『LEGEND』
МЕСТНЫЙ
- Регистрация
- 11 Сен 2026
- Сообщения
- 230
- Реакции
- 0
Автор: Алексей Жиряков
Название: AI-агенты в продакшен разработке
Первый урок онлайн.
Продолжительность11 ч 46 мин
Количество уроков5 Видео
ЯзыкРусский
За три дня ты перейдёшь от базового использования AI-агента к полноценной агентной разработке: научишься ставить задачи, управлять контекстом, разделять роли агентов, проверять качество кода и доводить изменения до релиза в продакшен. Интенсив подойдёт разработчикам, тимлидам, техлидам, ML- и DS-инженерам, которые хотят встроить AI-агентов в реальный рабочий процесс, а не просто генерировать код по промтам.
Как выглядит разработка с AI-агентами в 2026 году
С приходом AI-агентов у разработчиков меняется не только скорость написания кода, но и сам спектр задач. Разработчик всё меньше занимается ручной рутиной и всё больше управляет процессом: задаёт правила, контролирует контекст, проектирует пайплайн, проверяет результат и принимает решения.
Раньше: разработчик делает большую часть работы вручную
• Изучает задачу, логи, метрики и документацию.
• Ищет информацию и лучшие практики.
• Пишет код, тесты и запускает линтер.
• Самостоятельно проводит код-ревью и исправляет найденные проблемы.
Сейчас: разработчик управляет агентной разработкой
• Подключает MCP к Jira, Sentry, Grafana и другим инструментам проекта.
• Декомпозирует задачу и передаёт AI-агенту нужный контекст.
• Создаёт правила, скиллы и спецификации для кодинг-агента.
• Задаёт ограничения: область изменений, размер diff, критерии приёмки.
• Разделяет роли между агентом-разработчиком и агентом-ревьюером.
• Проверяет результат через тесты, хуки, линтеры и независимое ревью.
Почему AI-агент может не ускорять разработку
Многие уже используют Codex, Claude Code, OpenCode или другие инструменты для AI-разработки, но не получают ожидаемого ускорения. Причина в том, что одного установленного агента недостаточно: без правил проекта, управления контекстом, разделения ролей и ограничений агент быстро генерирует изменения, но не гарантирует качество результата.
Проблема 1: код пишет и ревьюит один и тот же агент
Если агент сам принимает собственную работу, ревью становится формальным. Ошибки, неверные архитектурные решения и лишние изменения могут остаться незамеченными.
Проблема 2: контекст засоряется, и агент начинает галлюцинировать
Длинные сессии, лишние файлы, устаревшие обсуждения и неполная постановка задачи приводят к тому, что агент теряет фокус и предлагает решения, которые не соответствуют реальному состоянию проекта.
Проблема 3: агент забывает правила проекта
Без постоянных правил, скиллов и критериев приёмки AI-агент может нарушать архитектурные договорённости, менять лишний код и создавать решения, которые сложно поддерживать.
Для кого этот интенсив
• Разработчикам. Научишься ставить задачи AI-агентам, задавать правила, ограничивать область изменений и проверять результат перед релизом.
• Тимлидам и техлидам. Выстроишь командный процесс работы с AI-агентами: роли, контекст, проверки, handoff и критерии приёмки.
• ML- и DS-инженерам. Адаптируешь агентный подход под работу с моделями, данными и экспериментами: проверки, границы изменений и контроль качества.
Программа интенсива
Занятие 1: настраиваем кодинг-агента под реальный проект
На первом занятии ты соберёшь базовую среду для агентной разработки и поймёшь, как встроить кодинг-агента в рабочий процесс проекта.
Что разберёшь
• Из чего состоит готовая среда для агентской разработки: модель, кодинг-агент и инструменты.
• Как настроить OpenCode и выбрать модели для разработки и ревью.
• Как использовать AGENTS.md и правила проекта, которые агент должен учитывать в каждой сессии.
• Чем отличаются общие правила репозитория от инструкций под конкретные задачи.
• Как создавать скиллы для типовых задач разработки и повторяемых сценариев.
• Как задавать формат входных данных и результата, чтобы работа агента шла по понятному контракту.
• Как ограничивать агента: область изменений, размер diff, условия передачи задачи человеку.
• Как применять TDD в работе кодинг-агента: использовать тесты как способ проверки результата, а не доверять ответу модели.
• Как добиваться минимального diff и не позволять агенту менять лишний код.
• Как использовать структуру репозитория и журнал решений как постоянный контекст для новых сессий.
Результат занятия
Ты настроишь рабочую среду для агентной разработки и поймёшь, как агент должен получать контекст, работать в заданных границах и возвращать проверяемый результат.
Процесс: задача → правила и скиллы → кодинг-агент → минимальный diff → тесты → ревью кода.
Занятие 2: строим агентный пайплайн разработки, ревью и приёмки
На втором занятии ты разберёшь, как разделить разработку и проверку между независимыми агентами, чтобы повысить качество результата и снизить риск ошибок.
Что разберёшь
• Почему один агент не должен одновременно писать код и принимать собственную работу.
• Как разделить роли между агентом-разработчиком и агентом-ревьюером.
• Зачем нужны отдельные сессии и чистый контекст для независимой проверки.
• Как ставить задачу через спецификацию, ограничения и критерии приёмки вместо длинного промта.
• Как работает handoff — передача задачи между агентами без переноса всей истории чата.
• Что входит в handoff-пакет и какой контекст действительно нужен следующему агенту.
• Как проводить ревью кода отдельным агентом в режиме только чтения.
• Как устроен агентный цикл: разработка, ревью, доработка и повторная проверка.
• Как ограничивать количество итераций и вовремя передавать сложную задачу человеку.
• Как собрать агентный пайплайн от постановки задачи до приёмки.
Результат занятия
Ты построишь пайплайн, в котором разработка и ревью разделены между независимыми агентами и отдельными сессиями.
Процесс: задача → агент-разработчик → handoff-пакет → агент-ревьюер → доработка → приёмка.Ты научишься передавать между агентами только нужный контекст, контролировать агентный цикл и получать независимую проверку результата до того, как работа считается завершённой.
Занятие 3: работаем с большим репозиторием и управляем контекстом агента
На третьем занятии ты разберёшь, как использовать AI-агентов в большой кодовой базе, где особенно важны ограничения, структура контекста и контроль области изменений.
Что разберёшь
• Почему кодинг-агенты начинают хуже работать в больших репозиториях и длинных сессиях.
• Как определить зону изменений: что агент может менять, что может только читать, а что трогать запрещено.
• Как планировать изменения до написания кода.
• Какие права и ограничения нужны агенту-разработчику и агенту-ревьюеру.
• Как сохранять состояние задачи между отдельными сессиями.
• Как формировать компактный контекст вместо переноса всей истории работы.
• Как использовать структуру репозитория и журнал решений как внешнюю память для агента.
• Как контролировать область изменений и минимальный diff в большой кодовой базе.
• Как независимо проверять качество тестов, включая мутационное тестирование.
• Как перенести подходы всех трёх дней в собственный рабочий репозиторий.
Результат занятия
Ты научишься управлять работой кодинг-агентов в большой кодовой базе и не терять контроль над контекстом, зоной изменений и качеством результата.
Процесс: контекст задачи → зона изменений → план → агент-разработчик → handoff → агент-ревьюер → проверка → приёмка.В результате ты сможешь переносить состояние между сессиями, ограничивать действия агентов и применять агентный подход в своём рабочем репозитории.
Что изменится в твоей работе после интенсива
Ты будешь разбирать ошибки работы с AI-агентом вместе со спикером и сразу перестраивать собственный процесс разработки. После интенсива у тебя появится понятная система для работы с агентами в продакшен-разработке.
• Правила и скиллы. Настроишь поведение агента под свой проект, стек и командные договорённости.
• Карта модулей. Научишь агента читать только нужную часть проекта и не распыляться на лишний код.
• Чистый контекст. Каждая сессия будет получать только ту информацию, которая нужна для конкретной задачи.
• Разделение ролей. Код будет писать один агент, а ревью проводить другой, независимый агент.
• Агентный пайплайн. Ты разделишь разработку, ревью и приёмку между агентами и субагентами.
• Контроль качества. Агент не сможет сам принять свою работу без проверок, тестов и стороннего ревью.
• Среда для агентской разработки. Соберёшь рабочий сетап под свой проект с учётом особенностей стека, процессов и репозитория.
Итог интенсива
Этот интенсив помогает перейти от хаотичного использования AI-агента к управляемой агентной разработке. Ты научишься ставить задачи через спецификации, управлять контекстом, ограничивать область изменений, разделять роли агентов и проверять результат перед релизом в продакшен.