Курс «Разработка с AI: Автоматизация и продуктивность»: все выпуски

Автоматизируйте рутину, ускоряйте разработку. Продвинутый курс для тех, кто уже прошёл «Разработка с AI на практике для всех» и хочет перейти от разработки отдельных AI-функций к созданию автономных систем: проектировать рабочие циклы агентов, обучать их собственным навыкам, запускать локальные модели, дообучать LLM под свои задачи, встраивать агентов в продукты и безопасно автоматизировать реальную работу. Это второй уровень практической разработки с AI. Здесь мы уходим от сценария «дал модели задачу — получил результат» и учимся строить системы, которые способны работать дальше самостоятельно: выполнять последовательность действий, проверять собственный результат, исправлять ошибки, пользоваться инструментами и останавливаться, когда цель достигнута. Вы разберётесь, как управлять не только кодом, который создаёт AI, но и поведением самого агента — его инструкциями, скиллами, контекстом, правами доступа и правилами работы. За 8 занятий вы соберёте 5 практических проектов: игру, которую самостоятельно тестирует и балансирует бот; сайт с управляемой дизайн-системой; собственный AI-скилл для рабочей рутины; сервис с локальной моделью; AI-генератор сайтов со встроенным агентом. Отдельно дообучите LLM на своих данных, проведёте аудит безопасности AI-проекта и соберёте персональную систему автоматизации повседневной работы. В результате вы научитесь использовать AI-кодинг не как способ быстрее писать отдельные функции, а как основу для создания автономных и воспроизводимых рабочих процессов. Чему вы научитесь? Проектировать автономные циклы, в которых AI-агент сам выполняет, проверяет и улучшает результат. Управлять AI-дизайном через инструкции, дизайн-системы и визуальную проверку. Создавать собственные скиллы и автоматизировать с их помощью повторяющиеся рабочие задачи. Запускать локальные LLM и дообучать их под свои задачи. Встраивать AI-агентов в продукты, подключать инструменты и управлять их работой. Защищать AI-проекты от инъекций, утечек данных и избыточных прав. Использовать coding agents для автоматизации работы с документами, файлами, транскрипциями и другой рутиной. Для кого курс: Для выпускников курса «Разработка с AI на практике для всех», готовых перейти к более сложным AI-системам. Для тех, кто уже работает с Claude Code, Codex и другими coding agents и хочет использовать их системно. Для разработчиков, продакт-менеджеров, предпринимателей и специалистов, которые хотят внедрять AI-агентов и локальные модели в продукты и рабочие процессы. Для тех, кто хочет автоматизировать повторяющиеся задачи и целые процессы, а не решать их отдельными промптами. Программировать вручную не обязательно, но нужны базовые навыки разработки с AI. Что вам потребуется? Перед началом необходимо пройти базовый онлайн-курс — «Разработка с AI на практике для всех». Курс использует несколько групп инструментов — от coding agents и браузерной автоматизации до локальных моделей, GPU-сред и песочниц. Большая часть сервисов имеет бесплатные варианты или квоты, но для комфортной работы с некоторыми AI-инструментами и API могут потребоваться подписки или платные лимиты. На курсе вам понадобятся: Claude Code и Codex — основные AI-агенты для разработки и автоматизации. Playwright, Cloudflare Pages и Vercel — тестирование, публикация и работа с веб-проектами. Claude Design, Paper и Figma MCP — управление дизайном и визуальными итерациями. AGENTS.md, SKILL.md, DESIGN.md и инструменты создания skills — для настройки поведения агентов и повторяемых рабочих процессов. Ollama, FastAPI, Pydantic и SQLite — для запуска локальной модели внутри собственного сервиса. Kaggle, Colab или Modal, а также Unsloth, llama.cpp и Hugging Face Hub — для дообучения и запуска моделей. Pi, Node.js, Docker и Vercel Sandbox — для создания агента внутри продукта и безопасного выполнения его действий. OCR и Deepgram — для автоматизации задач с документами, видео, транскрипциями и другими рабочими материалами. Программа курса: Занятие 1. Инженерия циклов: агент, который работает без вас Занятие 2. Дизайн с AI-агентами: как перестать делать одинаковые сайты Занятие 3. Создание скиллов: как научить агента своей работе Занятие 4. Локальная модель внутри вашего продукта Занятие 5. Как дообучить LLM под вашу задачу Занятие 6. Агент внутри вашего продукта Занятие 7. Безопасность AI-проектов Занятие 8. Инструменты AI для продуктивности Спойлер: Программа подробно Занятие 1. Инженерия циклов: агент, который работает без вас Проект №1: Аркадная игра, которую тестирует и балансирует бот Цель: Научиться проектировать циклы работы агента, чтобы не писать промпт для каждого следующего шага. Соберём браузерную игру и бота, который сам её проходит. Основная задача — настроить цикл, в котором агент доводит баланс игры до нужного уровня без вашего участия. Темы: Что такое цикл и чем он отличается от промпта Анатомия цикла: цель, верификатор, стоп-условие Как написать верификатор, который агент не сможет обмануть Бот-тестировщик как оракул для игры Бюджет и стоп-правила: как не сжечь деньги в бесконечном цикле Reward hacking: почему агент чинит тест вместо кода и как это пресечь Домашнее задание: Настройте цикл, в котором агент создаст, протестирует и сбалансирует браузерную игру. Технологии: Claude Code Codex Playwright Cloudflare Pages Vercel Занятие 2. Дизайн с AI-агентами: как перестать делать одинаковые сайты Проект №2: Сайт, который не выглядит как созданный AI Цель: Научиться управлять дизайном, который создаёт агент, и избегать типичных AI-дизайнов. Разберём, почему сделанные с AI сайты похожи друг на друга, и выстроим рабочий процесс: зафиксируем правила в DESIGN.md, используем канвас для быстрых итераций и проверим качество перед сдачей. Темы: Признаки AI-дизайна DESIGN.md: открытый стандарт Google Labs, токены и правила в одном файле Три слоя инструкций для агента: AGENTS.md, SKILL.md, DESIGN.md Claude Design и команда /design внутри Claude Code Артборды, которые лежат в репозитории и версионируются вместе с кодом Paper: канвас на веб-стандартах и переход от кода к дизайну и обратно Figma в 2026: MCP-сервер и его реальные лимиты Проверка по скриншотам: как научить агента замечать недостатки своей работы Домашнее задание: Соберите одностраничный сайт своего проекта, который невозможно принять за AI-дизайн. В репозитории также должен быть файл DESIGN.md. Технологии: Claude Code Claude Design Paper Figma MCP @google/design.md Занятие 3. Создание скиллов: как научить агента своей работе Проект №3: Скилл, который делает за вас реальную рутину и улучшает сам себя Цель: Превратить свой опыт в скилл, который агент сможет применять самостоятельно. Каждый выберет повторяющуюся рабочую задачу, создаст для неё скилл, измерит его пользу и настроит цикл улучшения по обратной связи. Темы: Как устроен скилл изнутри Когда скилл, когда MCP, когда субагент, когда хук Прогрессивное раскрытие и каким должен быть идеальный скилл Как создать скилл на основе реальной задачи Как доказать, что скилл работает: прогон со скиллом и без него в свежих сессиях Цикл самоулучшения: агент правит SKILL.md по обратной связи от прошлых запусков Чужие скиллы как поверхность атаки: что читать перед установкой Домашнее задание: Соберите скилл для своей рабочей задачи и проведите минимум три итерации самоулучшения. Приложите историю правок SKILL.md и объясните, что улучшила каждая из них. По итогам подготовьте презентацию о скилле в формате моушен-графики. Технологии: Claude Code Codex skill-creator .agents/skills Занятие 4. Локальная модель внутри вашего продукта Проект №4: Командная строка для вашего продукта Цель: Собрать сервис, где пользователь пишет фразу, а продукт выполняет действие — и всё это на модели, которая живёт на ноутбуке, ничего не стоит за вызов и не отправляет данные наружу. К концу занятия сервис будет работать, но не идеально и мы будем знать, где именно он ошибается. Темы: Зачем локальная модель: задержка, цена, приватность, работа без интернета Что реально запускается на слабом ноутбуке в 2026: обзор моделей до 4B Ollama, LiteLLM, Unsloth: установка, квантизации, размер контекста и почему он важнее размера модели Как спроектировать схему инструментов продукта, чтобы модель корректно её использовала Сборка сервиса: схема, модель, валидация, выполнение Замер качества: свой набор команд и точное совпадение результата Где именно ломается маленькая модель Гибрид: когда и по каким признакам передавать задачу frontier-модели Домашнее задание: Создайте сервис или приложение, где будет работать локальная модель. Технологии: Ollama FastAPI Pydantic SQLite Занятие 5. Как дообучить LLM под вашу задачу Цель: Дообучить модель из прошлого занятия на собственных данных, подключить её к своему сервису и оценить, как изменился результат. Для обучения используем бесплатные GPU. Темы: Где в 2026 бесплатно дают GPU: Colab, Kaggle, Modal — что дают, где подвох, что выбрать для своей задачи Сколько примеров реально нужно для тренировки LoRA на бесплатном GPU Замер до и после на своём наборе команд Когда дообучение не нужно, а нужен нормальный промпт Домашнее задание: Проведите дообучение LLM под вашу задачу, чтобы она эффективнее работала в вашем сервисе или программе. Технологии: Kaggle, Colab, Modal Unsloth llama.cpp Hugging Face Hub Ollama Занятие 6. Агент внутри вашего продукта Проект №5: Свой AI-генератор сайтов Цель: Собрать продукт, который по описанию пользователя создаёт и показывает работающий сайт. Темы: Из чего собран агент: слои pi-ai, pi-agent-core, pi-coding-agent, pi-tui Выбор модели для такого сервиса Построение агентного цикла разработки Свои инструменты: как описать действие так, чтобы агент пользовался им правильно Отбор инструментов: запускаем агента в режиме только для чтения и проверяем, что он не может вносить изменения Стриминг событий в браузер: как показать пользователю, чем занят агент прямо сейчас Вмешательство на ходу: остановить агента посреди работы и перенаправить Сессии и сжатие контекста: что происходит на длинных задачах Где живёт сгенерированный код и почему это сразу вопрос безопасности Домашнее задание: Научите своего агента не только создавать проект с нуля, но и дорабатывать уже созданный по новому запросу: он должен прочитать, что уже есть, и изменить нужное, а не переписать всё заново. Технологии: Pi: pi-ai, pi-agent-core, pi-coding-agent Node.js Docker Vercel Sandbox Занятие 7. Безопасность AI-проектов Цель: Разобраться в уязвимостях кода, который написал агент, и в уязвимостях самого агента внутри продукта. На занятии каждый проведёт полный аудит своего проекта и устранит найденные проблемы. Темы: Безопасность AI-проектов в 2026 году Смертельная тройка: приватные данные плюс недоверенный контент плюс канал наружу Непрямые инъекции: как чужой сайт, файл или репозиторий отдаёт команды вашему агенту Песочницы: контейнер или микро-VM — что выбрать и чем за это платить Права агента: ограничение возможностей против запроса подтверждения Секреты: где они лежат у агента и как не отдать их вместе с контейнером Что уже научились защищать: многослойная оборона и почему инъекции удалось свести почти к нулю Домашнее задание: Проведите полный аудит своего проекта по чек-листу и приложите отчёт: что нашли, что починили, что осознанно оставили и почему. Отдельно опишите три сценария атаки, которые вы придумали против собственного агента, и как ваш агент сейчас реагирует на каждую из этих атак. Технологии: Docker Vercel Sandbox Расширения Pi OWASP Занятие 8. Инструменты AI для продуктивности Цель: Применить то, что мы изучили, к повседневным задачам за пределами разработки. Разберём свою рабочую неделю и соберём для неё систему автоматизации, используя циклы, скиллы, локальную модель и настройки прав доступа. Этой системой можно будет пользоваться и после курса. Темы: Как использовать агента для кодинга в задачах за пределами разработки Инструменты, коннекторы к данным, навыки и вкус: как собрать рабочую среду под себя AGENTS.md и скиллы для задач, не связанных с кодом Что агент делает лучше всего вне кода: документы, разбор PDF, транскрипции и субтитры, рутина с файлами Автоматизация целых типов работы вместо решения задач поштучно Разбор своей недели: как понять, можно ли надёжно автоматизировать задачу с AI Обратная сторона гиперпродуктивности Куда двигаться дальше Технологии: Claude Code Codex OCR Deepgram Александр Свет — практик и энтузиаст AI-разработки. За последние три года он изучил ключевые направления этой новой сферы: от курса AI Agents от Hugging Face до Complex AI Agents и Fine Tuning LLM. С 14 октября по 2 декабря Стоимость: 19920 руб. Скрытая ссылка