Скачать [Thinknetica Pro] Агентная разработка - AI Software Engineering. Тариф Внедрение в команду [Данил Письменный]

Kail · 07.03.2026

Агентная разработка
AI Software Engineering: от кода к спецификациям

Курс для разработчиков и тимлидов, которые хотят выстроить эффективный процесс AI‑разработки и управлять его качеством так, чтобы можно было доверять AI-агентам сложные задачи и получать production‑ready результат в 3–5 раз быстрее, без ручной проверки каждого изменения
Дополнительный блок для руководителей команд разработки, которые хотят внедрить единый AI-процесс разработки в команду

Этот курс для вас, если вы:

Слышали про AI-агентов в разработке, но не уверены, как встроить их в реальную работу и получать качественный результат
Уже используете агентов, но порой, правите за ним больше, чем хотелось бы
Хотите научиться доверять агентам и не перепроверять каждую строку
Хотите закрывать задачи end-to-end без бесконечных объяснений

Программа курса:

Два уровня - основной и дополнительный для тимлидов и руководителей разработки
Уровень 1: AI SWE (6 недель). Для тех, кто хочет освоить AI Software Engineering
Цель: построить работу через спецификации, оркестрацию и мультиплексирование агентов.

По итогу уровня вы:

Освоите Spec-Driven Development: агент работает по спецификации и даёт предсказуемый результат
Научитесь писать качественные спеки
Выстроите среду и процесс для агентной разработки на своём проекте
Создадите кастомные скиллы и научитесь оркестрировать несколько агентов
Сможете контроллировать качество конечного результата и быть уверенным в работе агентов

Программа подробнее:

Модуль 1: Context Engineering + SDD основы
Темы:

Context Engineering — управление контекстом как ограниченным ресурсом
Curated context vs raw context — что давать агенту, что нет
Агентность: план → действие → наблюдение → корректировка
Почему AI-агент ≠ автодополнение кода
MCP (Model Context Protocol): расширение возможностей агента — стандарт интеграции с внешними системами (GitHub, Slack, БД)
Почему код — это не продукт тимлида
Спецификация как главный артефакт
Workflow разработки с AI-агентом

В результате вы:

разберётесь, как управлять контекстом агента эффективно — что давать, что убирать, почему это напрямую влияет на качество результата
освоите SDD-workflow: задача → спека → реализация агентом → ревью
напишете первые хорошие спецификации — поймёте, что делает спеку рабочей и как не сойти с ума в процессе

Модуль 2: Спецификация: написание и техники
Темы:

Как формулировать задачу для агента: контекст, цель, ограничения
Базовые техники: decomposition, constraints, exit criteria
Зачем AI-агенту acceptance criteria
BABOK-подход: функциональные, нефункциональные требования
Как писать AC, которые агент может проверить
Agentic loop: агент работает в цикле план → действие → проверка → корректировка
Скилл для запуска агента в цикле итераций с автоматической проверкой AC

В результате вы:

научитесь писать спеки с acceptance criteria, которые агент реально может проверить
научитесь запускать агента в цикле с автоматической проверкой AC — получите предсказуемый результат без ручного контроля каждого шага

Модуль 3: Скиллы и кастомизация агентов
Темы:

Что такое скилл: формализованная инструкция, которую агент выполняет по команде
Создание кастомных скиллов
Как формализовать повторяющуюся задачу в скилл
Где хранить скиллы в проекте
Скиллы для команды
Как версионировать и шарить скиллы через репозиторий
Общий пул скиллов vs личные скиллы

В результате вы:

создадите кастомные скиллы под свой проект: автоматизируете code review, ревью спецификаций и другие повторяющиеся задачи
научитесь версионировать скиллы и расшаривать их в команде

Модуль 4: Качество спек: TAUS, ADR, agentic loop
Темы:

TAUS: Testable, Ambiguous-free, Uniform, Scoped
Agentic loop: запуск агента в цикле план → действие → проверка
Exit criteria: как агент понимает, что пора остановиться
Связь AC и exit criteria: acceptance criteria = условия выхода из loop
ADR и трассировка решений:

В результате вы:

научитесь применять критерии TAUS к спецификациям — научитесь отличать рабочую спеку от "похожей на рабочую"
создадите ADR и трассировку решений в коде — Настроите среду так, что агент будет понимать контекст ваших решений и не ломать архитектуру при модификациях
научитесь классифицировать задачи по матрице риск × повторяемость и выбирать уровень контроля

Модуль 5: Оркестрация агентов
Темы:

Паттерны оркестрации:
Один агент
Специализированные агенты
orchestrator → workers
Параллельные агенты (advanced):
Несколько агентов работают одновременно над разными частями
Инструменты оркестрации: Claude Squad, Cursor 2.0, платформы с parallel execution
Два подхода к выполнению плана:
Subagent-Driven
Parallel Session
Trade-offs: контроль и гранулярность ревью vs скорость и автономность
Когда какой паттерн применять: матрица сложность × срочность

В результате вы:

разберётесь в паттернах оркестрации и научитесь выбирать нужный под задачу
научитесь декомпозировать сложную задачу для нескольких агентов и запускать их параллельно
создадите скилл-оркестратор на своём проекте

Уровень 2: Внедрение в команду (опционально, +3 модуля)

Для руководителей комнд разработки, которые хотят внедрить единый AI-процесс разработки в команду
Цель: составить и начать внедрение AI SWE в команду. После курса у участника будет конкретный план, метрики и первые результаты

Модуль 6: Командная инфраструктура
Темы:

CLAUDE.md как общекомандная knowledge base проекта:
Общий репозиторий скиллов для команды:
Единое пространство для всей команды: скиллы, правила, MCP-конфиги
Команда ежедневно отлаживает и наращивает систему

В результате вы:

настроите командный репозиторий скиллов — вся команда будет работать с единым пулом автоматизаций
трансформируете персональный контекстный файл в командный артефакт: workflow, конвенции, антипаттерны

Модуль 7: Новые процессы + план внедрения
Темы:

Agent-first review
Spec-first workflow
Как AI SWE меняет роли в команде:
Техлид: от code review к spec review и развитию системы агентов
Разработчик: от "получил задачу — кодирую" к "получил задачу — специфицирую — генерирую"
QA: от ручного тестирования к бизнес-анализу
Кейсы из практики
Доверие на уровне команды: как помочь команде пройти путь скептицизм → эксперимент → принятие
Метрики эффективности AI в команде
Roadmap внедрения
Как не демотивировать команду
Типичные ошибки внедрения

В результате вы:

опишете целевой pipeline команды: от задачи до merge с участием агентов
составите конкретный план внедрения AI в команду на 1 месяц с метриками и baseline

Модуль 8: Синхронизация и итоги
Темы:

Что получилось внедрить за первые недели
Где застряли и почему: групповой разбор и обмен опытом
Корректировка планов
Что дальше: горизонт 2026, advanced-практики

В результате вы:

сможете понять, где застряли и почему и как это решить
уйдёте со скорректированным планом и дорожной картой на следующий квартал

Что вы получите по итогам курса:

Работающий процесс агентной разработки на вашем проекте
Рост эффективности в 3-5 раз (подтверждено практикой автора)
Библиотеку кастомных скиллов под ваши задачи
Систему контроля качества спецификаций (TAUS)
Настроенную оркестрацию нескольких агентов без лишних проверок и микроменеджмента
План внедрения в команду с метриками и roadmap (для уровня 2)

Автор и ведущий курса - Данил Письменный: IT-предприниматель с 30-летним опытом разработки и 15-летним опытом управления командами.