Разработка с AI: Автоматизация и продуктивность 2026 [profileschool] [Александр Свет]

[ALL DAR Bot]

Автор: Александр Свет
Название: Разработка с AI: Автоматизация и продуктивность 2026 [profileschool] [Александр Свет]

Описание:
Складчина: Разработка с AI: Автоматизация и продуктивность 2026 [profileschool] [Александр Свет]

Строим AI-системы, которые делают работу сами.

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.

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

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

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.

Преподаватель: 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.

Но главное — он сам прошёл путь, который теперь предлагает пройти вам: из непрофильной профессии в мир разработки с ИИ. Александр не разработчик по образованию — он освоил все инструменты на практике, не имея технического бэкграунда. Именно поэтому он объясняет просто и показывает, как использовать ИИ даже тем, кто не пишет код.

Цена: 24990 руб.

Скрытая ссылка

Материал «Разработка с AI: Автоматизация и продуктивность 2026 [profileschool] [Александр Свет]», возможно, скоро появится на All-DAR.

Пройдите регистрацию и оформите Premium подписку, чтобы первым получить доступ, и воспользуйтесь поиском — может быть, он уже опубликован.​