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.

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

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.

Информация о видео
Название: Увеличь продуктивность разработки с AI-Driven подходом
Автор: Николай Барышников, Михаил Овчинников, Даниил Пелипенко
Год выхода: 2026
Жанр: Видеокурс
Язык: Русский
Выпущено: Россия
Продолжительность: 43 часа

Файл
Формат: MP4
Видео: AVC, 1280x720, ~550 Kbps
Аудио: AAC, 128 Kbps, 48.0 KHz
Размер файла: 6.73 Gb