AI Harness. Построение агентных систем: как надо, а не как все [Евгений Борисов]

Складчина: AI Harness. Построение агентных систем: как надо, а не как все [Евгений Борисов]

О чем будет курс

ИИ-ассистенты за два года стали частью работы — и остались чёрным ящиком. Почему агент уверенно пересказывает файл, которого не читал? Почему он забывает середину разговора? Что происходит между «напиши тест» и появлением файла на диске? Что мешает ему стереть ваш проект? Ответы лежат не в машинном обучении, а в обычной инженерии.

Это инженерный курс для опытных разработчиков, которые хотят выйти за рамки использования готовых ИИ-инструментов и понять, как такие инструменты устроены внутри — чтобы собирать свои.

За 13 уроков мы с нуля пишем на Java и Spring AI настоящего coding-агента: 60 классов, 8 инструментов. Он читает ваш репозиторий, ищет по нему, правит файлы, запускает команды и доводит задачу до зелёных тестов.

Собственный агент с нуля

Курс построен так, что каждая новая подсистема появляется тогда, когда в ней возникает необходимость. Начинаем с простого чат-бота. Потом сразу добавляем цикл работы и инструменты, что превращает его в агента. Дальше постепенно расширяем его возможности: учим работать с репозиторием и файлами, задавать поведение через системный промпт, безопасно выполнять команды, планировать действия, сжимать контекст, работать автономно, использовать субагентов и вести интерактивный диалог в терминале.

Каждый урок начинается с кода, который пока не работает. Сначала мы пробуем запустить нужную функцию и сталкиваемся с ошибкой или неправильным ответом модели. Затем разбираемся в причине и исправляем код.

Локальная модель: все грабли видны, и всё бесплатно
Модель работает локально в Docker: ни API-ключей, ни счетов, ни отправки вашего кода наружу. Курс купили — дальше платить не надо ни за что, и можно гонять один и тот же цикл пятьдесят раз.

Вторая причина методическая, и она важнее. Небольшая модель честно ломается там, где большая замаскировала бы архитектурную дыру: мощная модель многое вытащила бы сама, без части инструментов и без управления контекстом, и половина курса осталась бы невидимой. Те же проблемы есть и у больших моделей — просто чтобы их увидеть, нужен production-проект и очень серьёзный счёт за токены. Эти же навыки незаменимы там, где внешние API недоступны: закрытый контур, чувствительные данные, запрет на выход наружу. Стек взят самый свежий — версии, под которые ещё не написано статей. Отдельный навык курса: разбираться в новом API самостоятельно, а не пересказывать чужие посты.

Кому будет интересен этот курс:

• Java-разработчикам уровня middle и выше, чтобы перестать пользоваться ИИ-агентом наугад и получить работающий шаблон для сборки агента под свою инфраструктуру с доступом к своей базе, своей «Вики», своему CI
• Разработчикам на других языках, готовым читать Java. Код в курсе написан так, что все главное (цикл, инструменты, контекст, разрешения) от языка не зависит и спокойно переносится на Python, Kotlin, Go

• Тимлидам и архитекторам, чтобы принять осмысленное решение о внедрении ИИ-инструментов в команде
• Специалистам по безопасности и DevOps, чтобы понять, как агенту дают доступ к shell и как этот доступ ограничивают

Что нужно для прохождения курса

Чтобы проходить курс, достаточно уметь читать Java-код и понимать базовые принципы Spring Boot. Глубокого знания фреймворка или конкретной версии Java не требуется. Если вы хотите не только посмотреть курс, но и повторить все шаги самостоятельно, а также собрать собственного Coding Agent, понадобятся:

• JDK 25
• Docker
• Базовое знакомство с Git — проект курса разбит на теги, соответствующие отдельным урокам
• Отдельно устанавливать Maven и языковую модель не нужно. Maven Wrapper уже входит в проект, а локальная модель qwen3.5:4b запускается через Docker Compose одной командой
• Видеокарта желательна, но не обязательна: модель маленькая и на процессоре тоже работает, просто медленнее
• Общее представление о том, что такое языковая модель и токен
• Опыт использования любого ИИ-ассистента для кода

Не требуется

Машинное обучение, математика, свой API-ключ, платная подписка на любые сервисы.
Базовые механики Spring AI мы объясним по ходу курса, но, чтобы сосредоточиться на архитектуре агента, а не на знакомстве с фреймворком, рекомендуем заранее пройти курс «Spring AI: как надо, а не как все».

Программа

1 Нейропроцессор
Подключим локальную модель, разберем базовые механики Spring AI 2.0 и напишем первые Agent и Conversation.
Пока получится всего лишь чат-бот, это еще не агент.

2. Диагностический контур: телеметрия и разделение слоев
Научим систему рассказывать, что с ней происходит. Разделим логику агента и интерфейс, введем доменные события и заложим архитектуру, которая не развалится по мере роста проекта.

3. Оптические сенсоры: инструменты и агентский цикл
Агент уверенно рассказывает о файле, которого никогда не читал. Исправляем это. Разбираемся, как работают tools, почему описание инструмента — это тоже часть промпта. Добавляем чтение файлов и собираем настоящий agent loop. Именно здесь чат-бот становится агентом.

4. Шасси: навигация по репозиторию
Добавим поиск по имени и содержимому, научим агента ориентироваться в структуре проекта и перестанем позволять ему выдумывать несуществующие пути.

5. Манипуляторы: правка файлов
Теперь агент умеет «смотреть» на репозиторий. Пора научить его действовать: покажем ему, как создавать и изменять файлы, разберем точечное редактирование и введем принцип «не редактируй то, чего не читал».

6. База данных Skynet: контекст и характер
Агент уже умеет работать с файлами, но все еще почти ничего не знает о самом проекте. Научим его учитывать git-статус, структуру репозитория, память и другие части контекста. Системный промпт перестанет быть одной огромной строкой.

7. Вооружение: выполнение команд и human-in-the-loop
Дадим агенту возможность запускать команды, а значит потенциально делать с вашей машиной почти все, что угодно. Поэтому сразу строим систему разрешений: режимы, правила, классификацию опасных действий и точки, где агент обязан остановиться и спросить человека.

8. Тактический процессор: планирование
Добавим агенту список задач и механизм контроля собственного плана. Разберемся, почему одного инструмента планирования недостаточно и как напоминать агенту о том, что он начал и бросил на полпути.

9. Блок памяти: управление контекстным окном
Контекст заканчивается, причем обычно в самый неподходящий момент. Научимся считать расход контекста, ограничивать результаты инструментов, удалять устаревшую информацию и сжимать историю разговора в компактное резюме.

10. Самоконтроль: работа до результата
Научим агента отличать «я сделал» от «я сделал и проверил, что все работает». Добавим стоп-условия, обработку ошибок, повторные попытки и защиту от зацикливания.

11. Звено подкрепления: субагенты
Что делать, если исследование большого проекта съедает весь контекст? Запустить другого агента. Соберем субагента с собственным контекстом, который изучает задачу отдельно и возвращает главному агенту вывод.

12. Канал связи: REPL, слеш-команды, стриминг
До этого момента агент жил на стенде разработчика. Теперь дадим ему интерфейс. Сделаем живой диалог в терминале, стриминг ответа, прерывание работы, учет токенов и набор слеш-команд.

13. Финал
Агент получает реальную задачу в реальном репозитории и проходит весь путь самостоятельно: находит нужный код → анализирует → меняет файлы → запускает команды → исправляет ошибки → доводит задачу до результата.

Цена 9500 руб.
Скрытая ссылка