Путь курса: от первого запроса к LLM до бота в GitHub Actions

У вас уже есть основной багаж: вы пишете код, знакомы с Git и не пугаетесь документации. Значит, учить вас программированию не нужно — нужно добавить к вашему опыту одну конкретную компетенцию: строить программы, которым делегирован выбор следующего шага.

Курс построен вокруг одной вещи, которую вы соберёте своими руками, — репозитория devbuddy. Вы создадите его в первой домашке и будете наращивать до самого конца: сегодня это один файл с запросом к модели, через шесть модулей — агент, который сам ревьюит pull request'ы в GitHub Actions. То самое «рабочее звено в портфолио», ради которого всё затевалось.

Шесть модулей — одна линия

Сначала — научиться разговаривать с моделью (модуль 01). Токены, контекстное окно и цена: почему модель «не видит» буквы в слове, сколько стоит один прогон агента и что происходит, когда контекст кончается. Дальше — промпты как код: шаблоны, переменные, версии. Затем структурированный вывод: как заставить модель отвечать JSON'ом, который не падает при парсинге. И выбор модели: когда брать дешёвую, когда дорогую.

Потом — скелет агента (модуль 02). Петля «мысль → действие → наблюдение», инструменты, память и контекст. Здесь вы впервые запустите существо, которое само решает, какой файл открыть. Мини-проект модуля — «Разведчик»: агент, отвечающий на вопрос «где в этом репозитории делается X» с указанием файла и строки.

Дальше — три настоящих агента (модули 03–05). Ревьюер: читает PR через GitHub API, смешивает правила линтера со смысловой проверкой, оставляет комментарии на конкретных строках. Дебаггер: разбирает стектрейс, строит гипотезы, находит виновника в репозитории и предлагает фикс, проверенный тестами. Генератор тестов: пишет юнит-тесты и edge-кейсы и доказывает их пользу тем, что они ловят подсунутые баги.

Финал — продакшен (модуль 06). GitHub Actions, секреты, лимиты, логи и счёт за токены. Плюс README-кейс, который не стыдно показать на собеседовании.

Про фреймворки скажу сразу, чтобы снять вопрос: LangChain и его родственники у нас будут — обзорно, в конце модуля 02. Петлю мы напишем руками, и это принципиально: фреймворк полезен, когда понимаешь, что он оборачивает. Скопированный чужой «agent executor» без понимания петли — это не навык, а зависимость.

Как проходить

Каждое занятие устроено одинаково: теория на 10–15 минут, потом код. Домашки привязаны к devbuddy и проверяются локальными тестами — файл теста лежит прямо в задании: скопировали, запустили pytest, увидели зелёное — готово. Никакой очереди на проверку.

Вторая особенность: задания не требуют ни ключей, ни сети. Там, где нужен «мозг», в тестах работает FakeLLM — заглушка с тем же интерфейсом, что настоящая модель, но отвечающая заготовкой. Настоящий LLM-прогон — отдельный необязательный шаг «проверьте на живой модели» для тех, у кого настроен ключ. Курс держит обещание: всё выполняется без подписок и платежей.

Темп закладывайте такой: 4–6 часов в неделю, модуль — одна неделя, домашка — вечер, проект — пара вечеров. Быстрее можно, но код в devbuddy должен успевать «перевариться»: агент, собранный за выходные по наитию, разваливается на первом настоящем PR.

Что окажется в вашем портфолио

К финалу devbuddy — это публичный репозиторий, в котором:

• работает агент-ревьюер (а по желанию и весь набор: дебаггер, генератор тестов);

• агент живёт в GitHub Actions и обрабатывает реальные PR;

• README показывает архитектуру, демо и честные метрики: сколько стоит месяц работы, сколько замечаний принято командой.

Именно так и выглядит ответ на собеседовании на «а использовали ли вы AI-агентов?» — не «да, пробовал Cursor», а «вот репозиторий, бот ревьюит мои PR, вот смета и метрики». Разница между этими двумя ответами — примерно как между «читал про SQL» и «вот мои миграции».

Что запомнить

• Курс — одна линия: шесть модулей, один растущий репозиторий devbuddy, от первого запроса к модели до агента в CI.

• Домашки проверяются локальными тестами, без ключей и сети; настоящая модель — по желанию.

• Фреймворки — обзорно; петлю агента пишем руками.

• Результат — публичный репозиторий с работающим агентом, сметой и метриками: кейс для резюме, а не сертификат для полки.