AI Engineer: Agentic OS. За 4 недели соберите собственную агентную систему на TypeScript [Владилен Минин]

Складчина: AI Engineer: Agentic OS. За 4 недели соберите собственную агентную систему на TypeScript [Владилен Минин]

На одном проекте вы пройдёте путь от первого agent loop до tools, MCP, RAG, evals, observability, streaming и production-инфраструктуры.
Для JavaScript- и TypeScript-разработчиков уровня Junior+ и Middle. Опыт AI-разработки не требуется.

Не курс про промпты. Курс про инженерную систему вокруг модели.

Посмотрите, что мы будем строить
Agentic OS, которая разбирается на курсе, уже создана. Это веб-приложение, в котором агент проходит полный путь запроса.

Что делает агент:

1. определяет тип задачи
   
2. выбирает необходимые инструменты
   
3. обращается к внешним данным и базе знаний
   
4. сохраняет нужный контекст
   
5. проверяет собственный результат
   
6. записывает ход выполнения в traces
   
7. проходит автоматические eval-проверки
   
8. показывает пользователю промежуточные этапы работы

Под Agentic OS мы понимаем не отдельного чат-бота, а переиспользуемое ядро, вокруг которого можно создавать разные AI-продукты. Внутри него:

• agent loop, tools, MCP-интеграции, RAG, память, маршрутизация, guardrails, reviewer, evals, observability, streaming, production-инфраструктура

Что останется у вас после курса
Не набор просмотренных уроков, а конкретные артефакты, которые можно открыть, запустить и показать другому разработчику.

1. GitHub-репозиторий
   Полный код Agentic OS со всеми архитектурными слоями — вы сможете объяснить, почему система устроена именно так.
2. Задеплоенное приложение
   Работающий AI-продукт по ссылке, который можно протестировать и показать:
   работодателю · техническому интервьюеру · своей команде · потенциальному заказчику · партнёру по продукту
3. Переиспользуемое ядро
   Основная архитектура отделена от предметной области — фундамент для следующих AI-приложений, а не проект под одну учебную тему.
4. Итоговый проект в своём домене
   Перенос Agentic OS на задачу, которую выберете сами. Например:
   QA-агент · помощник разработчика · агент для документации · корпоративная база знаний · исследовательский агент · прототип AI-SaaS
5. Архитектурная документация
   схема компонентов · структура модулей · описание решений · README · объяснение компромиссов · список production-рисков
6. Материалы для собеседования
   структура, чтобы объяснить agent loop, разницу tools и MCP, память против RAG, guardrails, evals, работу с несколькими моделями и ваши архитектурные решения.

Кому подходит курс
Вы уже умеете программировать, но пока не чувствуете себя уверенно в архитектуре AI-продуктов. Уровень — Junior+ или Middle на JavaScript / TypeScript.

• Вы уже используете AI для кода
  ChatGPT, Codex, Claude или AI в IDE — но для отдельных задач. Вы выстроите системный процесс и научитесь контролировать результат, а не просто принимать сгенерированный код.
• Хотите перейти в AI-инженерию
  Позиции AI Engineer, AI Developer и проекты, где нужно создавать агентов, tools, MCP-интеграции, RAG, evals, observability и production-инфраструктуру.
• Хотите внедрять AI в компании
  Связать модель с существующим продуктом, внутренними API, документацией, базой знаний, бизнес-процессами и корпоративными сервисами.
• Планируете свой AI-продукт
  Хотите создать AI-SaaS или внутренний инструмент, но не принимать все архитектурные решения методом проб и ошибок.
• Устали от разрозненных материалов
  Читали документацию и смотрели разборы, но не получили цельной картины: где заканчивается вызов LLM, когда нужны tools, зачем MCP, чем RAG отличается от памяти.
• Готовы писать код
  Это практическая программа: смотреть уроки, повторять архитектурные этапы, писать и изменять код, настраивать сервисы, проходить контрольные точки и создавать итоговый проект.

Один проект. 10 архитектурных версий
Вы не выбрасываете старый проект и не начинаете новый. Каждая следующая версия развивает предыдущую и решает её ограничение.

• AI-кодинг без хаоса
  Настроим рабочее окружение и разберём процесс работы с современными coding agents: как ставить задачу, передавать контекст и не принимать сгенерированный код вслепую.
  
• Local Agent MVP
  Небольшой агент в одном TypeScript-файле — вся система целиком, без фреймворка и скрытых абстракций.
  
• Next.js Application
  Переносим агента в веб-приложение — ядро не переписываем, а помещаем внутрь продукта.
  
• Harness Layer
  Инженерная обвязка вокруг модели: система перестаёт принимать любой текст как корректный ответ.
  
• Skills и Tools
  Добавляем tools — агент начинает выполнять реальные действия внутри разрешённых границ.
  
• Observability и Evals
  Воспроизводимый процесс оценки вместо субъективного «кажется, эта версия работает лучше».
  
• Custom MCP
  Пишем собственный MCP-сервер и понимаем MCP изнутри, а не копируем готовую конфигурацию.
  
• External MCP
  Подключаем готовые внешние системы через единый протокол и ограничиваем доступ к опасным действиям.
  
• RAG с нуля
  Собственная система поиска по знаниям — вы понимаете, что происходит внутри RAG-фреймворков.
• Streaming Chat
  Добавляем streaming и видимые этапы: пользователь видит не только ответ, но и процесс работы системы.
• Agentic OS
  Разделяем универсальный движок и доменную логику — управляемое ядро вместо агента под каждую задачу.
• Model Gateway и Observability
  Приложение перестаёт быть жёстко привязано к одной модели и одному провайдеру.
• Постоянная память и устойчивое выполнение
  Многоэтапные процессы, которые не теряют прогресс после сбоя или перезапуска.
• Итоговый проект
  Вы переносите Agentic OS на собственную задачу: QA-агент, помощник разработчика, база знаний, AI-SaaS и др.

Стоимость: 60000 руб.
Скрытая ссылка