13 лекций
Более 12 часов видео
Сквозной практический проект
Чат
для общения
для общения
Свободное расписание
Онлайн-курс: «AI Harness. Построение агентных систем: как надо, а не как все»
Авторский курс Евгения Борисова для разработчиков, которые хотят стать инженерами и архитекторами современных агентских систем. Проектируем и собираем собственного ИИ-агента на локальной модели.
9 500
р.
15 000
р.
[О чем будет курс]
ИИ-ассистенты за два года стали частью работы — и остались чёрным ящиком. Почему агент уверенно пересказывает файл, которого не читал? Почему он забывает середину разговора? Что происходит между «напиши тест» и появлением файла на диске? Что мешает ему стереть ваш проект? Ответы лежат не в машинном обучении, а в обычной инженерии.
Это инженерный курс для опытных разработчиков, которые хотят выйти за рамки использования готовых ИИ-инструментов и понять, как такие инструменты устроены внутри — чтобы собирать свои.
За 13 уроков мы с нуля пишем на Java и Spring AI настоящего coding-агента: 60 классов, 8 инструментов. Он читает ваш репозиторий, ищет по нему, правит файлы, запускает команды и доводит задачу до зелёных тестов.
Это инженерный курс для опытных разработчиков, которые хотят выйти за рамки использования готовых ИИ-инструментов и понять, как такие инструменты устроены внутри — чтобы собирать свои.
За 13 уроков мы с нуля пишем на Java и Spring AI настоящего coding-агента: 60 классов, 8 инструментов. Он читает ваш репозиторий, ищет по нему, правит файлы, запускает команды и доводит задачу до зелёных тестов.
Евгений Борисов, автор курса
Инженерные навыки для нового рынка
По мере того как ИИ берёт на себя всё больше задач по написанию кода, растёт ценность тех, кто способен спроектировать систему и отвечать за её работу целиком. Своё облако не пишет никто — а опыт с облаком спрашивают на каждом интервью. Свой Spring не пишет никто — а про его внутренности спрашивают до сих пор. Сейчас индустрия поворачивается к агентным системам, и на голову выше оказываются те, кто понимает, как они устроены внутри.
После курса у вас остаётся свой работающий агент, с которым можно продолжить эксперименты. Проект собирается по git-тегам — у каждого урока свои start и end, можно писать код вместе с автором, можно забрать готовое состояние, можно вернуться к любому уроку через полгода.
По мере того как ИИ берёт на себя всё больше задач по написанию кода, растёт ценность тех, кто способен спроектировать систему и отвечать за её работу целиком. Своё облако не пишет никто — а опыт с облаком спрашивают на каждом интервью. Свой Spring не пишет никто — а про его внутренности спрашивают до сих пор. Сейчас индустрия поворачивается к агентным системам, и на голову выше оказываются те, кто понимает, как они устроены внутри.
После курса у вас остаётся свой работающий агент, с которым можно продолжить эксперименты. Проект собирается по git-тегам — у каждого урока свои start и end, можно писать код вместе с автором, можно забрать готовое состояние, можно вернуться к любому уроку через полгода.
[Особенности курса]
Собственный агент с нуля
Курс построен так, что каждая новая подсистема появляется тогда, когда в ней возникает необходимость. Начинаем с простого чат-бота. Потом сразу добавляем цикл работы и инструменты, что превращает его в агента. Дальше постепенно расширяем его возможности: учим работать с репозиторием и файлами, задавать поведение через системный промпт, безопасно выполнять команды, планировать действия, сжимать контекст, работать автономно, использовать субагентов и вести интерактивный диалог в терминале.
Каждый урок начинается с кода, который пока не работает. Сначала мы пробуем запустить нужную функцию и сталкиваемся с ошибкой или неправильным ответом модели. Затем разбираемся в причине и исправляем код.
Каждый урок начинается с кода, который пока не работает. Сначала мы пробуем запустить нужную функцию и сталкиваемся с ошибкой или неправильным ответом модели. Затем разбираемся в причине и исправляем код.
Управляемость на уровне архитектуры, а не инструкций модели
Поведением агента управляет код, а не уговоры в промпте. В курсе разберём:
- Описания инструментов, которые на самом деле работают как промпт
- Границу рабочей папки
- Правило «не правь то, чего не читал»
- Модель разрешений с режимами и точкой, где агент обязан остановиться и спросить человека
- Бюджеты на результаты инструментов и сжатие истории
- Стоп-условия и защиту от зацикливания
- Субагента со своим контекстом
Локальная модель: все грабли видны, и всё бесплатно
Модель работает локально в Docker: ни API-ключей, ни счетов, ни отправки вашего кода наружу. Курс купили — дальше платить не надо ни за что, и можно гонять один и тот же цикл пятьдесят раз.
Вторая причина методическая, и она важнее. Небольшая модель честно ломается там, где большая замаскировала бы архитектурную дыру: мощная модель многое вытащила бы сама, без части инструментов и без управления контекстом, и половина курса осталась бы невидимой. Те же проблемы есть и у больших моделей — просто чтобы их увидеть, нужен production-проект и очень серьёзный счёт за токены. Эти же навыки незаменимы там, где внешние API недоступны: закрытый контур, чувствительные данные, запрет на выход наружу. Стек взят самый свежий — версии, под которые ещё не написано статей. Отдельный навык курса: разбираться в новом API самостоятельно, а не пересказывать чужие посты.
Вторая причина методическая, и она важнее. Небольшая модель честно ломается там, где большая замаскировала бы архитектурную дыру: мощная модель многое вытащила бы сама, без части инструментов и без управления контекстом, и половина курса осталась бы невидимой. Те же проблемы есть и у больших моделей — просто чтобы их увидеть, нужен production-проект и очень серьёзный счёт за токены. Эти же навыки незаменимы там, где внешние API недоступны: закрытый контур, чувствительные данные, запрет на выход наружу. Стек взят самый свежий — версии, под которые ещё не написано статей. Отдельный навык курса: разбираться в новом API самостоятельно, а не пересказывать чужие посты.
[Автор]
Евгений Борисов
Java-разработчик с 25-летним стажем работы, один из самых узнаваемых спикеров в сообществе. Его технические доклады набрали миллионы просмотров, а фразы из них давно стали мемами (Spring-потрошитель часть 1, Spring-построитель, Spring — глубоко и не очень). Сегодня Евгений занимается построением агентных систем и внедрением искусственного интеллекта в корпоративную среду.
[Нулевой урок]
[Программа курса]
Агент собирается, как Терминатор T-800: подсистема за подсистемой. При запуске проект сам рапортует, что уже собрано.
Подключим локальную модель, разберем базовые механики Spring AI 2.0 и напишем первые Agent и Conversation.
Пока получится всего лишь чат-бот, это еще не агент.
Пока получится всего лишь чат-бот, это еще не агент.
Научим систему рассказывать, что с ней происходит. Разделим логику агента и интерфейс, введем доменные события и заложим архитектуру, которая не развалится по мере роста проекта.
Агент уверенно рассказывает о файле, которого никогда не читал. Исправляем это. Разбираемся, как работают tools, почему описание инструмента — это тоже часть промпта. Добавляем чтение файлов и собираем настоящий agent loop. Именно здесь чат-бот становится агентом.
Добавим поиск по имени и содержимому, научим агента ориентироваться в структуре проекта и перестанем позволять ему выдумывать несуществующие пути.
Теперь агент умеет «смотреть» на репозиторий. Пора научить его действовать: покажем ему, как создавать и изменять файлы, разберем точечное редактирование и введем принцип «не редактируй то, чего не читал».
Агент уже умеет работать с файлами, но все еще почти ничего не знает о самом проекте. Научим его учитывать git-статус, структуру репозитория, память и другие части контекста. Системный промпт перестанет быть одной огромной строкой.
Дадим агенту возможность запускать команды, а значит потенциально делать с вашей машиной почти все, что угодно. Поэтому сразу строим систему разрешений: режимы, правила, классификацию опасных действий и точки, где агент обязан остановиться и спросить человека.
Добавим агенту список задач и механизм контроля собственного плана. Разберемся, почему одного инструмента планирования недостаточно и как напоминать агенту о том, что он начал и бросил на полпути.
Контекст заканчивается, причем обычно в самый неподходящий момент. Научимся считать расход контекста, ограничивать результаты инструментов, удалять устаревшую информацию и сжимать историю разговора в компактное резюме.
Научим агента отличать «я сделал» от «я сделал и проверил, что все работает». Добавим стоп-условия, обработку ошибок, повторные попытки и защиту от зацикливания.
Что делать, если исследование большого проекта съедает весь контекст? Запустить другого агента. Соберем субагента с собственным контекстом, который изучает задачу отдельно и возвращает главному агенту вывод.
До этого момента агент жил на стенде разработчика. Теперь дадим ему интерфейс. Сделаем живой диалог в терминале, стриминг ответа, прерывание работы, учет токенов и набор слеш-команд.
Агент получает реальную задачу в реальном репозитории и проходит весь путь самостоятельно: находит нужный код → анализирует → меняет файлы → запускает команды → исправляет ошибки → доводит задачу до результата.
А человек остается там, где действительно нужен: ставит задачу и делает ревью.
В финале разберем, как развивать агента дальше: собственные инструменты, внешние системы и новые точки расширения.
А человек остается там, где действительно нужен: ставит задачу и делает ревью.
В финале разберем, как развивать агента дальше: собственные инструменты, внешние системы и новые точки расширения.
[Кому будет интересен этот курс?]
- Java-разработчикам уровня middle и выше, чтобы перестать пользоваться ИИ-агентом наугад и получить работающий шаблон для сборки агента под свою инфраструктуру с доступом к своей базе, своей «Вики», своему CI
- Разработчикам на других языках, готовым читать Java. Код в курсе написан так, что все главное (цикл, инструменты, контекст, разрешения) от языка не зависит и спокойно переносится на Python, Kotlin, Go
- Тимлидам и архитекторам, чтобы принять осмысленное решение о внедрении ИИ-инструментов в команде
- Специалистам по безопасности и DevOps, чтобы понять, как агенту дают доступ к shell и как этот доступ ограничивают
Стартуем 5 ноября 2026 г.
[Остались вопросы? Напишите нам!]
Поможем уточнить детали программы, оформить оплату от юридического лица или получить групповую скидку.
Свяжитесь с менеджером удобным способом:
[Что нужно для прохождения курса]
Что понадобится
Чтобы проходить курс, достаточно уметь читать Java-код и понимать базовые принципы Spring Boot. Глубокого знания фреймворка или конкретной версии Java не требуется. Если вы хотите не только посмотреть курс, но и повторить все шаги самостоятельно, а также собрать собственного Coding Agent, понадобятся:
- JDK 25
- Docker
- Базовое знакомство с Git — проект курса разбит на теги, соответствующие отдельным урокам
- Отдельно устанавливать Maven и языковую модель не нужно. Maven Wrapper уже входит в проект, а локальная модель qwen3.5:4b запускается через Docker Compose одной командой
- Видеокарта желательна, но не обязательна: модель маленькая и на процессоре тоже работает, просто медленнее
- Общее представление о том, что такое языковая модель и токен
- Опыт использования любого ИИ-ассистента для кода
Машинное обучение, математика, свой API-ключ, платная подписка на любые сервисы.
Не требуется
Базовые механики Spring AI мы объясним по ходу курса, но, чтобы сосредоточиться на архитектуре агента, а не на знакомстве с фреймворком, рекомендуем заранее пройти курс «Spring AI: как надо, а не как все».