Описание
Язык: Русский
Вес архива: 598 МБ
Этот воркшоп — практическое продолжение первой части, где вы уже освоили базовый процесс разработки с LLM и научились структурировать работу через исследование, декомпозицию, планирование и проверку. Теперь мы переходим к следующему уровню — построению устойчивой системы, в которой AI работает под вашим контролем и по заданному workflow.
Почему простого взаимодействия с LLM уже недостаточно
Когда задачи усложняются, ручное управление AI начинает отнимать слишком много времени. Вы постоянно занимаетесь рутинным менеджментом:
• каждую новую сессию заново вводите модель в контекст
• следите, чтобы процесс не ломался
• напоминаете, что уже было сделано
• проверяете каждый шаг
По сути, вы становитесь нянькой для агента, а не архитектором процесса. И в этот момент становится очевидно: проблема не в качестве генерируемого кода, а в отсутствии системы, которая удерживает AI в рамках предсказуемого процесса.
Что дает второй воркшоп
Воркшоп #2 — это переход от ручного процесса к инженерной системе.
Здесь речь не о “секретных промптах”, а о создании полноценного рабочего контура:
• MCP
• workflow
• роли и субагенты
• quality gates
Вы научитесь масштабировать разработку: AI будет выполнять задачи по вашему workflow с предсказуемым результатом, используя артефакты как источник истины.
Практическая программа воркшопа
Часть 1: Архитектура AI-процесса
• проектирование workflow и разделение ролей
• создание субагентов для планирования, реализации и проверки
• использование артефактов как единой базы знаний
• организация quality gates и контроль качества
• разработка backend на Go + Postgres + HTTP API
• создание собственного MCP-сервера поверх backend
Часть 2: Интеграции и сборка полной системы
• AI Workspace как единая точка управления проектами
• проверка MCP через MCP Unit
• создание frontend поверх готовых контрактов
• сборка всего пайплайна с помощью AI Factory
Итог: после воркшопа у вас будет собственная система AI-разработки с ролями, субагентами, MCP, интерфейсом и полным управляемым workflow.
Игорь Л. –
Опыт в бэкенде есть, поэтому часть про Go + Postgres + HTTP API прошла легко, а вот quality gates и организация workflow оказались полезнее, чем ожидал. Три урока — это плотно, но местами хотелось больше примеров на реальном проекте, а не схем. В целом система, где AI работает по заданному контуру, а не как ручной агент, — ровно то, чего мне не хватало.
Марина В. –
Брала вторую часть после первого воркшопа, и по сути только здесь поняла, зачем нужны артефакты как источник истины — больше не приходится каждый раз вводить модель в контекст заново. Отдельно понравилось, как разобрано разделение ролей и субагенты для планирования, реализации и проверки: процесс становится предсказуемым. Свой MCP-сервер поверх backend на Go сделала по шагам, хотя с Go раньше почти не работала.