[BOOTCAMP_02] // AI-DRIVEN РАЗРАБОТКА

Увеличь продуктивность
разработки
с AI-DRIVEN
подходом

12-недельный онлайн буткемп для технических специалистов с продуктовым мышлением с реальными кейсами использования AI-инструментов в продакшене.
12 недель
17 уроков
5 модулей
→ Записаться на буткемп
[CONTEXT] // ПОЧЕМУ СЕЙЧАС

Индустрия уже
изменилась.

2-5Х
Рынок уже сдвинулся
Компании вроде Google, Meta, Stripe внедрили AI-driven SDLC. Их инженеры шипят фичи в 2–5x быстрее. Это уже стало новым стандартом.
2026
Требования изменились
Вакансии всё чаще включают «опыт с AI-инструментами» как обязательное требование, а не nice-to-have. Рынок труда не ждёт.
2–3 МЕС
Самообучение не успевает
Инструменты меняются каждые 2–3 месяца. Без системного подхода вы тратите время на эксперименты, которые не дают устойчивого результата.
↔
Разрыв растёт
Разработчики, которые уже встроили AI в процесс, уходят вперёд. Через год догонять будет значительно дороже.
Окно возможностей открыто. Второй поток стартовал, добор до 30 июля → Записаться
[ABOUT] // ЗАЧЕМ УЧИТЬСЯ

AI в разработке освоили многие.
Встроить его в реальный процесс — другая задача.

И это работает, но это не то, как действительно сейчас меняются процессы в крупных компаниях и на что есть растущий интерес со стороны заказчиков.

Мы в эпицентре этого сдвига

Рост доли продуктовых задач не означает, что появится только одна профессия. Внутри этого сдвига уже появляются конкретные новые роли, AI-инженер, forward deployed engineer, продуктовый инженер, и список будет меняться дальше.

Разбираться в таком потоке проще рядом с людьми, которые сами в нём работают.

  • Михаил Овчинников — staff-инженер в Google
  • Николай Барышников работал в Yandex Cloud и сейчас является AI-архитектором в собственном проекте
  • Даниил Пилипенко как CEO SymbioWay сам нанимает специалистов на такие роли и каждый день имеет дело с тем, как эти требования меняются

Материалов такого уровня погружения на русском языке крайне мало.

Подробнее про авторов
Самостоятельное обучение может привести не туда
Промт-инженеринг устарел за полгода

Ещё недавно многие вкладывались в отдельную специализацию по промт-инженерингу как в самостоятельную профессию. Сегодня бизнесу это почти не нужно само по себе, инструменты изменились быстрее, чем успел закрепиться навык. Тот же риск сейчас стоит перед контекст-инженерингом и другими узкими практиками, которые на слуху именно в этом году.

Без ориентира легко потратить время впустую

Ролики и статьи в открытом доступе рассказывают о конкретных приёмах, но редко объясняют, что из этого нужно рынку. Без фильтра легко потратить месяцы на инструмент, который через полгода станет нерелевантным. Буткемп даёт набор инструментов и навыков, собранных людьми, которые каждый день используют AI в коммерческих проектах.

Практика с обратной связью закрепляет навык

Знание, полученное без проверки, легко забывается или применяется неверно. На буткемпе каждая практика разбирается с командой и не уходит «в стол». Портфолио и обратная связь фиксируют навык в рабочем виде, который можно показать работодателю или применить в задачах уже сейчас.

[AUDIENCE] // ДЛЯ КОГО

Для разработчиков с
продуктовым мышлением

01
Middle / Senior / Lead-разработчик
02
Solution Architect

Каков твой портрет

01
Мыслишь продуктом
Понимаешь, что код это средство достижения целей бизнеса. Фокусируешься на результате.
02
Активно развиваешься
Читаешь, экспериментируешь, инвестируешь в обучение. 5–7+ лет опыта.
03
Влияешь на команду
Проводишь код ревью, менторишь. Готов стать лидером трансформации.
04
Скептик, но открыт к новому
Подозрительно относишься к AI, но готов глубоко разобраться и проверять возможности.
05
Ограничен временем
Имеешь полноценную работу, семью, из-за чего нет времени на самостоятельное обучение, не хочешь учитсья годами.
06
Хочешь контролируемые результаты
Не веришь в «волшебные таблетки». Хочешь понимать, что происходит под капотом.
[OUTCOMES] // ЧТО ТЫ ПОЛУЧИШЬ

Что ты научишься
делать

  • →

    Создание фич в разы быстрее — используя AI в цикле ресерч → план → внедрение → тест → ревью

  • →

    Настраивать AI-driven окружение — RAG-системы, MCP, SPEC-разработка, агенты, контекст под твой стек

  • →

    Управлять контекстом — подключать AI к кодовой базе, вики проекта, внешним сервисам

  • →

    Избегать галлюцинаций и контролировать результат — процессы, которые ловят ошибки до продакшена

  • →

    Управлять агентами — несколько агентов в одной кодовой базе, автоматизация рутины и ощутимая помощь в сложных задачах

  • →

    Работать со сложными системами — рефакторинг крупных проектов, работа с легаси, архитектурная трансформация, дробление монолитов на микросервисы и наоборот

  • →

    Держать полноценную AI-команду — бекэнд / фронтэнд разработчики, системный аналитик и DevOps создают полноценный рабочий продукт

  • →

    Масштабировать на команду — AI-driven процессы, корпоративная академия, трансформация SDLC организации

На деле это

больше влияния на продукт, рост ценности на рабочем месте и рынке труда, рост зарплаты

[CURRICULUM] // ПРОГРАММА · 12 НЕДЕЛЬ · 17 УРОКОВ

Программа
буткемпа

Живые эфиры Каждый вторник с 18:00/19:00
Длительность От 2 до 3 часов
Периодичность 1 урок в неделю, иногда 2 — по вторникам и четвергам
Если пропустил Материалы остаются в библиотеке
После урока Задачи для самостоятельной работы
M1
AI как инструмент
НЕД 1 · 2 УРОКА
01
Трансформация роли разработчика
Начинаем с проблем и вопросов студентов из вводной анкеты: подсвечиваем их и показываем, как курс каждую из них закрывает. Разбираем, как меняется роль инженера: код как ценность уступает место спекам, требованиям и управлению агентами; вводим мультиагентность как рабочий инструмент. Сразу проверяем на практике: каждый участник через ИИ-агента и спецификацию (SDD) собирает и разворачивает работающий лендинг на реальном сервере с аналитикой посещений. Спек-дривн-девелопмент показываем уже здесь — как рекомендованный ход работы — и готовим основу для следующего урока. Практику формулируем с точки зрения образовательной ценности и управления ИИ, а не конкретного стека реализации.
// Роль разработчика · SDD · Мультиагентность · Деплой через агента
02
Продуктовая итерация через AI-аналитику
Берём лендинг с первого урока и решаем бизнесовую задачу: повысить конверсию через данные о реальном поведении пользователей. Подключаем Chrome MCP, параллельно парсим Web Visor; агент сам анализирует паттерны скроллов и кликов и передаёт нам готовые выводы, по которым вносим изменения для повышения конверсии на 5–15%. Разбираем, почему агент без жёсткого контроля смешивает реальные данные с домыслами, и как его остановить. Отдельно проговариваем стратегию тестирования: при локальном прогоне результаты у всех разные (разные ядра и железо), единообразия можно добиться только в облаке с изоляцией ресурсов — но это отдельная инфраструктура, оплата и поддержка. Цикл от данных до деплоя за одно занятие.
// Chrome MCP · Web Visor · Конверсия · Контроль агента
M2
Качество и контекст
НЕД 2–3 · 3 УРОКА
03
Философия качества и Evals
Коротко напоминаем механизм работы LLM (контекст, токены, веса) — аудитория уже в этом разбирается — и переходим к сути. Студенты пишут key-value БД «в лоб» без дополнительных инструкций; на код-ревью обнаруживаем одинаковые проблемы у всех: устаревший JS вместо TypeScript, небезопасный Dockerfile, нет персистентности, логов, обработки ошибок. Разбираем, почему это системно и как это исправить: доверие к ИИ (что можно и нельзя ему доверить), декомпозиция задач, структура правильного промта и методология SDD — спецификация как источник истины, план как маршрут, TDD как защита от мухлежа агента, релиз-гейт на выходе. Evals и тесты пишем для собственных агентов и промптов; метрики качества именно для RAG — отдельная тема в уроке про RAG.
// Доверие к ИИ · Структура промта · SDD · Evals
04
Контекст-инжиниринг
Коротко проговариваем, из чего состоит контекстное окно (аудитория уже разбирается), и фокусируемся на управлении: что его засоряет (документация, промежуточные вычисления, устаревшие ссылки), когда сбрасывать сессию и почему работать по фичам лучше, чем по слоям. Разбираем память агента как класс задач и класс решений: сравниваем простой подход на MD-файлах с готовыми системами памяти (Obsidian и похожие), проговариваем OKF (стандарт конфигурации агента) и субагентов, суммаризацию упоминаем вскользь. Строим иерархию памяти: md-файлы → MCP+PostgreSQL → Redis. Устанавливаем Spec Kit и проходим полный цикл от установки и внедрения до автоматической реализации задач со сбросом контекста между итерациями.
// Контекст как ресурс · Иерархия памяти · Субагенты · Spec Kit
05
Харнес и экосистема управления агентами
Разбираемся в харнесах — способах улучшения работы агентов внешними средствами. Даём обзор популярных готовых харнесов (Cursor, OpenCode, Hermes и другие): это обвязка над API модели, которая организует агента, — её можно взять и донастроить под себя. Показываем, что выбор конкретного инструмента для демонстрации не проблема: популярные харнесы конкурируют фичами и быстро сходятся по ключевым функциям, а утилиты (OpenSpec, Obsidian и др.) умеют интегрироваться со всеми; разница — в том, как хранятся скиллы и правила. Отдельно разбираем не «как написать MCP» (это легко), а фреймворк решения: когда делать MCP, когда собственный тул для агента, когда правило, а когда достаточно просто выполнить скрипт.
// Харнесы · Cursor/OpenCode · MCP vs тул vs правило · Скиллы и правила
M3
Агенты
НЕД 4–6 · 4 УРОКА
06
Мультиагентные системы
Разбираем агента как операционную систему: LLM = CPU, контекст = RAM, субагенты = процессы, MCP = сетевые вызовы. Пишем собственный MCP-сервер на Python (fastMCP) и подключаем к IDE, проверяем, как docstring инструмента влияет на его вызов. Создаём первого субагента на markdown и выясняем, почему размытое описание может сломать всю систему. Проходим все паттерны мультиагентных систем: Router, Supervisor, Graph, Evaluator-Optimizer, Human-in-the-Loop — с эволюцией от group chat до Chat DEF. Разбираем мультиэкспертность: как скиллы превращают агента в системного аналитика, QA, дизайнера или DevOps (SDLC через скиллы, OpenSpec, API-first) и как обеспечивать безопасность агентов; при этом запуск нескольких агентов почти всегда означает разные роли, а не копии одного эксперта. Финал: собираем мультиагентную систему для полного SDD-цикла на живом кейсе — например, MVP агрегатора гостиниц, где второй агент параллельно анализирует топ-10 сайтов на возможность автоинтеграции.
// Агент как ОС · fastMCP · Паттерны мультиагентности · SDD-цикл
07
RAG
Различаем типы RAG по подходу: поиск по точным совпадениям и поиск по базе знаний — это принципиально разные раги, с разными примерами применения. Знакомимся с моделями, которые отдельно улучшают качество RAG (эмбеддинги, re-ranker, query rewrite); репозитории готовых моделей — HuggingFace и Yandex Cloud — упоминаем кратко, без разбора выбора по вендорам (рынок меняется быстрее). Строим RAG с нуля: чанкинг через Chonkie → embeddings → ChromaDB → поиск → ответ LLM, затем усиливаем query rewrite перед поиском и re-ranker после. Оцениваем качество через RAGAS — это метрики именно для RAG, отдельно от общей темы Evals.
// Типы RAG · Embeddings · Re-ranker · RAGAS
08
Разработка агентов
Проходим базовые паттерны построения агентов: воркфлоу, маршрутизацию, параллелизацию, оркестрацию и цикл с самопроверкой через судью. Разбираем контракт Responses API и его отличие от устаревшего Completions. Пишем первого агента, который возвращает структурированный вывод по заданной схеме. Добавляем вызов функций: объявляем тул, читаем function_call в ответе модели и вызываем нужную функцию. Строим трёхагентную систему через A2A и реализуем её же через фреймворк на выбор (LangGraph, CrewAI, Google ADK, AutoGen, Haystack) — фреймворк как инструмент создания агентов. В финале объединяем инструменты — RAG, MCP и скиллы — в одном агенте через общий параметр tools и получаем работающего агента, который умеет искать по знаниям, обращаться к внешним сервисам и использовать локальные окружения.
// Responses API · Structured output · Function calling · A2A
09
Тулы для разработки
Собираем набор инструментов, усиливающих качество агентной разработки. Разбираем тулсет, который стоит заюзать: CodeGraph и семантический поиск по коду, context7, Chrome DevTools, готовые MCP, готовые раги, скиллы. Не «какие бывают агенты», а какие примочки к коду и окружению делают агента точнее и полезнее — и как собрать из них личный набор под свои задачи.
// CodeGraph · Семантический поиск · context7 · Личный тулсет
M4
Quick Wins и сложные кейсы
НЕД 7–10 · 5 УРОКОВ
10
Беспроблемные и проблемные кейсы на реальной кодовой базе
Разворачиваем настоящий большой legacy-проект через Docker и работаем с ним как с боевой задачей, разбирая проблемные и беспроблемные кейсы использования LLM. Беспроблемные кейсы: картографирование архитектуры незнакомого репо, объяснение 6500-строчного монолита на чужом языке, трассировка flow от клика до БД. Проблемные: аудит безопасности; один и тот же промт даёт разный результат при двух запусках; AI документирует несуществующий класс как реальный. Для каждого кейса — конкретный алгоритм получения нужного результата.
// Legacy через Docker · Картографирование · Аудит безопасности · Галлюцинации
11
Фреймворк системной декомпозиции
Учимся работать со сложными задачами через системную декомпозицию и осваиваем внедрение новых элементов в существующую архитектуру — или построение архитектуры с нуля. Проектирование продуктовой системы через 5 этапов: UI прототипы, структура БД, API контракты, архитектура, бизнес-логика. Практически добавляем в проект базу данных, API-контракты, архитектурные компоненты и бизнес-логику с демонстрацией полного пайплайна.
// Системная декомпозиция · Структура БД · API-контракты · Бизнес-логика
12
Изучение незнакомых систем
Осваиваем методики работы с большими незнакомыми проектами и legacy-кодом: как эффективно изучать структуру, выстраивать связи между модулями и понимать логику работы, опираясь на инструменты анализа. Разбираем иерархию инструментов: от grep и полнотекстового индекса до семантического RAG, tree-sitter, LSP и графовых баз знаний. На реальном open-source-репозитории строим граф зависимостей кодовой базы в Docker через агента, пишем аналитические запросы и находим архитектурные проблемы, не читая код вручную; получаем пошаговый план изменений через режим Code Map. Переходим от чтения кода к запросам к коду как к данным — это база для автоматизированного рефакторинга и архитектурной трансформации.
// Иерархия анализа · tree-sitter/LSP · Граф зависимостей · Код как данные
13
Инфраструктура и observability агентных платформ
Разбираем инфраструктуру для агентов с точки зрения разработчика: агентские платформы, где агенты запускаются и контролируются, и как устроена observability, когда одновременно работают десятки и сотни агентов (сколько тулов вызывает сессия, алерты, логи, трейсы). Детекция аномалий: как понять, что агент «улетел» и начал выдавать ерунду. Управление доступом агентов через IAM-контроль и говернанс: формулируем общие принципы поведения, которые оценивает система LLM-as-a-Judge. Смотрим на готовые платформы облачных провайдеров (Google, Amazon, Microsoft) и open-source. Урок сфокусирован на агенте с точки зрения разработчика — без разбора сервинга и инференса моделей.
// Агентские платформы · Observability · Детекция аномалий · LLM-as-a-Judge
14
Архитектурная трансформация
Учимся разделять монолитную архитектуру на микросервисы с помощью AI: аудит зависимостей в коде и БД, выделение bounded contexts через Domain-Driven Design, создание API-границ (API Gateway, anti-corruption layer, контракты), паттерны консистентности (Outbox, Saga) и безопасный поэтапный переезд через dual writes и Strangler Fig. Работаем в spec-driven режиме на OpenSpec: готовим proposal, гоняем его через параллельных агентов-ревьюеров (БД, перформанс, безопасность, gateway) и доводим до спецификации с API-контрактом, моделью данных, runbook миграции и тест-планом. Подготовку кода делаем детерминистическими утилитами статического анализа, которые не тратят токены: ast-grep (YAML-правила scan/fix, коммитятся как миграции БД), OpenRewrite для переезда между фреймворками и CodeQL для запросов на потоки данных (source → sink) — поиск утечек секретов и JWT-токенов. Относимся к кодовой базе как к данным, а не к произведению искусства.
// Монолит → микросервисы · DDD · Strangler Fig · ast-grep/CodeQL
M5
Масштабирование и выпуск
НЕД 11–12 · 3 УРОКА
15
Карьерный трек: позиционирование на рынке труда
Разбираем, как AI изменил рынок труда в IT, — с реальными данными hh.ru и мировых площадок на руках. Смотрим на 12-летние циклы спроса и предложения: дефицит кадров, пузырь 2021 года, обвал 2022-го и текущий рынок работодателя. Обсуждаем, где избыток, а где дефицит по направлениям, и разбираем сдвиг грейдов: сеньор сегодня — это мидл пятилетней давности. Формулируем стратегию, как оставаться востребованным: расширение профессии до разработчика-дженералиста, углубление фундаментальных знаний, ответственность за результат и умение управлять инструментами. Проговариваем практику найма: ATS-системы, каналы поиска, собеседования с AI, мультизанятость и корпоративную безопасность — как правильно себя позиционировать, что подчеркнуть и на какие суммы можно претендовать.
// Рынок труда · Сдвиг грейдов · Дженералист · Позиционирование
16
Трансформация команды и внедрение
Переходим от личного использования AI к масштабированию практик на всю команду или компанию. Осваиваем роль лидера AI-трансформации: как внедрять новые стандарты работы, преодолевать сопротивление коллег, обосновывать эффективность внедрения AI перед руководством через метрики и ROI. Оцифровка SDLC, план внедрения на базе агента-аналитика, создание корпоративной академии.
// AI Champion · Сопротивление · ROI · Корпоративная академия
17
Окончание и следующие шаги
Формирование долгосрочной стратегии развития AI-практик. Чеклисты, промпты, плейбуки для ежедневной работы. Вход в комьюнити для постоянного обмена опытом.
// Стратегия развития · Чеклисты · Плейбуки · Комьюнити
→ Записаться на буткемп
[FEEDBACK] // ОБРАТНАЯ СВЯЗЬ

Обратная связь
от студентов


ВСЕ УЧАСТНИКИ

Александр Сапронов
Александр Сапронов
Али Патвари
Али Патвари
Андрей Алёнин
Андрей Алёнин
Андрей Милёв
Андрей Милёв
Артём Боченин
Артём Боченин
Владислав Москвин
Владислав Москвин
Геннадий Абашкин
Геннадий Абашкин
Денис Косяков
Денис Косяков
Дмитрий Бежецков
Дмитрий Бежецков
Дмитрий Монин
Дмитрий Монин
Дмитрий Подольский
Дмитрий Подольский
Дмитрий Шкилёв
Дмитрий Шкилёв
Екатерина Костенко
Екатерина Костенко
Максим Краснопивцев
Максим Краснопивцев
Максим Соколов
Максим Соколов
Роман Игнашев
Роман Игнашев
Руслан Фаттахов
Руслан Фаттахов
Станислав Сидорюк
Станислав Сидорюк
Владимир Щетинин
Владимир Щетинин
Алексей Базанов
Алексей Базанов
Алексей Лещанкин
Алексей Лещанкин
Артём Горохов
Артём Горохов
Артур Алагулян
Артур Алагулян
Василий Большаков
Василий Большаков
Алексей Захаров
Алексей Захаров
Максим Подпорин
Максим Подпорин
Максим Шмырев
Максим Шмырев
Максим Сорокин
Максим Сорокин
Сергей Новопольцев
Сергей Новопольцев
Павел Банников
Павел Банников
Павел Стеньгач
Павел Стеньгач
Юрий Петрученя
Юрий Петрученя
[TEAM] // АВТОРЫ И ЭКСПЕРТЫ БУТКЕМПА

Авторы и
эксперты

Николай Барышников
Николай
Барышников
// Яндекс Cloud
[LEAD_INSTRUCTOR]
15 лет опыта в индустрии
Ex-product manager в Yandex Cloud, ответственный за стратегические дорожные карты и развитие облачных продуктов
Специалист по распределённым системам и облачной инфраструктуре
Предприниматель и CTO: со‑основатель Joylink, основатель DataLightMe
Михаил Овчинников
Михаил
Овчинников
// Meta · Google
[LEAD_INSTRUCTOR]
18 лет опыта в индустрии
8 лет в Бигтехе: Meta, Google — менеджер и Staff-инженер
Специалист по распределённым системам
Спикер Highload Conf, TeamLead Conf, Knowledge Conf
Автор курсов по алгоритмам и машинному обучению
Даниил Пилипенко
Даниил
Пилипенко
// SymbioWay
[LEAD_INSTRUCTOR]
Директор центра подбора и оценки IT-специалистов SymbioWay
Технический директор SW Development
Руководитель направления «Разработка» в Центральном университете (Т-Банк)
Разработчик с 2004 года (Java, PHP, frontend), руководитель разработки с 2008
Спикер TeamLead Conf, MergeConf · ПК конференции Стачка
Автор 58 курсов · Skillbox, МФТИ, ТГУ, РАНХиГС, Яндекс.Практикум
Сертифицированный карьерный коуч (Career Way Inc., ICF)
Выпускник МГУ · Кандидат наук
[COMMITTEE_01] // Программный комитет

Что говорят о нас
лидеры индустрии

Михаил Пайсон
Михаил Пайсон
CTO, Aurora First · ex-Яндекс
«Подход через спецификации и управление контекстом — правильный фундамент. Specification-driven development как практика сюда органично вписывается.»
Сергей Попов
Сергей Попов
Product Owner в Skillaz · B2B/B2C · HRTech · EdTech · IT
«Те, кто начали применять ИИ, уже получают конкретный профит — в карьере, в скорости, в том, что можно взяться за задачи другого масштаба. Крупные компании на это смотрят и начинают спрашивать на собеседованиях. Программа про этот переход, и материала достаточно.»
Дмитрий Твердохлебов
Дмитрий Твердохлебов
CPO · Консультант по внедрению ИИ · ex-МТС · ex-VK
«Разработчик, который прошёл такую программу целиком — от MCP-серверов до архитектурной трансформации больших проектов — это готовый AI-driven инженер, за которого на рынке сейчас конкурируют.»
Андрей Кузьминых
Андрей Кузьминых
AI/ML/Data Science · Внедрение ИИ в бизнес · Andre AI Technologies
«Уверенный буктемп про смену роли разработчика. Важно, что в конце затронута тема организационных изменений — это обычно самое слабое место подобных программ. Здесь это закрыто.»
Глеб Михеев
Глеб Михеев
IC Сбер, ex-Skillbox, ex-Beta
«Плотный буткемп, каким и должен быть для аудитории разработчиков. Я бы и сам такое послушал. Чувствуется, что материал выстроен людьми, которые понимают, как реально устроена разработка изнутри.»
Павел Ремизов
Павел Ремизов
CTO, Tabla App · SberDevices · Skillbox
«Структура выстроена осмысленно, программа прошла через серьёзную работу. Путь от простых кейсов к архитектурным задачам выстроен последовательно.»
Дмитрий Крутов
Дмитрий Крутов
CEO · Сооснователь Skillbox
«Для мидлов и сеньоров это редкая возможность переосмыслить свой подход, не отрываясь от реальных задач.»
Александр Ларьяновский
Александр Ларьяновский
Управляющий партнёр, Skyeng
«Большинство курсов учат инструментам. Этот учит думать иначе о своей работе, что важнее.»

И другие члены программного комитета

Павел Гонзалес
Павел Гонзалес
Руководитель направления, PostgresPro · Тимлид и преподаватель · ex-OZON · ex-SkillBox
Александр Стародубцев
Александр Стародубцев
Техлид Cloud.ru · Основатель сообщества IT-ХОЗЯЕВА · ex-стример JoinTime
Зар Захаров
Зар Захаров
Руководитель фронтенд-разработки, RuTube · ex-ведущий разработчик ВКонтакте
Иван Черняков
Иван Черняков
Инженер · Стартапер · Восходящая YouTube-звезда · Автор документалок «IT-расследования»
[ форматы участия ]

ФОРМАТЫ УЧАСТИЯ

Буткемп построен на практике, это одинаково для любого формата. Разница в том, как проходит участие. Одни учатся и практикуют в своём темпе, другие хотят применять решения сразу на уроке и получать помощь на свой конкретный запрос. Наш буткемп удовлетворяет любой запрос.

[ описание ]

Полное погружение

Разбираем AI-driven разработку на реальных кейсах и инструментах, которые уже используются в продуктовых командах.

  • Разработаете агентов и субагентов, покрывающих весь процесс разработки. Научитесь методу оркестрации агентов.
  • Изучите паттерны и практики качественной разработки сложных веб-приложений - CRM, агрегаторы, маркетплейсы и другие - за часы вместо месяцев.
  • Отработаете подходы для исследования, рефакторинга и архитектурной трансформации проектов размером от 200тыс. строк кода.
  • 5 модулей, 17 уроков 2-3 часа каждый.
  • Обучение в живом формате, в онлайн-режиме на вебинарах.
  • Материалы курса:
    • онлайн-встречи и записи встреч
    • библиотека материалов
    • рабочие файлы на GitHub
    • лидерборд результатов
    • общий чат потока с поддержкой от команды
  • Записи и материалы доступны 6 месяцев, чтобы можно было пройти пропущенные уроки.
  • Дополнительные встречи в малых группах для доработки практики и домашних заданий.
  • Бонус при регистрации: 3 месяца в клубе топ-разработчиков после завершения программы.
  • 25 000 Р за модуль
    Оплата только после консультации — оставляйте заявку и получите ваши персональные условия.
    Разные варианты внесения платежа и дополнительная скидка для участия с коллегами и друзьями.
    Возможность присоединиться даже с одного модуля и скидка при полной оплате.
[ командное участие ]

Для продуктовых и инженерных команд от 3–5 человек мы делаем корпоративный формат: единый план внедрения в SDLC, метрики ROI, отдельный слот под ваш стек.

Подробнее
[FAQ] // ЧАСТЫЕ ВОПРОСЫ

FAQ

  • Буктемп подойдёт мне, если я уже пользуюсь ChatGPT/Copilot/Claude или другим инструментом?
    Да, и скорее всего именно для вас он будет наиболее ценным. Базовое использование AI — это первый уровень из трёх: AI как поисковик, AI как помощник, AI как продакшн слой со своим пайплайном. Буктемп начинается там, где заканчивается большинство туториалов: контекст-инжиниринг, мультиагентная система, работа с реальными кодовыми базами, безопасный рефакторинг. Если вы уже используете автодополнение или другие отдельные практики — вы сэкономите время на старте и быстрее перейдёте к практике.
  • Как буктемп поможет, если я не доверяю качеству AI-кода?
    Скептицизм — правильная стартовая позиция, и буктемп строится именно вокруг неё. Центральный принцип программы называется trust but verify: AI генерирует быстро, но ответственность за качество остаётся за разработчиком. На практике это означает: как формулировать задачу так, чтобы минимизировать галлюцинации; как выстраивать проверки через юнит-тесты и код ревью; как сохранять понимание кода при делегировании агентам.
  • Подойдёт ли буктемп под мой стек и язык?
    Буктемп работает с любым стеком. Практика построена на принципах, применимых в любом языке и фреймворке: контекст-инжиниринг, системная декомпозиция, работа с легаси кодом. Один из ключевых кейсов — восстановление архитектуры большого проекта на незнакомом языке программирования. Именно эта способность — работать с любым стеком через AI — является одним из главных результатов программы. Если у вас нишевый язык или специфичная БД, обсудите ваш кейс с куратором до старта.
  • Чем это отличается от курсов по промптингу, которых полно?
    Промптинг — это техника составления запросов. Буктемп про другое: как встроить AI в реальный инженерный процесс так, чтобы это давало контролируемый результат на рабочих задачах. Каждый урок строится вокруг реального коммерческого кейса. Сертификация — портфолио из 3–5 внедрений на вашем рабочем проекте.
  • AI заменит разработчиков — зачем тогда учиться?
    Писать код строчка за строчкой перестаёт быть дефицитом. Дефицитом становится понимание систем, архитектурное мышление, контроль качества и способность управлять AI как инструментом. Разработчик с AI конкурирует с разработчиком без AI, который делает ту же работу в 3–5 раз медленнее. Буктемп про то, как занять позицию архитектора решений и почти полностью отойти от ручного ввода.
  • Будут ли реальные кейсы или только теория?
    Каждый урок построен вокруг конкретного кейса: перенос многостраничного Figma-проекта во фронтенд за минуты, восстановление архитектуры легаси кода на незнакомом языке, безопасный рефакторинг большого проекта с GitHub, разбиение монолита на микросервисы и обратно и ещё 10 кейсов. Теория занимает не более 10–30 минут из 3 часов в начале урока, остальное время это демонстрация, самостоятельная практика и живое обсуждение.
  • И всё же, буктемп для разработчиков или для менеджеров?
    Для разработчиков middle+ и senior уровня с 5+ годами опыта. Вся практика построена на инженерных задачах и требует хорошего понимания кода. Последний урок про масштабирование на команду рассчитан на тех, кто уже влияет на технические решения в компании, хочет проявить себя в трансформации команды, либо хочет понять, как это уже происходит в компаниях.
  • Что я буду уметь делать после буктемпа — конкретно?
    Переносить многостраничный дизайн из Figma в работающий проект за минуты. Контролировать и улучшать качество результатов от ИИ, управляя контекстом. Восстанавливать архитектуру незнакомой кодовой базы без документации. Проводить безопасный рефакторинг большого легаси проекта. Настраивать агентов для автоматизации рутинных задач — документация, тесты, code review — и для помощи в сложных задачах, как проектирование архитектуры и написание соответствующей спецификации. Формулировать эти спецификации так, чтобы агенты минимально отклонялись от плана. Оптимизировать затраты токенов на разные типы задач.
  • Буктемп про инструменты или про подход к работе?
    Инструменты и подход идут вместе. Cursor, Claude Code, n8n, MCP, векторные БД — всё это и многое другое появляется в контексте реальных задач. Поскольку инструменты меняются каждые несколько месяцев, акцент на паттернах: как думать о задаче, как декомпозировать систему, как выстраивать контроль качества. Конкретные инструменты — способ показать паттерн в действии.
  • Как получить доступ к зарубежным моделям из России?
    Напишите об этом менеджеру или куратору. Мы подходим к решению каждого случая индивидуально.