GenAI and Agentic AI for Software Engineering
Комплексна практична програма з інтеграції ШІ-агентів у розробку програмного забезпечення. Навчіться будувати софт швидше, стабільніше і масштабованіше, використовуючи ШІ як частину SDLC, а не окремий інструмент.
оверв'ю
ШІ в розробці більше не експеримент, а новий інженерний стандарт, який змінює підхід до кодування, ревʼю, тестування та архітектури систем уже сьогодні. ШІ не забере вашу роботу. Але інженери, які не інтегрують технологію у свій процес, поступово втрачають конкурентну перевагу.
Ця програма — про наступний крок розвитку програмної інженерії до ШІ-assisted та agent-driven розробки. Ви навчитеся будувати відтворювані процеси, працювати зі специфікаціями та агентами, проєктувати системи, інтегровані в SDLC. У результаті — почнете мислити як ШІ-augmented інженер, а швидкість і якість ваших проєктів зростатимуть незалежно від домену.
чого ви навчитеся
вимоги до учасників
Програма
Воркшоп 1: Вступ та «Hello World» з ШІ
- Вступ до ШІ-асистентів для програмування (GitHub Copilot, Claude Code, Cursor)
- Порівняння інструментів та сценарії їх використання
- Налаштування середовища розробки
- Створення простого REST API з використанням ШІ
- Порівняння CLI- та IDE-орієнтованих робочих процесів
- процес GitHub Copilot (CLI)
- процес Claude Code
- порівняння підходів та результатів
Воркшоп 2: Основи — Context, Model, Prompt Framework
- Тріада Context-Model-Prompt
- Найкращі практики управління контекстом
- Вибір моделей для різних типів завдань
- Основи prompt-інженерії
- Типові помилки та способи їх уникнення
- працює з кількома форматами (CSV, JSON, XML)
- виявляє потенційні шахрайські патерни
- демонструє коректне управління контекстом
- тестується з різними моделями (small vs reasoning models)
Воркшоп 3: Specification-Driven Development
- Принципи specification-driven розробки
- Структура шаблону специфікації
- Файли конфігурації агентів (agents.md, cursorrules, claude.md)
- Підхід API-first
- Контрактне тестування та валідація
- ознайомитися та проаналізувати документ зі специфікацією
- створити файл конфігурації агента
- реалізувати API за допомогою ШІ на основі специфікації
- перевірити реалізацію на відповідність специфікації
Воркшоп 4: Бенчмаркінг та безпека, Skills
- Індустріальні бенчмарки продуктивності (SWE-bench, рейтинги GitHub Copilot )
- Стратегії вибору моделей
- Компроміси між вартістю та якістю
- Reasoning models vs fast models
- Метрики продуктивності в реальних сценаріях
- Безпека застосування ШІ
- Додавання skills для ШІ агентів
- Ознайомитися з результатами бенчмарків і рейтингами
- Протестувати одне й те саме завдання з різними моделями
- Порівняти результати та продуктивність
- Проаналізувати вплив вартості використання моделей
Воркшоп 5: AI Developer Workflows (ADW) — мультиагентні системи
- Концепція AI Developer Workflows (ADW)
- Патерн Architect–Editor (Архітектор-Редактор)
- Оркестрація мультиагентних систем
- Типи агентів: тестувальник, аудитор безпеки, генератор документації тощо
- Патерни інтеграції (side-car, внутрішня інтеграція, API, сервіс)
- Проаналізувати код застосунку для виявлення шахрайства
- Обрати 2–3 агенти для розробки
- Створити специфікації агентів
- Обґрунтувати вибір агентів
- Реалізувати обраних агентів
- Інтегрувати агентів із системою виявлення шахрайства
- Продемонструвати взаємодію між агентами
- Розширити функціональність системи за допомогою агентів
Воркшоп 6: PR-ревʼю та автоматизація
- Робочі процеси PR-ревʼю з використанням ШІ
- Порівняння інструментів: Cursor vs Claude Code vs Codex в ревʼю коду
- Стратегії інтеграції з CI/CD
- Налаштування системи автоматичного код ревʼю
- Порівняти результати та рекомендації інструментів
- Підготувати ґрунтовні коментарі до ревʼю
Воркшоп 7: Model Context Protocol (MCP)
- Архітектура MCP та її переваги
- Офіційні MCP-сервери (Filesystem, Git, Memory, AWS тощо)
- Корпоративні MCP-сервери (GitHub, Azure, PostgreSQL тощо)
- Оркестрація кількох серверів
- Розробка власних MCP-серверів
- Налаштувати кілька MCP-серверів (GitHub, AWS, PostgreSQL тощо)
- Побудувати асистента для роботи з даними на базі MCP
- Створити робочі процеси з використанням кількох серверів
- Продемонструвати оркестрацію між серверами
Презентації Capstone Project
Опис проєкту
Застосовуючи набуті знання, матеріали курсу, інструменти та фреймворки, студенти мають розробити власний проєкт. Робота передбачає створення повноцінної розподіленої системи з взаємоповʼязаними ШІ-агентами, які обробляють завдання в межах повного pipeline. Команди можуть скористатися запропонованим шаблоном проєкту або обрати власну тему відповідно до інтересів.
Успішна підготовка та захист фінального проєкту є обовʼязковою умовою для отримання сертифіката про завершення курсу.
Викладач
Олексій Попов
Керівник інженерних команд та архітектор рішень із понад 16 роками досвіду у створенні масштабованих систем і впровадженні ШІ для підвищення продуктивності. Має досвід розробки технологічних продуктів, управління кросфункціональними командами на рівні масштабних проєктів та трансформації бізнес-цілей у масштабовані, безпечні, хмарно-орієнтовані рішення з упровадженням інноваційних технологій.
Переваги
Hands-on — воркшопи, завдання, кейси з production-логікою
Tool-first, а не theory-first — робота з реальними інструментами та протоколами
Системність — від базових принципів до мультиагентних систем у SDLC
Експертність — навчання від практика у сфері AI engineering productivity, який ділиться тим, що реально працює — і що ні
Практичні артефакти — повторювані workflow, специфікації, конфігурації та фінальний Capstone Project
для кого
Software Engineers (Back/Full-Stack/SDET/Automation QA)
Tech Leads / менеджери команд розробки
розробники, які хочуть зростати і опанувати інтеграцію ШІ у свої робочі процеси
Відгуки
Володимир Зубчинський
Щойно завершив неймовірний курс GenAI and Agentic AI for Software Engineering у SET University!
Замість того щоб просто використовувати ШІ як помічника в написанні коду, я тепер будую ШІ-агентів, які автономно виконують складні робочі процеси розробки.
Ми рухаємося далеко за межі простого автодоповнення. Ось як змінюється парадигма:
🔹 GenAI — це асистент: він чекає на промпт і допомагає автоматизувати процеси.
🔹 Agentic AI — це автономний колега: ви задаєте високорівневу ціль, а він оркеструє потрібні інструменти, запускає автоматизовані тести й керує реалізацією від початку до кінця.
Перехід від «промпт-інженера» до «архітектора агентів» докорінно переосмислює життєвий цикл розробки ПЗ. 💻✨
Альона Головко
Рада поділитися, що завершила програму «GenAI & Agentic AI for Software Engineering» у SET University!
Програма охопила широке коло тем — від основ GenAI до побудови агентів і мультиагентних робочих процесів.
Тішуся, що можу застосовувати ці знання у щоденній роботі, і з нетерпінням продовжую досліджувати та вчитися.
Щира подяка Олексію Попову за цікаві та захопливі лекції, ревʼю коду, обмін досвідом і цінний фідбек. І дякую SET University за цю можливість. 🙏
Андрій Гнатюк
До курсу я використовував ШІ переважно як асистента або інструмент для брейнштормінгу. Після — вже більше розглядаю його як інженерну систему, яку можна і треба оркеструвати для побудови інших систем. У результаті навчання дало мені не стільки розуміння конкретних інструментів, які в AI-сфері змінюються надзвичайно швидко, скільки переосмислення підходів та загальних практик, які залишаються актуальними незалежно від конкретного стеку. І ці практики виявилися напрочуд схожими на ті, які роками використовуються в інженерії програмного забезпечення, — це дуже зрезонувало з моїм власним баченням.
Окрема подяка Олексію за формат подачі: це і постійний діалог з аудиторією, і живі задачі, і вміння підлаштовуватися під темп групи.
Також хочеться відзначити рівень організації навчання загалом: усе прозоро, зрозуміло й дуже добре збалансовано для людей, які паралельно працюють. Для мене саме так і виглядає хороший інженерний курс: після нього залишається не набір конкретних рецептів, а підходи, які можна переносити на власні задачі.
Олена Кіпер
Завершила GenAI and Agentic AI for Software Engineering. Показую те, що збудувала завдяки курсу, а не сертифікат.
Пайплайн, який проводить один тікет через кілька репозиторіїв. Вісім агентів, які ніколи не спілкуються між собою — не за правилом, а тому що жоден не має інструмента, який дотягнувся б до іншого. Єдиний канал — файли.
Він нічого не бере на віру — ні тікет, ні власну роботу:
— кожне твердження з тікета перевіряється по коду, перш ніж щось буде написано;
— незалежний ревʼюер може відхилити реалізацію, і тоді її переписує потужніший рівень моделі;
— тести пишуться першими, до коду.
Один тікет через два репозиторії дав 765 рядків тестів — чотири з цих файлів стали першими тестами, які той репозиторій узагалі мав.
І я порівняла це зі звичайною одиночною сесією — сім разів, записуючи очікування перед кожним запуском. Тож я знаю не лише що це працює, а й коли до цього не варто братися.
Дякую, SET University — це знання, якими я користуватимуся, всіма без винятку.
FAQ
Чи можу я податися на програму, якщо не володію Python / JS?
Так. Основний фокус курсу — на інструментах, робочих процесах та принципах (Context → Model → Prompt, specifications, MCP, agents), які є незалежними від конкретної мови програмування. Python/JavaScript використовуються лише для демонстраційних прикладів.
Дізнайтесь детальніше про програму SET University
