gelato, а также консультирования компаний по внедрению AI.
Главная цель курса
Научить разработчиков переходить от простого использования AI-ассистентов к проектированию полноценных агентных систем с:
памятью (Memory)
оценкой качества (Evals)
мониторингом
управлением стоимостью токенов
автоматизацией разработки
Spec-Driven Development
мультиагентными архитектурами
Курс фокусируется не на генерации кода по запросу, а на построении инженерных процессов, где AI становится частью production-разработки.
Для кого предназначен курс
Подходит:
Middle-разработчикам, самостоятельно ведущим фичи до PR Review.
Senior-разработчикам, желающим построить воспроизводимые AI-процессы.
Tech Lead, которые выбирают инструменты и процессы для команды.
Инженерам, уже использующим Cursor, Claude Code или Copilot.
Тем, кто работает с Git, тестированием и CI/CD.
Не подходит:
Junior-разработчикам без опыта code review.
Тем, кто ожидает, что AI будет писать всё автоматически.
No-Code аудитории.
Людям, которым нужен только обзор технологий без практики.
Проблемы, которые решает курс
Авторы курса выделяют основные риски использования AI в разработке:
Галлюцинации AI
Модель может ссылаться на несуществующие API, файлы или методы и игнорировать стандарты проекта.
Ложное чувство качества
Тесты могут проходить, но решение остаётся ненадёжным из-за пропущенных edge cases и неверных предположений.
Дорогой Review
Проверка AI-кода может занимать больше времени, чем самостоятельное написание решения.
Высокие расходы на токены
При масштабировании команд расходы на AI-инфраструктуру могут быстро расти за счёт множества агентов и повторных запросов.
Основа программы
Курс построен вокруг фреймворка:
4-Pillar Harness Framework
Четыре ключевых элемента:
Skills
Subagents
MCP
Hooks
Этот подход применяется как базовая архитектура построения современных AI-систем.
Программа обучения
Неделя 1. System Design
Урок 1
Harness Framework:
4 компонента системы
5-фазный workflow
Perception Gap аудит
CLAUDE.md v1
Surface Map проекта
Урок 2
Skills Layer:
постоянные инструкции между сессиями
создание нескольких Skills
оптимизация CLAUDE.md
команды /spec, /plan, /commit
Неделя 2. Agent Topology
Урок 3
Контекстная изоляция:
Hub-and-Spoke архитектура
Peer Mesh архитектура
Subagents
Dispatch Matrix
анализ стоимости различных топологий
Урок 4
MCP Integration:
Model Context Protocol
подключение внешних сервисов
создание собственного MCP-сервера
аудит токенов
гибридные Skill + MCP решения
Неделя 3. CI Pipeline
Урок 5
Spec-Driven Development:
Spec → Plan → Implement → Verify
создание spec.md
создание plan.md
разработка через спецификации
retro-spec подход
Урок 6
Quality Gates:
Hooks
TDD
Plan Verifier
Evals
Mutation Testing
CI-интеграция контроля качества
Неделя 4. Масштабирование и Production
Урок 7
Fan-Out архитектуры:
параллельная работа нескольких агентов
Worktree стратегии
миграция проектов
анализ стоимости решений
Урок 8
Production Deployment:
Packaging
CI Agents
План внедрения на 30 дней
Финальная сборка решения
Финальный проект
DevDigest
Участники создают собственную AI-платформу для автоматического Code Review.
В рамках проекта реализуются:
Multi-Agent System
Spec-Driven Development
Evals
MCP
Hooks
CI/CD интеграция
автоматический анализ Pull Request'ов
PR Review
Автоматический анализ:
Intent
Scope
Risk
PR Score
Blast Radius Analysis
Определение влияния изменений на:
символы
зависимости
вызывающий код
endpoints
Findings Engine
Поиск проблем с указанием:
уровня серьёзности
Confidence
точного file:line
готового варианта исправления
Формат обучения
4 недели обучения.
8 практических занятий.
Домашние задания.
Создание production-ready агентной системы.
Практика с Claude Code, Cursor и современными AI-инструментами.
Кто ведёт
Иван Лапа:
UI Engineer L5 в Netflix.
Более 12 лет в инженерии.
Работал над AI-продуктами в Gelato.
Создавал AI-функциональность в DataRobot.
Консультирует по AI Adoption для Google, МИД Украины, Skelar, Obrio и GR8.
Язык Украинский
Скачать:
AI Agentic Engineering от Neoversity
Это практический интенсив по созданию AI-агентов и агентных систем для разработчиков уровня Middle, Senior и Tech Lead. Курс ведёт Иван Лапа, UI Engineer L5 в Netflix, имеющий опыт разработки AI-продуктов в DataRobot и Gelato, а также консультирования компаний по внедрению AI.
Главная цель курса
Научить разработчиков переходить от простого использования AI-ассистентов к проектированию полноценных агентных систем с:
памятью (Memory)
оценкой качества (Evals)
мониторингом
управлением стоимостью токенов
автоматизацией разработки
Spec-Driven Development
мультиагентными архитектурами
Курс фокусируется не на генерации кода по запросу, а на построении инженерных процессов, где AI становится частью production-разработки.
Для кого предназначен курс
Подходит:
Middle-разработчикам, самостоятельно ведущим фичи до PR Review.
Senior-разработчикам, желающим построить воспроизводимые AI-процессы.
Tech Lead, которые выбирают инструменты и процессы для команды.
Инженерам, уже использующим Cursor, Claude Code или Copilot.
Тем, кто работает с Git, тестированием и CI/CD.
Не подходит:
Junior-разработчикам без опыта code review.
Тем, кто ожидает, что AI будет писать всё автоматически.
No-Code аудитории.
Людям, которым нужен только обзор технологий без практики.
Проблемы, которые решает курс
Авторы курса выделяют основные риски использования AI в разработке:
Галлюцинации AI
Модель может ссылаться на несуществующие API, файлы или методы и игнорировать стандарты проекта.
Ложное чувство качества
Тесты могут проходить, но решение остаётся ненадёжным из-за пропущенных edge cases и неверных предположений.
Дорогой Review
Проверка AI-кода может занимать больше времени, чем самостоятельное написание решения.
Высокие расходы на токены
При масштабировании команд расходы на AI-инфраструктуру могут быстро расти за счёт множества агентов и повторных запросов.
Основа программы
Курс построен вокруг фреймворка:
4-Pillar Harness Framework
Четыре ключевых элемента:
Skills
Subagents
MCP
Hooks
Этот подход применяется как базовая архитектура построения современных AI-систем.
Программа обучения
Неделя 1. System Design
Урок 1
Harness Framework:
4 компонента системы
5-фазный workflow
Perception Gap аудит
CLAUDE.md v1
Surface Map проекта
Урок 2
Skills Layer:
постоянные инструкции между сессиями
создание нескольких Skills
оптимизация CLAUDE.md
команды /spec, /plan, /commit
Неделя 2. Agent Topology
Урок 3
Контекстная изоляция:
Hub-and-Spoke архитектура
Peer Mesh архитектура
Subagents
Dispatch Matrix
анализ стоимости различных топологий
Урок 4
MCP Integration:
Model Context Protocol
подключение внешних сервисов
создание собственного MCP-сервера
аудит токенов
гибридные Skill + MCP решения
Неделя 3. CI Pipeline
Урок 5
Spec-Driven Development:
Spec → Plan → Implement → Verify
создание spec.md
создание plan.md
разработка через спецификации
retro-spec подход
Урок 6
Quality Gates:
Hooks
TDD
Plan Verifier
Evals
Mutation Testing
CI-интеграция контроля качества
Неделя 4. Масштабирование и Production
Урок 7
Fan-Out архитектуры:
параллельная работа нескольких агентов
Worktree стратегии
миграция проектов
анализ стоимости решений
Урок 8
Production Deployment:
Packaging
CI Agents
План внедрения на 30 дней
Финальная сборка решения
Финальный проект
DevDigest
Участники создают собственную AI-платформу для автоматического Code Review.
В рамках проекта реализуются:
Multi-Agent System
Spec-Driven Development
Evals
MCP
Hooks
CI/CD интеграция
автоматический анализ Pull Request'ов
PR Review
Автоматический анализ:
Intent
Scope
Risk
PR Score
Blast Radius Analysis
Определение влияния изменений на:
символы
зависимости
вызывающий код
endpoints
Findings Engine
Поиск проблем с указанием:
уровня серьёзности
Confidence
точного file:line
готового варианта исправления
Формат обучения
4 недели обучения.
8 практических занятий.
Домашние задания.
Создание production-ready агентной системы.
Практика с Claude Code, Cursor и современными AI-инструментами.
Кто ведёт
Иван Лапа:
UI Engineer L5 в Netflix.
Более 12 лет в инженерии.
Работал над AI-продуктами в Gelato.
Создавал AI-функциональность в DataRobot.
Консультирует по AI Adoption для Google, МИД Украины, Skelar, Obrio и GR8.
Язык Украинский
Скачать:
