Core-12 (типовий вибір)
F1–F8, одна з F9/F10, F11, плюс деякі просунуті сесії, обрані на старті (найчастіше A1 та A6).
// корпоративне ai-навчання
Ми навчаємо команди розробки працювати з AI-агентами так, як інженери працюють із будь-якою іншою виробничою системою: із зафіксованими вимогами, верифікацією та вимірюваними результатами — у тому самому середовищі, де вони виконують реальну роботу.
Вендор-нейтральність за задумом — ми навчаємо вашого робочого процесу, а не лише інструменту, тож ви можете змінювати інструменти будь-коли. Наш основний інструмент — Claude Code, але програму можна провести на Codex, Cursor, Copilot, OpenCode чи будь-якому іншому популярному інструменті.
програми збираємо під ваші реальні потреби
усі практичні завдання на основі реальних робочих сценаріїв
каталог з десятків відпрацьованих тем
групи від кількох осіб до сотень людей
чат підтримки, записи занять, детальні матеріали для самостійної роботи
Воркшопи проходять на вашому стеку та ваших артефактах; практичні завдання здаються як pull (merge) request-и; результати живуть у журналі прогресу, що піддається аудиту, із сертифікатами, які можна перевірити онлайн.
// метод верифікованого навчання
Навчання побудоване на формуванні практичних навичок у реальному середовищі і на задачах, максимально наближених до реальних. Як результат навчання зараховується реальна виконана робота належної якості. На цьому методі працює кожна програма нижче.
Навчальна програма налаштовується під інструменти та запити вашої команди, різний досвід та реальні проблемні місця; ще до старту ви отримуєте портрет учасників.
2-годинні сесії, онлайн або на місці, з орієнтовним розподілом 50/50 між теорією та практикою.
Їх можна рев'ювити, порівнювати та відстежувати в часі. Різні рівні складності; можна навчати людей зовсім без досвіду програмування — або апскілити людей сеньйорного рівня.
Рубрика додається до кожного завдання в момент видачі; AI-рев'юер оцінює за нею; тренер додатково розбирає рев'ю, граничні випадки, апеляції щодо оцінок і особисто перевіряє кожен фінальний проєкт. За запізнілі роботи передбачено штраф за опублікованим правилом — це мотивує здавати вчасно.
Кожна здача й кожна оцінка відстежуються протягом усього курсу. Керівництво за замовчуванням бачить агрегати когорти; повна поіменна деталізація вмикається за вашим вибором.
Обчислюються на основі практичної успішності, а не «видаються»; кожен можна перевірити онлайн за номером і QR-кодом. Це управлінський інструмент: свідчення спроможності кожної людини, а не лише відвідуваності занять.
Після кожного воркшопу — письмовий огляд: що здано, що зараховано і що виправити до наступної сесії.
Слайди, записи занять, детальні покрокові інструкції тощо.
Почніть з малогоВхід із найменшим ризиком — пілот: вхідне опитування + один 2-годинний воркшоп + результат роботи групи. Ви бачите метод і базовий рівень вашої команди ще до рішення про навчання всіх працівників.
// програми
Програми гнучкі: теми нижче — це каталог, і кожну групу ми збираємо з нього на старті під ваші потреби та рівень зрілості ваших спеціалістів.
Плани нижче — приклади форматів, які ми вже проводили; та сама програма може бути коротким інтенсивом або розширеним кількамісячним курсом — план узгоджуємо перед стартом, тривалість масштабується.
Забезпечувати підтримку групи і перевіряти практичні завдання допомагають AI-агенти, цей підхід добре масштабується: та сама програма працює і для команди з десяти людей, і для десятків чи сотень учасників одночасно, причому кожна робота все одно оцінюється індивідуально і кожен учасник отримує персональний фідбек.
ЦіноутворенняЗа когорту: базова ставка за сесію плюс плата за кожного учасника за верифікацію (оцінювання, журнал, сертифікати). Точні ставки — у комерційній пропозиції після вхідного опитування.
// програма 1 — найглибший трек
AI-агенти в щоденній роботі розробника.
Після цієї програмиВаша команда випускає зміни, виконані за допомогою агентів, через верифікований процес: записаний намір, курований контекст, рев'ю за рівнем ризику.
Рекомендований темп — один воркшоп на тиждень, що дозволяє тримати баланс між інтенсивністю і прогресом. Інтенсивність можна змінювати, проводити змагання проєктів тощо.
Сертифікати: на вимогу клієнта багаторівневі (з відзнакою, звичайні, лише теорія). Усі обчислюються з журналу й перевіряються за QR-кодом.
F1–F8, одна з F9/F10, F11, плюс деякі просунуті сесії, обрані на старті (найчастіше A1 та A6).
A1–A12, для команд, які проходять діагностику рівня (домашнє завдання фундаментального рівня на складності L2) або завершили Core-12.
Територія F11 + A1 + A2: археологія legacy-коду, безпечні зміни, оцінювання згенерованого коду, рев'ю PR і командні правила, робочі процеси з MCP.
Навчання плюс супровідний консалтинг на вашій реальній системі — ваші розробники за кермом, тренер скеровує і допомагає зі складними моментами.
Навчальна програма, викладена через реальний міграційний проєкт у процесі AI-трансформації команди (наприклад, no-code-процеси, перебудовані агентами в код).
Мета: кожен розробник безпечно делегує рутинну роботу агенту — із записаним наміром, курованим контекстом і верифікацією кожного результату. Кожна сесія має спостережувану ціль, і критерії домашнього завдання виводяться з неї. Матеріали завжди оновлюються перед заняттям відповідно до змін у нових інструментах та підходах.
Де насправді перебуває агентна розробка: докази, чому одні проєкти з AI злітають, а інші провалюються, що змінюється в ролі розробника.
Надійний промптинг; що можна й чого не можна передавати в інструмент; гігієна секретів; захист від prompt injection; робота з синтетичними замінниками даних.
Керування тим, що бачить агент: контекст репозиторію, вибіркове підключення, керування деградацією контексту, надійні результати з першої спроби.
Ландшафт сучасних інструментів, їх порівняння за різними критеріями.
AGENTS.md як єдине джерело правди, файли правил, власні slash-команди: агент за замовчуванням дотримується конвенцій вашої команди.
Пакування повторюваних робочих процесів у багаторазові skills, якими можна ділитися, — важливий елемент командної експертизи.
Підключення готових та розробка власних MCP для доступу до зовнішніх ресурсів (трекер задач, документація, бази даних, внутрішні API; керування дозволами).
Цілі, обмеження, definition of done — специфікації, за якими агент може діяти, а рев'юер — оцінювати. Один фреймворк глибоко (зазвичай OpenSpec), інші у порівнянні (Spec Kit, BMAD).
Повсякденні агентні процеси на фронтенді: каркаси компонентів, рефакторинг, стилізація та дизайн-системи, design-to-code (від макета до робочого компонента), UI-тести, що їдуть разом із кожною зміною.
Повсякденні агентні процеси на бекенді: API, шари даних, міграції, дебагінг, інтеграційні тести, що їдуть разом із кожною зміною.
Читати AI-дифи як senior-рев'юер; рев'ю за масштабом наслідків (blast radius); рев'ю PR і командні правила, автоматизація рев'ю.
README, ADR та онбординг-гайди, які агенти генерують і підтримують разом із кодом — і які проходять той самий рев'ю-пайплайн, що й сам код. Структура і підтримка оптимальної документації для роботи AI-агентів.
Мета: команда перестає промптити вручну й починає інженерити систему, яка виробляє код, — оркестровану, верифіковану, здатну вдосконалювати саму себе.
Археологія коду, безпечні зміни в системах, яких ніхто не розуміє повністю, компактні індекси контексту.
Борг розуміння (comprehension debt) у brownfield-роботі: чому довіряти, що перевіряти заново, як зберегти розуміння, коли більшість коду згенерована.
Skills, хуки, конфігурація MCP, субагенти, довготривала пам'ять — спільна платформа, завдяки якій команда працює в синергії.
Розділення maker/checker — перевіряльник працює на іншій моделі з незалежним контекстом, з ескалацією до людини за необхідності; ізольовані worktree для роботи агентів; запуск паралельних агентів.
Довготривалі агенти з явними умовами зупинки, нічні цикли під наглядом ґардрейлів, мерджі лише за доказами.
Увесь верифікаційний стек в одному місці: гетерогенні AI-рев'юери, red/green TDD, механіка мутаційного тестування, детерміновані CI-ґейти, які несуть навантаження, що його вже не витягує людське читання.
Набори evals, які охороняють промпти так, як тести охороняють код; кожна невдача стає постійним правилом, skill-ом або хуком (ефект храповика).
Архітектурні рішення, infrastructure-as-code, проєктування CI/CD з агентами в контурі.
Погляд розробника: генерація тестових наборів, цінність яких доведена на навмисно закладених дефектах (механіка верифікації живе в A6), плюс економіка генерації тестів.
Економіка токенів, маршрутизація моделей, бюджети та квоти, частка успіху з першої спроби, моделювання TCO і ROI, який визнає CFO.
Що таке фабрики програмного забезпечення і хто вже їх запускає: типи фабрик, світовий досвід, чому фабрики провалюються, практики, безпека та ґавернанс, економіка автономного виробництва коду.
Принципи фабрики на прикладі реальної робочої фабрики.
Старт нових систем так, щоб агенти залишалися ефективними в міру зростання: структура репозиторію, технічний стек, конвенції, документація й тестові каркаси як повноцінна частина проєктування.
Агенти як функції продукту: агентні SDK, проєктування інструментів, ґардрейли, спостережність та evals для агентів, які ви відвантажуєте користувачам.
Пайплайни пошуку по вашій документації та коду: чанкування, ембедінги, гігієна документів, обґрунтовані відповіді з цитатами — і коли RAG — неправильний інструмент.
Археологія логів і телеметрії з агентами, дебагінг через гіпотези, чорнові постмортеми, що скорочують час до діагнозу на реальних інцидентах.
Робоча політика того, що може потрапляти в який інструмент: класифікація даних, погодження інструментів, аудиторські сліди, безпечні налаштування за замовчуванням. Також доступно як окремий модуль для команд безпеки.
// програма 2
AI-агенти в роботі QA.
Після цієї програмиЯк AI-агенти допомагають вашій QA-команді.
Робоча ментальна модель агентів, практичний промптинг.
Acceptance criteria → чеклісти, тест-кейси та трасованість — згенеровані, а потім верифіковані.
Підключений, керований агент: трекер, тест-менеджмент і база знань через MCP з безпечними дозволами; командна бібліотека правил і skills.
Тестування за записаним наміром, а не за фольклором: специфікація як артефакт, дотримання якого QA вимагає від усіх.
Мапи систем та інтеграцій, побудовані агентом, — розуміння, що з чим взаємодіє, без читання коду.
AI-асистований тест-дизайн і рев'ю до будь-якої автоматизації; агент як партнер у дослідницькому тестуванні; генерація тестових даних.
Тести, написані зі сценаріїв простою мовою — Playwright як еталонний стек, метод переноситься на ваш фреймворк — плюс генерація page-object-ів для наявних застосунків. Валідація: пайплайн ламає застосунок, і ваш набір мусить це помітити.
Тестування на рівні API, регресійні тести.
Трикрокова дисципліна діагностики, що завершується чорновим фіксом у вигляді pull (merge) request-а, — QA пропонує, розробники вирішують. Включно з баг-репортами, за якими може діяти агент: відтворення, контекст.
Фінальний проєкт
Ви отримуєте підготовлений застосунок із навмисно закладеними дефектами (класи: логіка / межі / інтеграції; ін'єктовані пайплайном оцінювання, категорії не розголошуються). Потрібно здати тестовий набір і пакети діагностики, які ловлять щонайменше 60% закладених дефектів. Побудова власного невеликого продукту з AI пропонується як розширений варіант на рівні L3.
// програма 3
AI-агенти в роботі бізнес-аналітика.
Після цієї програмиВаші аналітики створюють вимоги, за якими агенти, тестувальники та розробники можуть діяти напряму: вони спираються на реальну систему, а їхня якість оцінюється за рубрикою рев'юера.
Робоча ментальна модель агентів, практичний промптинг і вартість.
Від сирих розмов, документів і записів зустрічей до acceptance criteria, за якими можуть діяти і агенти, і тестувальники, і розробники — включно з процесною документацією, складеною безпосередньо із записів.
Трекер і база знань як робоча пам'ять агента через MCP; бібліотека команди аналітиків: шаблони сторі, рубрики рев'ю, ґардрейли генерації — і чернетки комунікацій зі стейкголдерами, узяті з трекера, а не написані з пам'яті.
Специфікація як артефакт, на якому тримається все нижче за течією, — написана так, щоб агент міг за нею діяти.
Писати вимоги, що враховують імплементацію.
Від формулювання проблеми до епіків і сторі з агентом — швидші чернетки, людське судження щодо обсягу. Сесія завершується генератором епіків/сторі, запакованим у багаторазовий командний skill.
Клікабельні прототипи, згенеровані зі сторі й валідовані зі стейкголдерами до першого рядка продакшн-коду, плюс пакети UAT-сценаріїв із тих самих сторі.
Відповіді на питання про дані — скриптами, які пише агент, а валідує аналітик; повноцінна сесія, а не доважок до програми.
Агент рев'ює специфікації за рубрикою до того, як їх побачать розробники, — якість вимог стає числом.
Фінальний проєкт
Повний пакет від формулювання проблеми до сторі, прототипу, UAT-сценаріїв і задач у трекері. Випробування: наприкінці тренер ін'єктує дві зміни вимог; усі артефакти нижче за течією мають бути оновлені так, щоб AI-рев'юер не знайшов жодної суперечності.
// програма 4
QA та BA навчаються як одна когорта.
Після цієї програмиОдна спільна мова й одна командна бібліотека для QA та BA — і handoff «вимоги → тести», відпрацьований на спільних артефактах у капстоуні.
Принципи AI-агентів: делегування, контекст і вартість
усіАналіз і уточнення вимог: від acceptance criteria до тестових артефактів
усіЄдина екосистема: агент, трекер і база знань через MCP
усіСпецифікація як контракт: Spec-Driven Development з OpenSpec
усіПравила, skills і ґардрейли. Командна бібліотека
усіТехнічний контекст із коду: мапа систем та інтеграцій
усіАвтотести природною мовою та їх валідація
QAAPI-тести, регресійні набори та CI/CD
QAДіагностика дефектів і чорновий фікс
QADiscovery та декомпозиція
BAПрототипування й аналіз даних через генерацію скриптів
BAAI як рев'юер: вимірювана якість вимог
BAКапстоун-handoff: QA тестує те, що специфікувала BA — спільне фінальне рев'ю на спільних артефактах
усіФінальні проєкти
Обидва рольові фінали (QA: впіймано ≥60% закладених дефектів; BA: тест консистентності з ін'єкцією змін), з'єднані в капстоуні, плюс спільна командна бібліотека як результат когорти.
// програма 5
Стратегічні сесії для інженерного керівництва.
Після цієї програмиОбґрунтована стратегія розробки з AI: що автоматизувати, що верифікувати, скільки це коштує і яка політика робить це безпечним. Побудована на доказах, а не на вендорських презентаціях.
Як сьогодні виглядає автономне виробництво ПЗ: докази, хто вже запускає фабрики, чому більшість спроб провалюється, безпека та ґавернанс.
Принципи фабрики на робочій еталонній фабриці, holdout-верифікація наживо, розділення обов'язків — включно з живим запуском фабрики з реальними витратами на обчислення.
Економіка токенів, маршрутизація моделей, бюджети, частка успіху з першої спроби, TCO і ROI — крива вартості та як її перевернути.
Чому сторі-поїнти й моделі velocity ламаються, коли агенти стискають час імплементації; оцінювання за вартістю верифікації та рев'ю, а не за часом написання коду; бюджети токенів поруч із людино-годинами; прогнозування від частки успіху з першої спроби — і планування навколо нового вузького місця: спроможності рев'ю.
Як виглядає життєвий цикл, коли більшість коду пишуть агенти: spec-first потік із верифікаційними ґейтами; як зміщуються ролі розробника, QA, BA та архітектора; топологія команд, найм і сеньйорність у новому пайплайні.
Команда на спільній агентній інфраструктурі: командні бібліотеки правил, skills і промптів; власність і обов'язок рев'ю, коли більшість змін створюють агенти; онбординг і потік знань. Артефакти, які накопичують цінність, а не гниють у вікі.
Політика використання AI, класифікація даних, верифікаційні ґейти, готовність команд — і в якій послідовності запускати рольові програми вище.
// корпоративне ai-навчання
Розкажіть нам про ролі, стек і обмеження. Ми опитуємо команду до першої сесії та формуємо програму за тим, що кажуть дані.