AI Product Engineer Vol. 2
Агенты, которым можно делегировать результат
Продвинутый курс для тех, кто уже построил AI-агента.
На первом курсе вы собрали AI-коллегу, здесь учитесь поручать ему задачи крупнее, тратить на это меньше и реже проверять за ним. А ещё - внедрять агента так, чтобы новый пользователь, даже не разработчик, получал результат и доверял ему прямо там, где сам уже работает: в ChatGPT, Claude, Slack или вашем интерфейсе. За 6 сессий: роутинг моделей и снижение затрат; работа с данными, которые не влезают в контекст модели, и управление контекстом и памятью агента; восстановление после сбоя без дублей; аудит собственного LLM-судьи; самоулучшение агента по исправлениям пользователей; внедрение агента в работу пользователей. Каждая сессия начинается с разбора реального инцидента из продакшена. Каждый приём вы сначала отрабатываете на тренажёре с ловушками, затем на своём workflow (или на готовом стартовом проекте, если своих данных нет) и проверяете замерами: стало ли на самом деле дешевле и меньше ли времени уходит на ревью. Для выпускников AI Product Engineer любого потока и разработчиков, у которых уже есть работающий агент. Не подойдёт - вернём деньги в течение 14 дней после старта, без вопросов.
Что такое AI Product Engineer Vol. 2?
AI Product Engineer Vol. 2 - продвинутый курс для разработчиков, которые уже строят AI-агентов, и продолжение курса AI Product Engineer. Первый курс учит построить AI-коллегу. Второй учит поручать ему задачи крупнее, тратить на это меньше и реже проверять за ним, а ещё - внедрять агента так, чтобы новый пользователь, даже не разработчик, получал результат и доверял ему прямо там, где сам уже работает: в ChatGPT, Claude, Slack или вашем интерфейсе. За 6 сессий: роутинг моделей и снижение затрат; работа с данными, которые не влезают в контекст модели, и управление контекстом и памятью агента; восстановление после сбоя без дублей; аудит собственного LLM-судьи; самоулучшение агента по исправлениям пользователей; внедрение агента в работу пользователей. Каждая сессия начинается с разбора реального инцидента из продакшена. Каждый приём вы сначала отрабатываете на тренажёре с ловушками, затем на своём workflow или на готовом стартовом проекте и проверяете замерами: стало ли на самом деле дешевле и меньше ли времени уходит на ревью. Возврат денег в течение 14 дней после старта - без вопросов.
Чему вы научитесь
- ▸Решать, какому шагу пайплайна нужна большая LLM, а какому хватит маленькой модели, правил или кода, и строить роутинг между ними. Снижать цену одного принятого результата - в долларах и в минутах работы человека, начиная с бесплатных мер вроде кэширования
- ▸Учить агента работать с данными, которые не влезают в контекст модели, сравнивать это с RAG на одной задаче и строить слои памяти, где у каждого факта есть источник, а данные разных клиентов не смешиваются
- ▸Собирать агентные системы на durable execution: воркер падает, а работа продолжается без дублей, и если пользователь отменил подтверждение, агент не выполняет действие
- ▸Проверять собственного LLM-судью по ручной разметке - своей или экспертов предметной области, даже когда на разметку почти нет времени, находить срезы, где судья пропускает ошибки, хотя средняя оценка хорошая, и превращать инциденты в регрессионные кейсы
- ▸Строить агента, который улучшается сам: превращать исправления пользователей и удачные трейсы в новые версии скиллов, правил и порогов роутинга - с проверкой, историей и откатом. Дорогая модель работает учителем, дешёвая - исполнителем
- ▸Внедрять агента у реальных пользователей: измерять, как его используют - от подключения до возврата к нему, - улучшать путь нового пользователя во всех каналах (ChatGPT, Claude, Slack или ваш интерфейс) и проектировать UX агента, которому доверяют
Что потребуется
- ✓Вы уже построили хотя бы одного AI-агента или AI-фичу и каждый день работаете с Claude Code
- ✓Вы выпускник AI Product Engineer любого потока - или готовы пройти короткую практическую проверку перед стартом
- ✓Свой проект или рабочие данные желательны, но не обязательны: для обоих треков есть готовые стартовые проекты
Расписание занятий
Что вы получите
Таблица делегирования
На вашем workflow или на готовом стартовом проекте: исходные замеры (baseline) и как минимум два эксперимента с замерами: принятые результаты, серьёзные ошибки, цена и минуты ревью на принятый результат, время. Вывод «не стало лучше, и вот почему» - тоже результат.
Шесть скиллов для Claude Code
По одному на каждый приём курса: сравнение архитектур и стоимости, аудит памяти, проверка восстановления после сбоя, аудит судьи, приёмка изменений, проверка пути нового пользователя. Каждый скилл проверяем на двух проектах помимо тренажёра Lead Scout.
Тренажёр Lead Scout
Агент с данными, судьёй, фоновыми задачами и коннектором для ChatGPT и Claude - чтобы показать эти приёмы своей команде. К нему приложены карточки-расширения на темы за рамками сессий, например «подписка или API для пилота».
Путь нового пользователя и меморандум о внедрении
Запись пути нового пользователя на тренажёре в реальном хосте, ChatGPT или Claude; если доступа к ним нет - на тестовом MCP-клиенте, который воспроизводит сессию хоста. Плюс карта метрик: что вы видите, а что нет. На демо-дне - меморандум о внедрении для клиента: что считается результатом, что контролирует пользователь и что измеряется.
Разборы и демо-день
Два индивидуальных 15-минутных разбора ваших артефактов: после 3-й сессии и перед демо-днём. Обратная связь по критериям оценки на каждое обязательное задание: первичную проверку делает AI-ревьюер, спорные случаи и все материалы демо-дня читает преподаватель. И сам демо-день.
Сообщество
Доступ к сообществу выпускников.
Программа курса
Сессия 1: Роутинг и снижение затрат
Какой шаг должен генерировать текст, а какой - принимать решение, искать данные или просто выполнять код? Сравниваете на одной задаче большую LLM, маленькие модели вроде Jev и DiffusionGemma, правила или детерминированный код и гибридный роутер - по цене, качеству и задержке. Роутер выбирает не только модель, но и сколько усилий потратить на запрос. Проходите лестницу оптимизации стоимости: сначала кэширование, batch и сокращение лишних токенов, потом модель поменьше и роутинг, потом перенос шагов в правила или детерминированный код. Разбираете, какие метрики смотреть первыми и на какое решение влияет каждая, когда остановить эксперимент и как через follow-up проверить, что изменение сработало.
Сессия 2: Контекст, RAG и память
Что делать, когда данные не влезают в контекст модели? Сравниваете RAG и программный доступ к данным (Recursive Language Models), при котором модель пишет код в песочнице. Разбираете, как настроить RAG - гибридный поиск, реранкинг, fusion нескольких источников, - какие бывают стратегии сжатия контекста и почему они теряют факты, как устроить слои памяти, консолидировать её и не пустить в неё выдумки и инструкции из документов. На тренажёре ловите ложную запись в памяти и утечку между клиентами.
Сессия 3: Durable execution
Что будет с работой агента, если воркер упадёт посреди задачи? В начале сессии запускаете на тренажёре сравнение, которое идёт само: один агент против команды из трёх при равном бюджете, а внутри команды - общее состояние против прямых сообщений между агентами. Тем временем убиваете воркера и добиваетесь, чтобы работа продолжилась без дублей, а подтверждение, которое пользователь отменил во время сбоя, уже не срабатывало. В конце смотрите, когда команда выигрывает, а когда нет. Дома - те же приёмы на вашем workflow.
Сессия 4: Аудит LLM-судьи, или кто проверяет проверяющего
Насколько можно доверять вашему LLM-судье? Проверяете его по ручной разметке и по срезам клиентов и рисков, находите слепую зону и пересматриваете решение первой сессии. Разбираете, сколько разметки нужно, что размечать первым и как привлечь экспертов и пользователей, если вам не хватает знаний предметной области. Дома - разметка на вашем workflow и реальный инцидент, превращённый в регрессионный кейс в golden set. Если реальных кейсов мало, их можно сгенерировать: отдельная модель отсеивает те, что не похожи на реальную работу.
Сессия 5: Самоулучшение агента
Что в агенте может учиться на опыте и как это устроить? Разбираете, как удачный трейс или исправление пользователя становится новой версией скилла, правила или порога роутинга. Дорогая модель работает учителем и с помощью GEPA настраивает дешёвую. Каждое изменение - отдельная версия с откатом. Считаете, когда самоулучшение окупается, а когда нет.
Сессия 6: Внедрение, метрики использования и UX агента
Как новый пользователь, в том числе не разработчик, доходит до первого результата и начинает доверять агенту? Проходите путь нового пользователя в ChatGPT или Claude на тренажёре и разбираете UX агента: как пользователь видит, что делает агент, и сохраняет контроль. Смотрите, как агент начинает искать ответ ещё до того, как пользователь договорил: время ожидания - тоже часть UX. Учитесь измерять использование агента и внедрять его в живой бизнес клиента. Дома - тот же путь на вашем продукте и тест «холодного» пользователя: человека не с курса, который видит продукт впервые.
Стоимость участия
Загрузка цен...
Гарантия возврата: 14 дней после старта — вернём 100% без вопросов
Чем курс отличается от альтернатив
| Критерий | Empatika | AI Product Engineer (первый курс) | SHVM «Оценка AI-агентов» | Maven: Frontier Agentic Engineering |
|---|---|---|---|---|
| Для кого | Уже строили агента: выпускники AI Product Engineer и разработчики после проверки готовности | Разработчики мидл+ и техлиды, первый агент | AI-, ML- и backend-инженеры, AI PM, техлиды | Senior- и staff-инженеры, технические PM с агентами в продакшене |
| Фокус | Делегирование: роутинг и снижение затрат, RAG и память, durable execution, аудит LLM-судьи, самоулучшение агента, внедрение у новых пользователей | Harness, MCP, evals, мультиагентные системы, голосовые агенты | Оценка агентов: датасеты, трейсы, судьи, автопромптинг | Память, панели LLM-судей, контракты передачи задач, флот агентов |
| Формат | 6 живых сессий по 2 часа, тренажёр + ваш workflow | 5 live-сессий по 2 часа | 5 live-сессий, 7,5 часа | 6 недель: в неделю 2 часа live, 4 часа работы над проектом и 2 часа самостоятельной работы |
| Язык | Русский (данные тренажёра на английском) | Русский | Русский | Английский |
| Цена | $500-700, участникам наших курсов -25% | $400-600 | 79 999 ₽ (~$950) | $2 750 |
Сравнение на основе публичной информации. Цены и программы конкурентов могут меняться.
Частые вопросы
Остались вопросы? Напишите в Telegram или свяжитесь с нами
Готовы начать обучение?
Присоединяйтесь к сообществу профессионалов, которые уже используют AI для ускорения своей работы
Если оплата не открывается, откройте страницу в Safari или Chrome.