GenAI-инженерия с нуля до senior.

291 шаг по 10-15 минут, в каждом практика и проверка. На выходе 12 систем, которые вы собрали сами.

Шаг 2 вживую: как модель читает ваш текст

0 токенов0 слов

Грубая нарезка для демо. У каждой модели свой токенизатор, точный счёт будет в шаге 2.

Один старт, две дороги

Шаги 0-31 без кода. Дальше разработчики идут в инженерию, а люди из бизнеса берут ветку без кода на 20 шагов, она вливается в часть про AI в маркетинге, продажах, контенте и видео.

0-31 Основа, без кода 32-74 Инженерная база 75-137 Harness, агенты, скиллы 138-170 RAG, память, мультимодальность 171-212 Продакшн 213-232 Модели глубже 233-258 AI по функциям бизнеса 259-290 AI в бизнесе и уровень senior n01-n20 Ветка без кода вливается в шаг 233

12 систем, которые вы соберёте

Каждый блок кончается итоговым проектом. Вместе это ваше портфолио.

  1. шаг 31Набор промптов под реальный процесс на вашей работе
  2. шаг 48CLI-чат, который показывает цену каждого ответа
  3. шаг 66Сервис разбора счетов с проверкой структуры
  4. шаг 100Свой harness для агента: инструменты, песочница, подтверждения, память
  5. шаг 109MCP-сервер перед внутренним API
  6. шаг 137Команда агентов-исследователей с бюджетами и трейсингом
  7. шаг 154Ассистент по документам компании с учётом прав доступа
  8. шаг 166Голосовой агент, который записывает на приём
  9. шаг 176Доказательство, что новый промпт лучше, с проверкой значимости
  10. шаг 232Своя модель за OpenAI-совместимым API под нагрузочным тестом
  11. шаг 258Неделя одного отдела на автомате: найм, HR, финансы или юристы
  12. шаг 290Финальный проект на реальной задаче бизнеса, от спеки до запуска

Программа

Все шаги по порядку. Шаги 0-20 бесплатно.

Часть 1 Основа, без кода 0-31

Что такое GenAI 0-9
  1. 0Что такое LLM, на одной странице бесплатно
  2. 1Предсказание следующего токена бесплатно
  3. 2Токены и токенизатор бесплатно
  4. 3Контекстное окно бесплатно
  5. 4Обучение, дообучение, инференс бесплатно
  6. 5Карта моделей: открытые и закрытые веса бесплатно
  7. 6Почему модели галлюцинируют бесплатно
  8. 7Модели с рассуждением и быстрые модели бесплатно
  9. 8Сколько стоит задача: входные и выходные токены бесплатно
  10. 9Как выбрать модель под задачу бесплатно
Работа с AI каждый день 10-17
  1. 10Чат-приложения и их настройки бесплатно
  2. 11Проекты, инструкции, память бесплатно
  3. 12Файлы, картинки и длинные документы бесплатно
  4. 13Поиск в вебе, ссылки, проверка ответа бесплатно
  5. 14Что нельзя вставлять в чат бесплатно
  6. 15Таблицы и анализ данных с AI бесплатно
  7. 16Писать с AI так, чтобы не звучало как AI бесплатно
  8. 17Кейс: рабочий день с AI-ассистентом бесплатно
Промптинг 18-31
  1. 18Из чего состоит промпт бесплатно
  2. 19Задача, контекст, ограничения бесплатно
  3. 20Few-shot: учим на примерах бесплатно
  4. 21Структура: XML-теги и секции
  5. 22Формат и длина ответа
  6. 23Системный промпт и роли
  7. 24Даём модели подумать
  8. 25Цепочки промптов: делим задачу
  9. 26Промпты по длинным документам
  10. 27Итерации по тест-кейсам
  11. 28Мета-промптинг: модель пишет промпт
  12. 29Шаблоны, переменные, библиотека промптов
  13. 30Отладка промпта, который не работает
  14. 31Итог: набор промптов под реальный процесс

Ветка без кода: AI-автоматизация для бизнеса n01-n20

Открывается после шага 31. Вливается в основной путь на шаге 233.

20 шагов n01-n20
  1. n01Мыслим автоматизациями: триггер, шаги, результат
  2. n02n8n: установка и первый workflow
  3. n03Триггеры и вебхуки
  4. n04LLM-нода
  5. n05Достаём поля из писем
  6. n06Классифицируем и раскидываем тикеты
  7. n07Документы на входе, выжимки на выходе
  8. n08Таблицы и CRM
  9. n09Ошибки и повторы
  10. n10Подтверждение человеком перед отправкой
  11. n11Нода AI-агента с инструментами
  12. n12RAG без кода: нода векторного хранилища
  13. n13Внутренние ассистенты: custom GPTs и Claude Projects
  14. n14MCP-коннекторы в десктоп-приложениях
  15. n15Заметки встреч на автопилоте
  16. n16Стоимость и лимиты в no-code
  17. n17Безопасность данных в no-code
  18. n18n8n, Make, Zapier: что выбрать
  19. n19Когда звать инженера
  20. n20Итог: один процесс автоматизирован целиком

Часть 2 Инженерная база 32-74

Python для AI-работы 32-38
  1. 32Окружение: uv, venv, .env и секреты
  2. 33HTTP и JSON из Python
  3. 34async и параллельные вызовы
  4. 35Типизированные данные на Pydantic
  5. 36Небольшой CLI-инструмент
  6. 37Тесты на pytest
  7. 38Ноутбуки для разведки, скрипты для прода
Первые вызовы API 39-48
  1. 39API-ключи и SDK
  2. 40Messages API
  3. 41Системный промпт через API
  4. 42temperature, top_p, max_tokens
  5. 43Стриминг ответа
  6. 44Состояние диалога
  7. 45Ошибки, лимиты, повторы с backoff
  8. 46Один интерфейс, три вендора
  9. 47Локальные модели через Ollama
  10. 48Итог: CLI-чат со счётчиком стоимости
Экономия токенов 49-56
  1. 49Считаем токены до отправки
  2. 50Кеширование промпта
  3. 51Batch API для фоновых задач
  4. 52Роутинг: дешёвая модель первой, дорогая по нужде
  5. 53Обрезка и сжатие истории
  6. 54Контроль длины ответа
  7. 55Кеш ответов и семантический кеш
  8. 56Кейс: срезать счёт за месяц на 60%
Структурный вывод и инструменты 57-66
  1. 57Structured outputs и JSON schema
  2. 58Валидация и починка через Pydantic
  3. 59Извлечение полей из документов
  4. 60Классификация и маршрутизация
  5. 61Основы function calling
  6. 62Как проектировать схему инструмента
  7. 63Параллельные вызовы инструментов
  8. 64Когда инструмент падает
  9. 65Цикл агента руками
  10. 66Итог: сервис разбора счетов
Как устроено внутри 67-74
  1. 67Эмбеддинги и векторное пространство
  2. 68Attention и трансформер простыми словами
  3. 69Токенизаторы на разных языках и цена
  4. 70Сэмплинг: логиты, температура, top-k
  5. 71KV-кеш и почему длинный контекст медленный
  6. 72Бюджет на рассуждение и reasoning-токены
  7. 73Деградация контекста и needle-тесты
  8. 74Как картинки и звук превращаются в токены

Часть 3 Harness, агенты, скиллы 75-137

Что такое harness 75-82
  1. 75Harness: цикл, инструменты, контекст, права
  2. 76Внутри Claude Code, Codex, Cursor, Gemini CLI
  3. 77Память проекта: CLAUDE.md и AGENTS.md
  4. 78Права и песочница
  5. 79Хуки
  6. 80Slash-команды и свои команды
  7. 81Управление контекстом: сжатие и субагенты
  8. 82План, реализация, ревью с агентом
Готовые harness в работе 83-90
  1. 83Реальная фича с Claude Code
  2. 84Та же фича в Codex и Cursor
  3. 85Headless-режим и скрипты
  4. 86Ревью пул-реквестов агентом
  5. 87Агент внутри GitHub Actions
  6. 88Worktree и параллельные сессии
  7. 89Как агенты ломаются: петли, лишние правки, ложный успех
  8. 90Как измерить, что сэкономил агент
Свой harness 91-100
  1. 91Минимальный цикл агента в 100 строк
  2. 92Реестр инструментов
  3. 93Файловые и shell-инструменты в песочнице
  4. 94Права и подтверждения
  5. 95Менеджер контекстного окна
  6. 96Память: черновик и долгие заметки
  7. 97Инструмент плана и todo
  8. 98Терминальный UI со стримингом
  9. 99Agent SDK: Claude Agent SDK, OpenAI Agents SDK
  10. 100Итог: свой ops-агент
MCP 101-109
  1. 101Что такое MCP и зачем он
  2. 102Готовые MCP-серверы
  3. 103Первый MCP-сервер на Python
  4. 104Ресурсы и промпты
  5. 105Удалённый MCP по HTTP с OAuth
  6. 106Тесты через MCP inspector
  7. 107Безопасность MCP: отравленные инструменты и скоупы
  8. 108A2A: агенты разговаривают с агентами
  9. 109Итог: MCP-сервер для внутреннего API
Скиллы 110-115
  1. 110Что такое скилл: грузим только нужное
  2. 111Из чего состоит SKILL.md
  3. 112Скилл для своей команды
  4. 113Скиллы со скриптами и справочниками
  5. 114Срабатывает ли? Проверка описаний
  6. 115Плагины: упаковка и раздача
Востребованная автоматизация 116-125
  1. 116Конвейер обработки PDF и сканов
  2. 117Агент разбора почты
  3. 118Бот поддержки с передачей человеку
  4. 119Из записи встречи в CRM
  5. 120Скрапинг и извлечение через LLM
  6. 121Отчёты из сырых данных
  7. 122Автоматизация браузера: Playwright и LLM
  8. 123Computer use
  9. 124Агенты по расписанию
  10. 125Боты в Slack и Telegram
Мультиагентные workflow 126-137
  1. 126Когда несколько агентов окупаются, а когда нет
  2. 127Паттерны: цепочка, роутер, параллель, оркестратор, оценщик
  3. 128Оркестратор и исполнители руками
  4. 129Передача задачи между агентами
  5. 130Общее состояние
  6. 131LangGraph
  7. 132Фреймворки рядом: LangGraph, CrewAI, Agents SDK, субагенты
  8. 133Надёжное выполнение: очереди и Temporal
  9. 134Точки подтверждения человеком
  10. 135Бюджеты, таймауты, обработка сбоев
  11. 136Трейсинг мультиагентного прогона
  12. 137Итог: команда агентов-исследователей

Часть 4 RAG, память, мультимодальность 138-170

RAG 138-154
  1. 138RAG, длинный контекст или дообучение: как выбрать
  2. 139Выбор модели эмбеддингов
  3. 140Стратегии нарезки
  4. 141Векторные хранилища: pgvector и Qdrant
  5. 142Конвейер загрузки
  6. 143Top-k и фильтры по метаданным
  7. 144Гибридный поиск: BM25 и векторы
  8. 145Переранжирование
  9. 146Переписывание запроса и HyDE
  10. 147Ссылки на источник и заземление
  11. 148Contextual retrieval
  12. 149Оценка поиска: recall@k, MRR
  13. 150Оценка ответа: верность и релевантность
  14. 151Графы знаний и GraphRAG
  15. 152Агентный RAG
  16. 153RAG на масштабе: обновления, удаления, права, тенанты
  17. 154Итог: ассистент по документам компании с правами доступа
Память и инженерия контекста 155-158
  1. 155Виды памяти агента
  2. 156Хранилища памяти и что забывать
  3. 157Инженерия контекста: что попадает в окно
  4. 158Кейс: ассистент, который помнит клиента
Мультимодальность 159-166
  1. 159Зрение: скриншоты, графики, фото
  2. 160Document AI: таблицы и формы в PDF
  3. 161Речь в текст
  4. 162Текст в речь и голос в реальном времени
  5. 163Генерация картинок внутри продукта
  6. 164Понимание видео
  7. 165Мультимодальный RAG
  8. 166Итог: голосовой агент, который записывает на приём
UX AI-продуктов 167-170
  1. 167Стриминговый интерфейс, который ощущается быстрым
  2. 168Показываем источники и уверенность
  3. 169Сбор отзывов прямо в продукте
  4. 170Как сказать пользователю, что модель может ошибаться

Часть 5 Продакшн 171-212

Как мерить качество, без математики 171-176
  1. 171Базовая линия: с чем сравниваем
  2. 172Accuracy, precision, recall, F1 готовыми формулами
  3. 173Матрица ошибок простыми словами
  4. 174Train и test: почему модель выглядит лучше, чем есть
  5. 175Разница настоящая? Значимость готовым калькулятором
  6. 176Кейс: доказать, что новый промпт лучше
Данные для AI 177-180
  1. 177Синтетические данные: генерируем тестовые и обучающие наборы
  2. 178Качество данных: дубли, утечки, шум в разметке
  3. 179Конвейер данных для evals и обучения
  4. 180Версии датасетов
Evals 181-188
  1. 181Почему evals раньше фич
  2. 182Собираем эталонный датасет
  3. 183Проверки кодом
  4. 184LLM-as-judge и его перекосы
  5. 185Ручная оценка и разметка
  6. 186Регрессионные evals в CI
  7. 187Оценка траекторий агента
  8. 188Онлайн-evals и A/B-тесты
LLMOps и наблюдаемость 189-196
  1. 189Трейсинг: OpenTelemetry и Langfuse
  2. 190Версии промптов и реестр
  3. 191Фича-флаги и канарейки для промптов
  4. 192Задержка: время до первого токена, параллельные вызовы
  5. 193Фолбэки и падения провайдера
  6. 194Квоты и лимиты по клиентам
  7. 195Деплой LLM-сервиса: FastAPI, Docker, воркеры
  8. 196Мониторинг стоимости и алерты
Безопасность и право 197-204
  1. 197Prompt injection: прямой и косвенный
  2. 198Минимум прав для инструментов
  3. 199Утечки данных и маскирование PII
  4. 200Джейлбрейки и guardrails
  5. 201Red-teaming своего приложения
  6. 202Цепочка поставок: модели, пакеты, MCP-серверы
  7. 203GDPR для AI-функций
  8. 204EU AI Act: классы риска и обязанности
Инциденты и документация 205-208
  1. 205Модель поменялась без вас: ловим регрессию
  2. 206Инцидент с галлюцинацией: остановить, откатить, объяснить
  3. 207Постмортем для AI-системы
  4. 208Model cards и документация системы
Облака и enterprise 209-212
  1. 209Bedrock, Vertex AI, Azure OpenAI
  2. 210Приватные сети и хранение данных в нужной стране
  3. 211SSO, роли и аудит-логи для AI-функций
  4. 212Закупка и опросники по безопасности

Часть 6 Модели глубже 213-232

Дообучение 213-224
  1. 213Когда дообучение лучше промпта и RAG
  2. 214Готовим датасет для обучения
  3. 215SFT через API
  4. 216LoRA и QLoRA на открытой модели
  5. 217Обучение на предпочтениях: DPO
  6. 218Дистилляция: большая модель учит маленькую
  7. 219Дообучение против базы: помогло ли?
  8. 220Дообучение эмбеддингов под свой домен
  9. 221Обучаем реранкер на своих данных
  10. 222RL с проверяемой наградой: GRPO на готовой библиотеке
  11. 223Выбор модели на своих данных, а не по рейтингам
  12. 224Выкатываем адаптер
Инференс и свой хостинг 225-232
  1. 225Открытые модели и их лицензии
  2. 226Квантизация: GGUF, AWQ, что теряем
  3. 227Сервинг на vLLM
  4. 228Батчинг, KV-кеш, пропускная способность
  5. 229Подбор GPU и цена: свой хостинг или API
  6. 230Speculative decoding и малые модели
  7. 231Свои эмбеддинги и ранжировщики
  8. 232Итог: OpenAI-совместимый эндпоинт под нагрузкой

Часть 7 AI по функциям бизнеса 233-258

Маркетинг 233-237
  1. 233Исследование рынка и конкурентов со ссылками
  2. 234Инсайты о клиентах из отзывов, звонков и тикетов
  3. 235Тексты и креативы для рекламы с тестами
  4. 236Конвейер SEO и GEO-контента с редактором-человеком
  5. 237Персональные email-кампании на потоке
Продажи 238-242
  1. 238Обогащение и скоринг лидов
  2. 239Персональный аутрич, который не похож на спам
  3. 240Из записи звонка в заметки CRM и следующие шаги
  4. 241Разбор сделок по расшифровкам звонков
  5. 242Черновики предложений и смет по шаблону
Создание контента 243-247
  1. 243Голос бренда как скилл
  2. 244Из одного большого материала десять форматов
  3. 245Картинки для контента: генерация и правка
  4. 246Проверка фактов и AI-штампов перед публикацией
  5. 247Агент контент-плана
Видео 248-253
  1. 248Монтаж по расшифровке: режем видео как документ
  2. 249Субтитры, перевод и дубляж
  3. 250Из длинного видео короткие клипы
  4. 251Сгенерированное видео и аватары: права, маркировка, пределы
  5. 252Обложки, заголовки и описания
  6. 253Видео-конвейер от записи до публикации
Операционка 254-258
  1. 254Найм: отбор резюме без ловушек предвзятости
  2. 255HR: ассистент онбординга и ответы по политикам
  3. 256Финансы: счета, чеки, сверка
  4. 257Юристы: проверка договоров с человеком в цикле
  5. 258Итог: автоматизировать неделю одного отдела

Часть 8 AI в бизнесе и уровень senior 259-290

AI в бизнесе 259-268
  1. 259Где искать процессы под автоматизацию
  2. 260Оценка реализуемости
  3. 261ROI и полная стоимость владения
  4. 262Делать, купить или подождать
  5. 263Discovery-интервью с клиентом
  6. 264Пишем предложение и скоуп
  7. 265Пилот и метрики успеха
  8. 266Внедрение: чтобы люди этим пользовались
  9. 267Как брать деньги за AI-услуги
  10. 268Кейс: защита плана перед руководством
System design AI-систем 269-276
  1. 269Как проектировать AI-систему
  2. 270Проект: копилот поддержки
  3. 271Проект: миллион документов в день
  4. 272Проект: корпоративный поиск
  5. 273Проект: платформа coding-агентов
  6. 274SLO для недетерминированных систем
  7. 275Зона ответственности: чьи промпты, evals и модели
  8. 276Мок: интервью по system design AI
Работа senior 277-280
  1. 277Оценка AI-проектов, когда результат неизвестен
  2. 278Как объяснять вероятностный результат руководству
  3. 279Менторство и ревью AI-кода
  4. 280Как читать статьи и отсеивать хайп
Собеседования на AI Engineer 281-284
  1. 281Live coding с LLM API
  2. 282Тестовое задание на дом
  3. 283Behavioral-вопросы для AI-ролей
  4. 284Мок: полный цикл собеседований
Финальный проект 285-290
  1. 285Выбираем реальную задачу бизнеса
  2. 286Сначала спека и evals
  3. 287Сборка: агент, RAG, инструменты
  4. 288Укрепление: безопасность, трейсинг, стоимость
  5. 289Запуск и замеры
  6. 290Разбор для портфолио и демо

Как устроена практика

Ваш ключ или локальная модель

Практика идёт на вашей машине: ключ Anthropic, OpenAI или Gemini либо бесплатная локальная модель через Ollama.

Проверка без расхода

К каждой практике приложены записанные ответы модели, проверка идёт офлайн. Live-режим гоняет ту же проверку на вашем ключе.

Цена в каждом шаге

С части 2 каждый шаг говорит, сколько приём стоит в токенах и как сделать его дешевле.

Оценка метрикой

В шагах про RAG, evals и дообучение работа оценивается метрикой (recall, точность, верность) против порога.

Для кого

Разработчики

Вы пишете код и хотите работать с LLM на уровне senior: агенты, RAG, evals, дообучение, сервинг, system design.

Бизнес

Вы ведёте операционку, продажи или команду. Ветка без кода идёт на n8n и кончается одним вашим процессом, автоматизированным целиком.

Вопросы

Нужно ли знать Python?

Для шагов 0-31 и ветки без кода нет. В инженерном пути есть короткий блок по Python (шаги 32-38) для тех, кто уже пишет на другом языке.

Кто платит за токены?

Вы работаете со своим API-ключом или с бесплатной локальной моделью. Каждый шаг с практикой заранее показывает примерную цену.

Какие модели и инструменты?

Claude, GPT, Gemini и открытые модели рядом. Claude Code, Codex и Cursor как готовые harness, потом вы пишете свой.

Что значит senior?

Вы собираете свой harness, свой конвейер evals и свой сервинг модели, сравниваете цену GPU с ценой API и проектируете AI-системы под нагрузку. Это части 5, 6 и 8, плюс собеседования и роль senior в команде.

Нужна ли математика?

Нет. Где формула важна (F1, значимость, косинусная близость), шаг даёт её готовой, объясняет словами на примере, а считает код. Выводить руками ничего не нужно.

Почему 291 шаг?

Один шаг это одна идея и одна практика, 10-15 минут. Короткий шаг помещается в будний вечер.

Не устареет?

Названия моделей, цены и API сверяются с доками вендора в день написания шага, дата стоит в шаге. Идея и инструмент разнесены по разным частям шага, новый инструмент меняет только пример.

Есть ли AI для маркетинга, продаж и видео?

Да, часть 7 (шаги 233-258): маркетинг, продажи, создание контента, монтаж видео и операционка: найм, HR, финансы, юристы. Ветка без кода вливается сюда же.

На каком языке?

Английский и русский, шаг в шаг.

Сколько стоит?

Шаги 0-20 бесплатно. Дальше годовая подписка или доступ навсегда. Цены первым узнает лист ожидания.

Получите первые шаги, когда они откроются

Одно письмо, когда выйдут шаги 0-20.