Репозиторий с техническими курсами. Каждый курс — это структурированная программа обучения с пошаговыми уроками, практическими примерами и готовым окружением.
| Курс | Папка | Описание |
|---|---|---|
| Hazelcast | hazelcast/ |
In-Memory Data Grid для распределённого кэширования — от основ до production (12 уроков) |
| ArchUnit | archunit/ |
Автоматическая проверка архитектурных правил в Spring Boot 3 с помощью ArchUnit и JUnit 5 |
| ClickHouse | clickhouse/ |
Проектирование аналитических схем, эффективные запросы, интеграция со Spring Boot 3 |
| Gradle Version Catalogs | gradle/toml/ |
Централизованное управление зависимостями через TOML-файл, шаринг между микросервисами |
| Spring Boot Docker Compose | spring-docker-compose/ |
Автоматическое управление локальной инфраструктурой через spring-boot-docker-compose |
| AI | AI/ |
Руководства по настройке MCP-серверов, инженерии промптов и AI Practices Radar |
Практический справочник по применению AI в разработке. 22 статьи на актуальные темы: от ландшафта AI-инструментов 2026 года до продакшн-RAG, кэширования контекста, разработки MCP-серверов, агентских workflows, синтетического тестирования, безопасности под NDA, экономики моделей и AI-горизонтов после агентов. Без структуры курса — выбирай релевантное и читай независимо.
Папка: AI/radar/
| Раздел | Папка | Статьи |
|---|---|---|
| Основы | 01_foundations/ |
1–3 — модели, агентные архитектуры, промптинг |
| Инструменты | 02_tools/ |
4–6 — AI IDE, контекстные инструкции, терминал |
| Контекст и интеграции | 03_context_and_integrations/ |
7–9, 19–21 — RAG/CAG, MCP, продакшн MCP-серверы, кэширование контекста, продакшн-RAG |
| Инженерные практики | 04_engineering_practices/ |
10–13 — code review, документация, legacy, тестирование |
| Интерфейсы и продукты | 05_interfaces_and_products/ |
14–15, 22 — prompt-to-UI, админки для автоматизаций, AI-цепочки в n8n |
| Стратегия | 06_strategy/ |
16–18 — безопасность, экономика, горизонты 2026 |
| № | Статья | Описание |
|---|---|---|
| 1 | AI-ландшафт 2026: карта моделей и практика выбора | Выбор правильной LLM-модели определяет затраты и скорость выполнения задач. Обзор Claude, GPT-5, открытых моделей и критерии выбора. |
| 2 | Агентные рабочие процессы и малые модели | От генеративных ассистентов (2020) к RAG (2023) к агентским workflows (2025–2026). Архитектура агентов и спектр автономности. |
| 3 | Промптинг как инженерная дисциплина | Промпт — это интерфейс между намерением инженера и моделью. Структура продакшн-промптов, Chain-of-Thought, примеры и форматы вывода. |
| 4 | Cursor vs Windsurf vs Copilot: сравнение AI IDE | Два класса AI-инструментов: AI-native IDE (Cursor, Windsurf) и terminal-агенты (Claude Code, Codex CLI). Когда использовать каждый. |
| 5 | Контекстные инструкции AI IDE: .cursorrules, rules и Skills | .cursorrules и .cursor/rules/ фиксируют project-level system prompt для единообразия кода. Trade-off: инвестиция 1–3 часа экономит 60% времени на style-ревью. |
| 6 | AI в терминале: CLI-инструменты для автоматизации | Терминал — точка максимальной производительности инженера. Shell-GPT, Claude Code и Copilot CLI убирают разрыв между концептуальным знанием и точным синтаксисом. |
| 7 | RAG vs CAG: стратегии передачи внешних данных в LLM | RAG строит индекс и подмешивает релевантные фрагменты. CAG помещает весь корпус в контекст и опирается на кэширование. Trade-offs в стоимости и качестве. |
| 8 | Model Context Protocol: подключение LLM к внешним системам | MCP — открытый стандарт для подключения LLM к инструментам, избегая M×N интеграций. Поддержан OpenAI, Google, Microsoft, Anthropic. |
| 9 | Практика: разработка MCP-сервера на Python и TypeScript | Выбор SDK (FastMCP vs Zod), проектирование контрактов (Resources vs Tools), deployment patterns. |
| 10 | AI Code Review: автоматизированные системы проверки кода | LLM видят семантические дефекты, недоступные AST-анализаторам: нарушения контрактов, распространение изменений, архитектурные нарушения. |
| 11 | Актуальная документация (living documentation) | Устаревшая документация в RAG-контексте становится источником доверенных галлюцинаций. Переход от docs-as-side-effect к docs-as-pipeline. |
| 12 | Стратегии работы с legacy через AI | 95% ATM-транзакций обслуживает код на COBOL. AI ускоряет модернизацию в 3–10 раз, но требует правильного процесса — характеризующих тестов, маленьких PR, верификации. |
| 13 | Synthetic Testing | Генерация тест-кейсов (что проверять) и тестовых данных (на каких данных проверять) — две разные практики. Окупается на граничных случаях, legacy и GDPR-compliance. |
| 14 | Prompt-to-UI: v0.dev, Bolt.new, Lovable, Claude Design, Stitch, Pencil Dev | Три подкласса: компоненты (v0.dev), полные приложения (Bolt.new, Lovable), дизайн-первый подход (Claude Design). Выход — 60–85% готового кода за 30 сек–2 часа. |
| 15 | Интерфейс для автоматизаций: админки для скриптов и AI агентов | От CLI и no-code-платформ (Retool, Appsmith) к code-first стеку (Next.js + shadcn/ui + TanStack Table). Когда окупается каждый подход. |
| 16 | Privacy & Security в AI-разработке под жёсткими NDA | Кейс Samsung с тремя утечками за 20 дней, классификация данных, self-hosting через Ollama vs vLLM, фильтрация промптов Presidio+LiteLLM, OWASP Top 10 для LLM, ZDR/BAA/EU AI Act. |
| 17 | Экономика и выбор стека: токены, кэш, BYOK, self-host | Карта моделей 2026 (Claude Opus 4.8, GPT-5.5, Gemini 3.1, DeepSeek V4), cost-per-task вместо цены за токен, каскады и роутинг, prompt caching и Batch API, честная TCO для self-host vs API, fine-tuning vs RAG. |
| 18 | AI-горизонты 2026: что после агентов | Перенос затрат с обучения на inference, continual learning (Nested Learning, Titans/HOPE), мировые модели V-JEPA 2, рекурсивное самосовершенствование (AlphaEvolve, Sakana, DSPy/GEPA), карьерная стратегия Middle+/Senior на 2026–2030. |
| 19 | Продакшн MCP-серверы: протокол, контракт tools, состояние и авторизация | Ревизия спецификации 2026-07-28 (stateless, server/discover), примитивы сервера, дизайн tools как промпт-инжиниринг, state handles, OAuth 2.1, tool poisoning и rug pull, отладка и развёртывание. |
| 20 | Кэширование контекста и CAG: экономика входных токенов | Отношение вход:выход в агентных трассах ~131:1, context rot и рабочее окно, prompt caching у Anthropic/OpenAI/Google, матрица CAG против RAG, KV-кэш при self-hosting, структура промпта под кэш и диагностика промахов. |
| 21 | Продакшн-RAG: от выбора инструмента поиска до контрольного списка | Матрица выбора (grep, SQL, BM25, длинный контекст, вектор), семь этапов пайплайна и Seven Failure Points, chunking и Contextual Retrieval, эмбеддинги и ruMTEB, Qdrant, гибрид и фильтры, reranking, графовый RAG, golden set, agentic RAG. |
| 22 | AI-цепочки в n8n: low-code-оркестрация и граница выхода в код | AI Agent node и cluster-ноды, память диалога и внешнее состояние, роутинг по лестнице «правило → классификатор → агент», MCP в обе стороны, встроенные Evaluations, сигналы выхода в код, лицензия fair-code и тарифы. |
Каждый курс содержит:
plan.md— программа обучения, цели и требования- Папки с уроками (
01_...,02_...) — пошаговые материалы
- Java 17+ (некоторые курсы требуют Java 25)
- Gradle 8.x+
- Docker Desktop / Docker Engine + Docker Compose v2
- Spring Boot 3.x