Klepa AI Агент под контролем: курс по работе с ИИ-агентом для бэкендеров
Модель пишет код. Среда вокруг неё делает так, чтобы этому коду можно было верить. Начнём с того, как устроена языковая модель. Закончим конвейером, где агенты ведут задачу от спецификации до готового изменения.
Без регистрации. Код из песочниц выполняется прямо в браузере, прогресс хранится только у вас.
Шесть шагов, от простого к сложному
Сначала понятная картинка из жизни. Потом механика, слой за слоем. Потом руками. Длинный код и второстепенное свёрнуто.
- АналогияПример из жизни за минуту
- ОбъяснениеТри уровня: суть, детали, усложнение
- ИнтерактивАнимации и стенды с кнопками
- ПрактикаПесочницы с автопроверкой и вопросы
- Чек-листОтметьте, что усвоили
- СсылкиЧто почитать по-русски и где попробовать
Карта курса
Что внутри модели
Двигатель, вокруг которого всё строится.
Агент в вашем проекте
Из модели — помощник, который знает ваш код.
Агент — это цикл: инструменты, правила, скилы и субагенты
Как модель становится агентом: цикл с инструментами, файлы правил, разрешения, скилы по требованию и субагенты.
Память проекта: что агенту знать заранее и как это хранить
Что агенту знать о проекте заранее, как это хранить и как выдавать только нужное.
Свои системы для агента: MCP, хуки и первые многошаговые процессы
Подключаем агента к своим системам по стандарту MCP и задаём правила хуками.
Работа по плану
Агент выполняет договорённости, а не фантазирует.
Сначала спецификация, потом код: требования, сценарии и жизненный цикл изменения
Агент выполняет договорённость со сценариями, а не придумывает решение на каждом шаге.
Генератор или агент: что выгоднее генерировать по правилам
Где выгоднее генератор по правилам, а где агент. Генератор своими руками.
Доверяй, но проверяй
Ошибки ловит среда, качество измеряют числа.
Ловим ошибки агента автоматически: слои проверок, бюджеты, петли и выдуманные методы
Слои проверок, бюджеты, петли и выдуманные методы. Ошибки агента ловит среда, а не вы.
Измеряем качество: eval-наборы, сравнение версий и регрессии
Как доказать, что новый скил или модель стали лучше, и не пропустить регрессию.
Большие проекты
Старый код, много сервисов, конвейер.
Агент в старом проекте: как подготовить legacy и внедрять постепенно
Как подготовить старый код к агенту и внедрять его постепенно, без большого взрыва.
Много сервисов, один конвейер: контракты, порядок выкладки и фабрика агентов
Много репозиториев, контракты, порядок выкладки и конвейер почти без человека.
Соберите среду для агента в своём бэкенде
Каждый урок добавляет одну деталь. К концу курса у вас будет рабочая среда для агента в вашем проекте. Отмечайте, что уже сделали.
- Посчитал токены своего самого большого файла и прикинул стоимость задачи агента (урок 1).
- Написал короткий AGENTS.md или CLAUDE.md: как запустить, как проверить, чего не трогать (урок 2).
- Настроил разрешения: тесты можно, деплой и чтение секретов нельзя (урок 2).
- Сделал один скил под типовую задачу команды и одного субагента-ревьюера (урок 2).
- Завёл базу знаний: индекс, три заметки и одно архитектурное решение (урок 3).
- Подключил или написал MCP-сервер к своему сервису и один защитный хук (урок 4).
- Описал одно изменение спецификацией со сценариями до кода (урок 5).
- Нашёл шаблонный код и заменил его генератором (урок 6).
- Сделал одну команду «проверь всё»: линтер, типы, тесты (урок 7).
- Собрал eval-набор из 10 реальных задач и прогнал его на двух версиях скила (урок 8).
- Оценил готовность проекта и составил план внедрения на три этапа (урок 9).
- Нарисовал карту сервисов и порядок выкладки для одного межсервисного изменения (урок 10).
Как это выглядит в репозитории — пример структуры
my-backend/ ├── AGENTS.md # карта проекта и правила для любого агента ├── CLAUDE.md # одна строка: @AGENTS.md ├── .claude/ │ ├── settings.json # разрешения и хуки │ ├── skills/ │ │ └── add-endpoint/SKILL.md │ └── agents/ │ └── reviewer.md # субагент-ревьюер ├── .mcp.json # подключённые MCP-серверы ├── docs/ │ ├── adr/0001-money-in-minor-units.md │ └── memory/INDEX.md # база знаний ├── openspec/ # спецификации и изменения ├── codegen/entities/*.json # описания для генератора ├── evals/cases/*.json # набор задач для оценки └── Makefile # make check = линтер + типы + тесты
Термины простыми словами
- LLM урок 1
- Большая языковая модель. Нейросеть, которая по тексту предсказывает следующий кусочек текста.
- Токен урок 1
- Кусочек текста, с которым работает модель: слово, часть слова или знак. За токены платят.
- Окно контекста урок 1
- Весь текст, который модель видит за один вызов. Что не влезло — для модели не существует.
- Attention (внимание) урок 1
- Механизм, через который каждый токен решает, какие другие токены ему важны.
- Галлюцинация урок 1
- Уверенный, но неверный ответ. Модель выбрала правдоподобное, а не истинное.
- Temperature урок 1
- Насколько случайно модель выбирает следующий токен. Выше — разнообразнее и рискованнее.
- Агент урок 2
- Модель в цикле: сама решает, какой инструмент вызвать, видит результат и продолжает до готовности.
- Harness (среда агента) урок 2
- Всё вокруг модели, что делает её рабочим агентом: правила, инструменты, права, память, проверки, процесс.
- Tool use (вызов инструментов) урок 2
- Модель не выполняет код сама. Она просит программу вызвать инструмент и получает результат текстом.
- Системный промпт урок 2
- Постоянные инструкции для модели, которые идут перед диалогом.
- CLAUDE.md / AGENTS.md урок 2
- Файл с правилами проекта, который агент читает в начале работы. Онбординг для агента.
- Скил (skill) урок 2
- Папка с инструкцией под типовую задачу. В контексте сначала только описание, полный текст грузится по требованию.
- Субагент урок 2
- Помощник с отдельным окном контекста. Делает тяжёлую часть работы и возвращает только вывод.
- Second Brain урок 3
- Внешняя база знаний проекта, из которой агент берёт нужное под задачу.
- ADR урок 3
- Architecture Decision Record. Короткая запись архитектурного решения: контекст, решение, последствия.
- RAG урок 3
- Поиск по базе знаний перед ответом и подстановка найденного в контекст модели.
- Эмбеддинг урок 3
- Список чисел, который описывает смысл текста. Близкие по смыслу тексты — близкие числа.
- MCP урок 4
- Model Context Protocol. Стандарт, по которому агент подключается к внешним инструментам и данным.
- JSON-RPC урок 4
- Простой формат вызова удалённых методов через JSON. На нём построен MCP.
- Хук (hook) урок 4
- Ваш скрипт, который среда агента запускает на событие: перед вызовом инструмента, после правки, в конце работы.
- Оркестрация урок 4
- Управление многошаговым процессом: кто, что и в каком порядке делает, и что проверяется между шагами.
- Prompt injection урок 4
- Атака, когда в данных (файле, письме, странице) спрятана команда для модели.
- Спецификация урок 5
- Договор о поведении системы: требования и проверяемые сценарии.
- Сценарий GIVEN/WHEN/THEN урок 5
- Пример поведения: дано, когда, тогда. Легко превращается в тест.
- Кодогенерация урок 6
- Код, который пишет программа по шаблону и описанию. Тот же вход — тот же выход.
- Guardrails урок 7
- Ограждения: автоматические проверки и ограничения, которые не дают агенту навредить.
- Трейс урок 7
- Запись всех шагов агента: что он видел, что вызвал, сколько потратил. Нужен для разбора ошибок.
- Eval урок 8
- Набор задач с автоматической оценкой. Юнит-тесты для агента и промптов.
- LLM-as-judge урок 8
- Когда другая модель оценивает ответ по рубрике. Удобно, но нужна проверка самого судьи.
- Регрессия урок 8
- Улучшили одно — сломали другое, что раньше работало.
- AI-First урок 9
- Подход, когда проект устроен так, чтобы агенту было понятно и проверяемо работать в нём.
- Strangler fig урок 9
- Постепенная замена старой системы: новое растёт вокруг старого, пока старое не станет ненужным.
- Expand / contract урок 10
- Безопасное изменение контракта: сначала добавить новое, перевести потребителей, потом убрать старое.
- Dark Factory урок 10
- Конвейер, где агенты ведут задачу от спецификации до готового изменения без человека в цикле.
Частые вопросы
Для кого этот курс?
Для бэкенд-разработчиков уровня junior и выше, которые ещё не работали с ИИ-агентами или пробовали их без системы. Нужно уметь читать JavaScript: песочницы в уроках на нём, а примеры кода даны на JavaScript, TypeScript, PHP и Python.
Сколько стоит курс и нужна ли регистрация?
Курс бесплатный, регистрация не нужна. Прогресс хранится в вашем браузере.
Нужен ли платный доступ к нейросети?
Для уроков — нет: интерактивы и песочницы работают в браузере без модели. Задания на своём проекте можно делать в Klepa AI на бесплатных моделях.
Сколько времени занимает курс?
Каждый урок — от 45 до 55 минут вместе с интерактивами и песочницами. Весь курс — около восьми часов.