AI-Инженер. AI Engineer: Agentic OS — соберите агентную систему на TypeScript (Владилен Минин)

​ На одном проекте вы пройдёте путь от первого agent loop до tools, MCP, RAG, evals, observability, streaming и production-инфраструктуры. Для JavaScript- и TypeScript-разработчиков уровня Junior+ и Middle. Опыт AI-разработки не требуется. Не курс про промпты. Курс про инженерную систему вокруг модели. Посмотрите, что мы будем строить Agentic OS, которая разбирается на курсе, уже создана. Это веб-приложение, в котором агент проходит полный путь запроса. Что делает агент: определяет тип задачи выбирает необходимые инструменты обращается к внешним данным и базе знаний сохраняет нужный контекст проверяет собственный результат записывает ход выполнения в traces проходит автоматические eval-проверки показывает пользователю промежуточные этапы работы Под Agentic OS мы понимаем не отдельного чат-бота, а переиспользуемое ядро, вокруг которого можно создавать разные AI-продукты. Внутри него: agent loop, tools, MCP-интеграции, RAG, память, маршрутизация, guardrails, reviewer, evals, observability, streaming, production-инфраструктура Что останется у вас после курса Не набор просмотренных уроков, а конкретные артефакты, которые можно открыть, запустить и показать другому разработчику. GitHub-репозиторий Полный код Agentic OS со всеми архитектурными слоями — вы сможете объяснить, почему система устроена именно так. Задеплоенное приложение Работающий AI-продукт по ссылке, который можно протестировать и показать: работодателю · техническому интервьюеру · своей команде · потенциальному заказчику · партнёру по продукту Переиспользуемое ядро Основная архитектура отделена от предметной области — фундамент для следующих AI-приложений, а не проект под одну учебную тему. Итоговый проект в своём домене Перенос Agentic OS на задачу, которую выберете сами. Например: QA-агент · помощник разработчика · агент для документации · корпоративная база знаний · исследовательский агент · прототип AI-SaaS Архитектурная документация схема компонентов · структура модулей · описание решений · README · объяснение компромиссов · список production-рисков Материалы для собеседования структура, чтобы объяснить agent loop, разницу tools и MCP, память против RAG, guardrails, evals, работу с несколькими моделями и ваши архитектурные решения. Кому подходит курс Вы уже умеете программировать, но пока не чувствуете себя уверенно в архитектуре AI-продуктов. Уровень — Junior+ или Middle на JavaScript / TypeScript. Вы уже используете AI для кода ChatGPT, Codex, Claude или AI в IDE — но для отдельных задач. Вы выстроите системный процесс и научитесь контролировать результат, а не просто принимать сгенерированный код. Хотите перейти в AI-инженерию Позиции AI Engineer, AI Developer и проекты, где нужно создавать агентов, tools, MCP-интеграции, RAG, evals, observability и production-инфраструктуру. Хотите внедрять AI в компании Связать модель с существующим продуктом, внутренними API, документацией, базой знаний, бизнес-процессами и корпоративными сервисами. Планируете свой AI-продукт Хотите создать AI-SaaS или внутренний инструмент, но не принимать все архитектурные решения методом проб и ошибок. Устали от разрозненных материалов Читали документацию и смотрели разборы, но не получили цельной картины: где заканчивается вызов LLM, когда нужны tools, зачем MCP, чем RAG отличается от памяти. Готовы писать код Это практическая программа: смотреть уроки, повторять архитектурные этапы, писать и изменять код, настраивать сервисы, проходить контрольные точки и создавать итоговый проект. Один проект. 10 архитектурных версий Вы не выбрасываете старый проект и не начинаете новый. Каждая следующая версия развивает предыдущую и решает её ограничение. AI-кодинг без хаоса Настроим рабочее окружение и разберём процесс работы с современными coding agents: как ставить задачу, передавать контекст и не принимать сгенерированный код вслепую. Local Agent MVP Небольшой агент в одном TypeScript-файле — вся система целиком, без фреймворка и скрытых абстракций. Next.js Application Переносим агента в веб-приложение — ядро не переписываем, а помещаем внутрь продукта. Harness Layer Инженерная обвязка вокруг модели: система перестаёт принимать любой текст как корректный ответ. Skills и Tools Добавляем tools — агент начинает выполнять реальные действия внутри разрешённых границ. Observability и Evals Воспроизводимый процесс оценки вместо субъективного «кажется, эта версия работает лучше». Custom MCP Пишем собственный MCP-сервер и понимаем MCP изнутри, а не копируем готовую конфигурацию. External MCP Подключаем готовые внешние системы через единый протокол и ограничиваем доступ к опасным действиям. RAG с нуля Собственная система поиска по знаниям — вы понимаете, что происходит внутри RAG-фреймворков. Streaming Chat Добавляем streaming и видимые этапы: пользователь видит не только ответ, но и процесс работы системы. Agentic OS Разделяем универсальный движок и доменную логику — управляемое ядро вместо агента под каждую задачу. Model Gateway и Observability Приложение перестаёт быть жёстко привязано к одной модели и одному провайдеру. Постоянная память и устойчивое выполнение Многоэтапные процессы, которые не теряют прогресс после сбоя или перезапуска. Итоговый проект Вы переносите Agentic OS на собственную задачу: QA-агент, помощник разработчика, база знаний, AI-SaaS и др.