Увеличь продуктивность разработки с AI-Driven подходом [Николай Барышников, Михаил Овчинников, Даниил Пелипенко]

Складчина: Увеличь продуктивность разработки с AI-Driven подходом [Николай Барышников, Михаил Овчинников, Даниил Пелипенко]

12-недельный онлайн буткемп для Middle и Senior/Lead разработчиков с реальными кейсами использования AI-инструментов в продакшене:

• 12 недель.
• 15 уроков.
• 5 модулей.
• 2× скорость разработки.

AI в разработке освоили многие.
Встроить его в реальный процесс — другая задача.

Согласно описанию программы, большинство разработчиков используют AI в базовом режиме: задать вопрос, сгенерировать кусок кода, разобраться с ошибкой. И это работает, но это не то, как действительно сейчас меняются процессы в крупных компаниях. Разница в том, как ставится задача, как управляется контекст, как встраивается проверка результата, как AI интегрирован в SDLC. Этому сложно научиться из документации или туториалов, потому что это видно только в работе.

Поэтому буткемп построен вокруг практики:

• 10–30 минут необходимой теории
• 1 час живого разбора реального кейса
• 1.5 часа самостоятельного решения с экспертами рядом

Теоретические концепции только там, где они нужны для понимания практики.

Для кого программа:

Middle и Senior разработчики с продуктовым мышлением

• те, кто понимает, что код — это средство достижения целей бизнеса
• те, кто активно развивается, читает, экспериментирует, инвестирует в обучение
• те, кто влияет на команду: проводит код ревью, менторит, готов стать лидером трансформации
• те, кто скептически, но открыто относится к AI и хочет глубоко разобраться
• те, кто ограничен временем и не может позволить себе долгое самостоятельное обучение
• те, кто хочет контролируемые результаты и не верит в “волшебные таблетки”

Что ты получишь:

• создание фич в разы быстрее — используя AI в цикле ресерч → план → внедрение → тест → ревью
• настройку AI-driven окружения — RAG-системы, MCP, SPEC-разработка, агенты, контекст под твой стек
• управление контекстом — подключение AI к кодовой базе, вики проекта, внешним сервисам
• понимание, как избегать галлюцинаций и контролировать результат
• управление агентами — несколько агентов в одной кодовой базе, автоматизация рутины и помощь в сложных задачах
• работу со сложными системами — рефакторинг крупных проектов, легаси, архитектурная трансформация, дробление монолитов на микросервисы и наоборот
• понимание, как держать полноценную AI-команду
• масштабирование AI-driven процессов на команду и организацию

Как устроен каждый урок:

• 10–30 минут минимальной теории
• 1 час живого разбора кейса

Уроки 2–5 проходят 2 раза в неделю, остальные — раз в неделю. После урока открывается доступ к материалам библиотеки. Логика последовательного открытия помогает сконцентрироваться на текущих паттернах.

Программа:

Модуль 1. Введение — AI как инструмент:

• 01. Разбор индустрии и будущее разработки.
  Разбор смены роли разработчика через реальный кейс Google: как мультиагентная система взяла на себя расследование инцидентов и операционную рутину, освободив инженеров для стратегической работы. Смотрим, какой пул навыков становится ключевым, собираем одностраничник с бэкендом в реальном времени — основу для следующего урока.
• 02. Продуктовая итерация через AI-аналитику.
  Берём лендинг с первого урока и решаем бизнесовую задачу: максимизировать конверсию через данные. Анализируем поведение пользователей, строим SQL-пайплайн, передаём в модель, вносим изменения и фиксируем результат. Полный цикл продуктовой итерации, который в реальности занимал бы месяцы, проделываем за время урока.

Модуль 2. Контекст, основы и подготовка:

• 03. Механизмы работы LLM и философия качества.
  Разбор механизмов языковых моделей: токены, предсказания, контекстное окно. Практика измеримых критериев качества и разделения ответственности между разработчиком и моделью.
• 04. Контекст-инжиниринг.
  Управление краткосрочной и долгосрочной памятью агента, работа с ограничениями контекстного окна, оптимизация затрат через кэширование. Три кейса: ролевая память, сравнение моделей, суммаризация транскрипций.
• 05. Мультиэкспертность.
  AI в роли аналитика данных, дизайнера, тестировщика, DevOps. Работа в незнакомых стеках, делегирование задач из чужих доменов, понимание границ компетенций модели.

Модуль 3. Агенты:

• 06. Мультиагенты.
  Построение мультиагентных систем с узкоспециализированными агентами. Подключение векторных баз данных, оркестрация через MCP, типы памяти агентов на реальном архитектурном кейсе.
• 07. Обзор моделей.
  Системный обзор ландшафта моделей: Claude, GPT, DeepSeek, GigaChat, YandexGPT. Одна задача через пять моделей, матрица применений моделей в зависимости от задач.
• 08. Агенты, воркфлоу и простые кейсы.
  Создание агента для автоматического управления API-документацией с генерацией diff-версий. Работа с workflow-системами n8n и make, агентскими платформами Devin и Sweep AI.
• 09. Агенты в разработке.
  Реверс инжиниринг внутренней логики Cursor и Claude Code: режим Reasoning, многоэтапное планирование. Написание спецификаций с критериями качества, кастомизация агентов через agents.md и skills.md.

Модуль 4. Quick Wins и сложные кейсы:

• 10. Простые беспроблемные и проблемные кейсы.
  Перенос многостраничного Figma-проекта во фронтенд через Figma MCP. Оценка качества большой кодовой базы с GitHub, создание документации уровня модуля для проекта на незнакомом языке.
• 11. Фреймворк системной декомпозиции.
  Проектирование продуктовой системы через 5 этапов: UI прототипы, структура БД, API контракты, архитектура, бизнес-логика. Проектирование микросервиса с демонстрацией полного пайплайна.
• 12. Изучение незнакомых систем.
  Восстановление архитектуры большого legacy-проекта на незнакомом языке программирования. Объяснение связей между модулями, создание документации для системы без документации.
• 13. Рефакторинг и трансформация сложных систем.
  Безопасный рефакторинг крупной кодовой базы с GitHub: установление связей, изоляция модулей, поэтапные массовые изменения, непрерывная валидация и стратегия отката.
• 14. Архитектурная трансформация и интеграция знаний.
  Разделение монолита на микросервисы: анализ зависимостей, выделение bounded contexts, создание API-границ. Стратегическое планирование трансформации с риск-менеджментом на архитектурном уровне.

Модуль 5. Масштабирование и выпуск:

• 15. Трансформация команды и внедрение.
  Масштабирование AI-практик на команду и организацию на базе агента-аналитика: план внедрения, работа с сопротивлением, оцифровка SDLC, создание корпоративной академии.
• 16. Окончание и следующие шаги.
  Формирование долгосрочной стратегии развития AI-практик. Чеклисты, промпты, плейбуки для ежедневной работы. Вход в комьюнити для постоянного обмена опытом.

Авторы и эксперты:

Николай Барышников

• 15 лет опыта в индустрии
• ex-product manager в Yandex Cloud
• специалист по распределённым системам и облачной инфраструктуре
• предприниматель и CTO: со-основатель Joylink, основатель DataLightMe

Михаил Овчинников

• 18 лет опыта в индустрии
• 8 лет в BigTech: Meta, Google — менеджер и Staff-инженер
• специалист по распределённым системам
• спикер Highload Conf, TeamLead Conf, Knowledge Conf
• автор курсов по алгоритмам и машинному обучению

Даниил Пелипенко

• директор центра подбора и оценки IT-специалистов SymbioWay
• технический директор SW Development
• руководитель направления «Разработка» в Центральном университете (Т-Банк)
• разработчик с 2004 года
• спикер TeamLead Conf, MergeConf
• автор 58 курсов
• выпускник МГУ, кандидат наук

Цена 100000 руб.
Скрытая ссылка