AI SDLC: перестраиваем разработку под ИИ

Техническим директорам, тимлидам, сеньорам и архитекторам, платформенным командам — тем, кто отвечает за процесс разработки и может его менять. Курс не про то, как писать код агентом: если вам нужны приёмы работы с Cursor и Claude Code, приходите на курс «ИИ для разработчиков».

Команда, которая уже работает с coding agents, доступ к своей кодовой базе и процессу, и полномочия менять правила: ревью, гейты, ownership. Практикумы делаются на вашем проекте. Отдельно на курсе есть учебный проект. Для него нужен coding agent: Хекслет предоставляет доступ к моделям через OpenCode, платить за подписку не нужно, но можно подключить и свою, например Claude Code. Ещё понадобится аккаунт на GitHub.

Курсы про агентов учат писать код с агентом или собирать своих агентов. Этот курс — уровнем выше: как перестроить весь путь изменения от требования до production, где при этом появляется новое узкое место и как измерить, что стало лучше.

OpenSpec — для спек и состояния изменения, инженерные скиллы mattpocock/skills — для реализации, ревью и диагностики, GitHub Agentic Workflows — для агентных этапов в CI. На этом наборе видно, где кончается ответственность одного инструмента и начинается другого. Примеры переносятся на любой стек.

Каждая тема заканчивается практикумом: определить уровень зрелости, написать спеку, посчитать пропускную способность ревью, спланировать переход на существующем коде. Результаты складываются в итоговый план пилота с метриками, владельцами и условиями расширения или остановки. Кроме этого, есть учебный проект «Симулятор политик доступа». Вы ведёте разработку с агентом по спецификации, от требований до выпуска, разбираете инцидент и улучшаете процесс по итогам ретроспективы. Проект проверяется автотестами.

Да. Если курс вам не подойдет, можно вернуть деньги в течение 14 дней после начала обучения.

Процесс разработки, перестроенный под работу агентов. Агенты проходят этапы от спеки до релиза, а команда задаёт правила, проверяет результат и измеряет эффект. Спеки, правила и агентные workflow лежат в репозитории рядом с кодом и меняются в тех же pull request.

Когда агент остаётся личным инструментом, практика держится на конкретных людях и не переносится на другие команды. Кода становится больше, а ревью, merge и CI работают с прежней мощностью, и выигрыш теряется в очереди на проверку. В AI-native SDLC контекст проекта записан в спеках, проверка разделена по ролям, а пропускная способность ревью и merge посчитана заранее.

На курсе разбираем четыре слоя метрик: поток, автономность, качество и экономика. Вы делаете исходный замер до перехода и считаете метрики на своих данных. Строки кода, число pull request и story points эффекта не показывают, их разбираем как неправильные метрики.

4 недели: 4 живых воркшопа, 9 тем и учебный проект. На расширенном тарифе проект проверяет наставник. Итог курса — план перехода вашей команды на AI SDLC с метриками.