Скачать Разработка с AI: Автоматизация и продуктивность (октябрь 2026) [Profileschool] [Александр Свет]

[Джокер]

Складчина: Разработка с AI: Автоматизация и продуктивность (октябрь 2026) [Profileschool] [Александр Свет]




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.
Что вам потребуется?
Перед началом необходимо пройти базовый онлайн-курс — «Разработка с AI на практике для всех».

Курс использует несколько групп инструментов — от coding agents и браузерной автоматизации до локальных моделей, GPU-сред и песочниц. Большая часть сервисов имеет бесплатные варианты или квоты, но для комфортной работы с некоторыми AI-инструментами и API могут потребоваться подписки или платные лимиты.

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.
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


Спойлер: Программа подробно
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

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.

С 14 октября по 2 декабря
Стоимость: 19920 руб.




СКАЧАТЬ СЛИВЫ КУРСОВ

Для возможности скачивать складчины и сливы курсов нужно зарегистрироваться