4 занятия
Старт 8 декабря
Для CTO, тимлидов и сеньоров

AI SDLC: перестраиваем разработку под ИИ

За 4 занятия спроектируете переход от использования ИИ отдельными разработчиками к системному AI-native SDLC: от spec-driven development и agentic delivery до CI/CD, обратной связи из продакшена и изменений инженерной организации
Спроектируете AI SDLC от задачи до продакшена
Составите план внедрения AI SDLC в своей команде
Определите метрики эффективности и сделаете baseline
Разберёте узкие места: ревью, merge и CI/CD
Александр Кожин
преподаватель курса
Агенты ускорили написание кода. Поставка осталась прежней
Агент остаётся личным инструментом
У каждого разработчика свои инструменты, промпты и приёмы. Практика держится на конкретных людях и не переносится ни на соседнюю команду, ни на нового человека
Узкое место переезжает дальше по циклу
Кода становится больше, а ревью, merge и проверка остаются прежней мощности. Решение о слиянии превращается в очередь — и выигрыш на написании теряется именно там
Агенту не хватает контекста проекта
Требования живут в Jira, знания — в головах разработчиков, архитектурные правила — в истории код-ревью. Опираться на это стабильно агент не может
Результат нечем измерить
Строк кода и закрытых задач стало больше. А сократился ли путь задачи до продакшена и не вырос ли объём переделок — по этим цифрам не видно

Кому подойдёт курс

Техническим директорам и VP of Engineering
Вы отвечаете за процесс целиком и решаете, куда двигаться. Уйдёте с планом перехода, оценкой его стоимости и метриками, по которым увидите эффект
Тимлидам и руководителям команд
Вам внедрять изменения и жить с последствиями. Разберём, с чего начинать на живом проекте и где внедрение чаще всего разваливается
Сеньорам и архитекторам
Вы задаёте инженерные правила и первыми упираетесь в очередь ревью. Соберём процесс, в котором проверка не становится узким местом
Платформенным командам и developer productivity
Вам строить и поддерживать харнес: правила, спеки, quality gates, наблюдаемость. Разберём, что централизовать, а что оставить проектам
Курс не про то, как писать код агентом. Если ищете приёмы работы с Cursor и Claude Code — вам на курс «ИИ для разработчиков»

Для обучения на курсе понадобятся

Команда, которая уже работает с агентами
Курс начинается с точки, где разработчики уже пользуются coding agents. Как именно — неважно, важно, что практика есть
Доступ к своей кодовой базе и процессу
Практикумы делаются на своём проекте: определяете уровень команды, пишете спеку, считаете пропускную способность. Отдельно на курсе есть учебный проект, на котором вы проводите изменения через весь процесс
Полномочия менять процесс
Речь про решения, которые кто-то должен принять: правила репозитория, гейты, ownership
Подписка на coding agent
Учебный проект делается с 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
Курс не привязан к языку, стеку или размеру команды
Разбираем сам процесс и инструменты вокруг него: OpenSpec, инженерные скиллы, агентные воркфлоу в CI. Примеры переносятся на любой стек

Программа курса «AI SDLC»

4 ЗАНЯТИЯ
9 ТЕМ
ДЛЯ CTO, ТИМЛИДОВ И СЕНЬОРОВ
Программа актуализирована в ноябре 2026 года
Введение. Что такое AI SDLC
  • Чем процесс под агентов отличается от обычного цикла разработки
  • Какую работу это снимает
  • Как это выглядит в репозитории: спеки, правила и агентные воркфлоу рядом с кодом
  • Основной механизм
Результат:
Понимаете рамку курса и с чем предстоит работать
Модель зрелости и уровень автономности
  • Индивидуальное ускорение и результат команды
  • Шесть уровней автономности и что модель зрелости измеряет
  • Верхний уровень: продуктовый цикл без разработчиков, остаются команда харнеса и продукт-оунеры
  • Что двигает команду вверх: формализованные входы и выходы этапов, проверяемость, наблюдаемость, накопленные правила
  • Условие остановки. Инженерный фундамент как входной билет: тесты на критических путях, работающий CI, малые батчи, здоровье кода, AGENTS.md
  • Экономика следующего шага с явными допущениями
  • Исходный замер до перехода
Результат:
Называете текущий и целевой уровень команды и сохраняете замер, с которым потом сравните
Spec-driven development, спека как источник истины
  • Что теряется без описания поведения
  • Спека живёт рядом с кодом: версионируется вместе с ним, меняется в том же pull request
  • Из чего состоит спека: требования, технический дизайн, план реализации
  • Жизненный цикл изменения
  • Конвейер OpenSpec: что решает и что нет
  • Где подход ломается: нестабильные требования, исследовательская разработка, тихие допущения агента
  • Требования в Jira и Confluence и варианты синхронизации с репозиторием
Результат:
Знаете, какие артефакты описывают изменение и в каких условиях подход не применяется
Agentic delivery, от спеки до релиза
  • Путь одного изменения: этапы, роли, артефакты
  • Декомпозиция технического дизайна в задачи для агента
  • Валидация спеки до кода
  • Ревью в нескольких ролях: агентное, архитектурное, security, доменное
  • Разделение генерации и проверки: почему написавший изменение агент не может быть единственным судьёй
  • Проверяемый артефакт и качество передачи между этапами
  • Точки ручного одобрения, merge и deployment
  • Агенты в конвейере CI на GitHub Agentic Workflows
Результат:
Рисуете целевой конвейер своей команды от требования до продакшена
Пропускная способность проверки и merge
  • Куда переехало узкое место: что показывают замеры потока
  • Сколько проверки выдерживает человек и что из этого следует про размер pull request
  • Автоматический первый проход
  • Триаж по риску изменения
  • Merge queue и мощность CI
  • Параллельные агенты: пересекающиеся диффы, дубли работы, WIP-лимиты
  • Нестабильность поставки
Результат:
Считаете мощность проверки своей команды и называете узкое место
Внедрение в существующий проект

  • Источник истины это код: откуда взять спеки на систему, которой десять лет
  • Четыре стратегии появления спек
  • Восстановление поведения агентом с человеческой валидацией
  • Подвох частичного внедрения
  • Организационные условия миграции: правила репозитория, код-ревью, CI-проверки, ownership и границы, в которых новый процесс уже обязателен
Как процесс учится на обратной связи разработчиков
  • Почему замечание с ревью не доживает до следующей задачи
  • Журнал решений: что решил агент, почему, что сказали на ревью
  • От повтора к правилу: одинаковое замечание становится постоянной проверкой
  • Анализ сессий агентов: где агент застревает, что приходится объяснять руками
  • Телеметрия Claude Code через OpenTelemetry, готовые панели и их граница
  • Кто владеет циклом
Обратная связь из продакшена в разработку
  • Продакшен как источник контекста: ошибки, логи, traces, метрики, обращения
  • Цикл от сигнала до проверки результата
  • Что в разборе делает агент: собирает связанные ошибки, находит релевантные изменения, воспроизводит, готовит issue
  • Четыре исхода разбора: неверен код, неполна спека, нет теста, недостаточна наблюдаемость
  • Инцидент становится постоянной проверкой
  • Что для этого нужно от инфраструктуры
Организация agentic-разработки в компании
  • Кто владеет процессом: platform engineering, developer productivity, CTO office или сами продуктовые команды
  • Что централизуется и что остаётся проекту
  • Команда харнеса
  • Платформенный слой на рынке: GitHub Agent HQ, агентные воркфлоу, branch controls, лимиты расходов
  • Governance и безопасность: identity агентов, доступ к секретам, shadow AI, аудиторский след
  • Распространение практик между командами
  • Кадры и рост инженеров: вход в профессию, атрофия навыков, сеньор в роли постоянного ревьюера
  • Что меняется у менеджмента и как управлять сменой ИИ-стека
Как понять, что новый SDLC работает
  • Локальное ускорение и результат системы
  • Четыре слоя метрик: поток, автономность, качество, экономика
  • Расчёты по четырём слоям на своих данных
  • Два кейса, которые встречаются чаще всего
  • Готовые рамки замера
  • Калибровка ожиданий: J-кривая освоения, замеры отрасли против обещаний трёхкратного ускорения
  • Неправильные метрики: строки кода, число pull request, story points
  • Сравнение до и после, что докладывать бизнесу

Стоимость и условия оплаты

Расширенный
4 недели
1 план перехода
4 онлайн-занятия
79 000 ₽
59 000 ₽
экономия 20 000 ₽ при полной оплате
или 7900 ₽/мес.
в рассрочку на 10 месяцев
Проверка проекта наставником
Обучение 4 недели
Доступ к материалам курса навсегда
ИИ-проект в портфолио
Сертификат после окончания
Доступ в AI-клуб
Чат с наставником по техническим вопросам
Вы можете оплатить программу и приступать к обучению
Стандартный
4 недели
1 план перехода
4 онлайн-занятия
49 000 ₽
36 000 ₽
экономия 13 000 ₽ при полной оплате
или 4900 ₽/мес.
в рассрочку на 10 месяцев
Обучение 4 недели
Доступ к материалам курса навсегда
ИИ-проект в портфолио
Сертификат после окончания
Доступ в AI-клуб
Чат с наставником по техническим вопросам
Вы можете оплатить программу и приступать к обучению

Обучение может оплатить
ваш работодатель

Полностью или частично. Пропорцию вы выбираете вместе с компанией.
Полная оплата
100%
оплачивает компания
Ваша часть 0%
Компенсация
90%
оплачивает компания
Ваша часть 10%
Компенсация
70%
оплачивает компания
Ваша часть 30%
Компенсация
50%
оплачивает компания
Ваша часть 50%

Берём оформление на себя

Поможем согласовать обучение с работодателем
Подготовим шаблон письма и договора
Предоставим счёт и коммерческое предложение
Подскажем, как аргументировать ценность обучения
авторы курса

Практики, которые перестраивают разработку под агентов в реальных командах

Кирилл Мокевнин
Кирилл Мокевнин

Кирилл Мокевнин

Сооснователь Хекслета
Разработчик
Сейчас
Хекслет
Сооснователь и автор курсов, веб-разработчик
undev
VP of Engineering
Skype
Software Engineer
18
лет
в коммерческой разработке
10+
лет
обучает программированию
>30
выступлений
на конференциях, митапах, подкастах
15+
лет
в разработке, архитектуре и управлении инженерными организациями
2
C-level роли
в инженерных организациях: CTO и CDO
60
специалистов
в ИИ-направлении, которое он построил и масштабировал
Алексей Могильников
Алексей Могильников

Алексей Могильников

ИИ-консультант
Agentic AI
Архитектура
Сейчас
Праксор
Внедряет AI SDLC в командах разработки
Корпоративные клиенты
ИИ-решения и агенты для бизнес-процессов
CTO и CDO
Управление инженерными организациями
преподаватель курса

Александр Кожин

AI Solution Architect
LLM и RAG
Агентные системы
Где и над чем работал
2024–2026
ИИ-ассистенты на LLM, RAG и агентах
Лаборатория цифровых исследований и разработок
2019–2024
Tech Lead и архитектор
платформы данных, три инженерные команды
Ранее
Fullstack, product и tech lead
порталы библиотек и архивов СПб
17+
лет в разработке и архитектуре
от fullstack до ИИ-систем
4
призовых места
на российских и международных ИИ-хакатонах в составе команды
3
кросс-функциональные команды
30–40 человек, собрал с нуля
Рассрочка от 6 до 24 месяцев.

Рассрочка

Комфортные условия оплаты

Деньги за непройденную часть программы вернём на любом этапе. Подробнее об условиях — в оферте.
Получите возврат денег за остаток курса, если передумаете учиться
Если что-то случится, напишите куратору — он подскажет, как приостановить обучение.
Сделаем перерыв в учёбе или перенесём дедлайн
Курс может оплатить юридическое лицо.
Платите при помощи работодателя
Мы расскажем, как оформить налоговый вычет для возврата части суммы

Налоговый вычет за обучение

Если курс не подошёл, куратор поможет перейти на другой и расскажет об условиях.
Смена программы

Как проходит обучение на курсе AI SDLC

Текстовая версия каждой темы, квизы и практикумы на своём проекте: от оценки уровня команды до плана перехода. В учебном проекте вы внедряете спеки и инженерные скиллы в готовое приложение и проводите через этот процесс шесть запросов заказчика
Теория на платформе, практика на своём проекте
Раз в неделю большое онлайн-занятие с авторами курса: разбор темы на сквозном примере и ответы на вопросы про вашу ситуацию
Занятия с авторами
Онлайн-вебинар Хекслета: преподаватель и студенты на видеосвязи

Наши программы
получают отличные отзывы

4.7
389 отзывов
Отзывы о Хекслете на Academy Market
4.6
144 отзыва
Отзывы о Хекслете на Сравни
4.5
193 отзыва
Отзывы о Хекслете на Отзовике
4.6
172 отзыва
Отзывы о Хекслете на Tutortop
4.7
101 отзыв
Отзывы о Хекслете на Окурсах.ру

Часто задаваемые вопросы

Что изучить дальше

Программы, которые продолжают эту тему: от работы с ИИ-инструментами до своих агентов и перестройки процессов в команде.

СТАНДАРТНЫЙ
ТАРИФ
ТАРИФ
РАСШИРЕННЫЙ