Agentic Engineering
Agentic Engineering 2.0
Eduard Liashenko
Кирило Сулімовський
Програма курсу
Модуль 1. Основи LLM (Уроки 1–13)
Опис модуля
Це фундамент курсу. Без нього всі рішення в Claude Code, MCP й агентах перетворюються на магію - «спрацювало / не спрацювало», без розуміння чому.
За 13 коротких уроків (~2 години) ти розбираєш, як LLM працюють зсередини на рівні, який потрібен інженеру щодня: токени й чому українська коштує в 1.7 раза дорожче за англійську, чому output у 5 разів дорожчий за input, контекстне вікно як спільний бюджет і ефект Lost in the Middle, стохастичність і temperature, природу галюцинацій та 6 технік мітигації, attention-механізм, stateless-природу LLM, embeddings і RAG, лінійку Claude (Haiku / Sonnet / Opus) на конкретних бенчмарках, latency, reasoning-моделі та реальну вартість Claude Code в щодені.
Після модуля ти:
Опис модуля
За цей модуль ти розберешся, як LLM взагалі може щось робити в реальному світі через Tool Use / Function Calling, і побачиш на коді анатомію Agentic Loop: observe → think → act → verify → repeat. Зрозумієш різницю між System Prompt і User Prompt, розберешся з трьома способами адаптації моделі (Prompting, RAG, Fine-tuning) і ключовим правилом — коли кожен з них вартий зусиль, а коли ти переускладнюєш. Поговоримо про prompt injection як реальну загрозу безпеки і data privacy — що відправляється на сервер і як це фільтрувати на рівні команди.
І найголовніше — новий mindset розробника. Ти більше не «пишеш код з AI-помічником». Ти стаєш оркестратором агентів, архітектором workflow, який керує командою AI-виконавців.
Після модуля ти:
Ставимо Claude Code від нуля до production-ready конфігурації — щоб ним було комфортно і безпечно працювати щодня.
Розбираємо інсталяцію, налаштування терміналу та IDE, ефективний ввід через /, !, @ префікси, повний гід по settings.json з 5 рівнями каскаду, механіку контексту і compaction, трирівневу систему permissions, OS-рівневий sandbox, Docker та devcontainers, а також віддалену роботу через --remote, Remote Control і Channels.
Результат: робочий Claude Code, налаштований під твій стек, з повноцінним захистом (permissions + sandbox + контейнери) і конфігом, який можна одразу комітити у командний репозиторій.
9 уроків (~2 год): встановлення → робоче середовище → ввід і команди → settings.json → сесії та compaction → permissions → sandboxing → Docker і devcontainers → Claude Code поза терміналом.
Опис
Переходимо від рандомних запитів до інженерного контракту з моделлю. Розбираємо як писати промпти, давати контекст, керувати сесіями, проектувати кодову базу під AI - щоб Claude робив те, що треба, з першої спроби, а не з пʼятої.
Починаємо з анатомії робочого промпту (6 технік у 3-5 рядках) і context engineering - 4 канали передачі контексту (@, скріншоти, pipe, .notes/) і гібридна стратегія upfront + JIT. Глибоко занурюємось у .claude/ як робочий шар проекту, CLAUDE.md зі sweet spot 100-150 рядків і .claude/rules/ з path-scoped активацією. Розбираємо Plan Mode і Extended Thinking з cost-матрицею 5 сценаріїв, керування контекстом у довгій сесії (/compact, /clear, subagents, briefing з 4 пунктів). На завершення - архітектурний шар: Bounded Contexts, протокол legacy-рефакторингу і scaffold нового проекту з нуля.
Результат після модуля: ти пишеш промпти у 3-5 рядків, які дають повторюваний результат; маєш свій CLAUDE.md у sweet spot 100-150 рядків з path-scoped правилами; вмієш керувати контекстом у довгій сесії і не втрачати рішення після /compact; знаєш як відмапити Bounded Contexts свого проекту і відрефакторити legacy без regression-комітів на 2400 рядків. Реюзабельний scaffold-шаблон, який працює як стартова точка для будь-якого наступного проекту.
Модуль про те, як прогнути Claude Code під свій workflow — а не підлаштовуватися під нього.
Починаємо з найпростішого важеля: повторюваний промпт стає одним markdown-файлом і викликається одним словом через custom commands. Далі розбираємо Agent Skills — pull-модель де Claude бачить тільки name+description, а повний SKILL.md підтягується по потребі, і вчимося писати власні скіли з frontmatter, dynamic context injection і 12 канонічними принципами від Anthropic. Потім hooks — детерміністичний контроль поза моделлю: те що Claude не може проігнорувати на відміну від CLAUDE.md. На завершення збираємо все разом: упаковуємо commands + skills + hooks в один плагін і публікуємо його у marketplace.
Результат після модуля: твої повторювані workflows — команди в git, не копіпаст у Slack; є skill для кожного pain-point з правильним description-тригером; hooks ловлять помилки до запису на рівні harness; готовий плагін який команда ставить однією командою і який працює не тільки в Claude Code, а й у Cursor, Copilot та інших IDE.
Опис
Модуль про те, як перетворити продуктову ідею на готовий пакет задач для агента — щоб Claude не починав кожну сесію з нуля і не відновлював контекст з коду.
Починаємо з мапи SDLC: 9 фаз від ідеї до моніторингу, 3 петлі зворотного зв'язку і роль артефактів як зовнішньої пам'яті між ними. Далі будуємо спільний словник домену у CONTEXT.md — щоб lesson і mentorship-session ніколи не плуталися між сесіями — і збираємо idea-brief.md через 14-кроковий skill з Сократівським інтервʼю, паралельними підходами і RICE-оцінкою. Потім PRD з 8 секцій, де AC у Given/When/Then маплюються 1:1 у тест, і архітектурний дизайн через SAD на шаблоні Arc42 та ADR з евристикою радіусу впливу для кожного рішення. Закриваємо фазу контрактів: модель даних з тришаговим патерном expand → backfill → contract для breaking changes і OpenAPI-специфікація, де один документ генерує типи для BE і FE одночасно. На завершення — розбивка на story-файли у tasks/ з фронтматером хвиль і залежностей, де виконавець (людина або агент) бере наступну задачу за одним алгоритмом.
Результат після модуля: для своєї фічі маєш повний артефактний ланцюг — від idea-brief до tasks/ — де кожне поле у контракті виводиться з конкретного джерела, кожне архітектурне рішення має ADR з трьома звʼязками, а кожна story містить усе необхідне для дня роботи без додаткових запитань. Контекст живе у файлах поруч з кодом, а не у голові команди чи памʼяті агента.
Опис модулю
Як підключити Claude до зовнішніх даних та інструментів через єдиний стандарт замість сотні окремих інтеграцій. MCP для AI - те саме, чим USB став для пристроїв: один протокол, до якого під'єднується що завгодно - GitHub, Slack, база даних, браузер, твій власний сервіс. Від розуміння архітектури - до підключення готових серверів і побудови власного.
Що таке MCP - проблема N×M-інтеграцій, архітектура клієнт-сервер, конектори без терміналу
Примітиви: Tools, Resources, Prompts - три моделі контролю і ціна інструментів у контексті
Підключення серверів до Claude Code - транспорти, scope, .mcp.json, секрети через env, дозволи
Екосистема MCP - три кола довіри, чек-лист перед підключенням, чесна математика MCP vs CLI
Claude як MCP-сервер - claude mcp serve: симетрія протоколу і «руки без мозку»
Власний MCP-сервер - повний сервер на TypeScript/Python: tools, resource, prompt, error handling
MCP Inspector - дебаг протоколу, ловля «брехні про успіх», контрактні тести в CI
Канали - MCP-сервер, що сам пушить події у відкриту сесію (чат, алерти, CI)
Результат: студент підключає будь-який сервер під свій проєкт, обґрунтовує кожен рядок у конфігу, будує і дебажить власний MCP-сервер, і розуміє безпекові межі протоколу.
Уроків: 73
Мова курсу: Українська
Agentic Engineering 2.0
Eduard Liashenko
Кирило Сулімовський
Програма курсу
Модуль 1. Основи LLM (Уроки 1–13)
Опис модуля
Це фундамент курсу. Без нього всі рішення в Claude Code, MCP й агентах перетворюються на магію - «спрацювало / не спрацювало», без розуміння чому.
За 13 коротких уроків (~2 години) ти розбираєш, як LLM працюють зсередини на рівні, який потрібен інженеру щодня: токени й чому українська коштує в 1.7 раза дорожче за англійську, чому output у 5 разів дорожчий за input, контекстне вікно як спільний бюджет і ефект Lost in the Middle, стохастичність і temperature, природу галюцинацій та 6 технік мітигації, attention-механізм, stateless-природу LLM, embeddings і RAG, лінійку Claude (Haiku / Sonnet / Opus) на конкретних бенчмарках, latency, reasoning-моделі та реальну вартість Claude Code в щодені.
Після модуля ти:
- знаєш реальну вартість свого типового запиту в доларах (а не «дорого / дешево»)
- обираєш модель за бенчмарком задачі, а не за інтуїцією
- тримаєш контекст чистим і знаєш, коли запускати /compact, а коли /clear
- розпізнаєш червоні прапорці галюцинацій і знаєш, що з ними робити
- умієш зрізати витрати на API через комбінацію кешування, batch і вибору моделі — до 5% від базової ціни
- Урок 1: Токени: як текст перетворюється на числа і чому це важливо
- Урок 2: Input vs Output токени: різниця в ціні та лімітах
- Урок 3: Контекстне вікно: що це, вигорання контексту, переповнення
- Урок 4: Стохастичність: temperature, top_p та інші параметри — чому один промпт дає різні результати
- Урок 5: Галюцинації: чому LLM впевнено бреше і як з цим жити
- Урок 6: Attention mechanism — спрощено для розробників
- Урок 7: Stateless природа LLM: модель не пам'ятає між сесіями
- Урок 8: Training vs Inference: що знає модель vs що ти їй даєш
- Урок 9: Embedding та векторні представлення: як модель «розуміє» текст
- Урок 10: Розмір моделі vs якість
- Урок 11: Latency vs Quality
- Урок 12: Reasoning models vs Standard: коли потрібно «думання»
- Урок 13: Вартість: скільки коштує працювати з Claude щодня
Опис модуля
За цей модуль ти розберешся, як LLM взагалі може щось робити в реальному світі через Tool Use / Function Calling, і побачиш на коді анатомію Agentic Loop: observe → think → act → verify → repeat. Зрозумієш різницю між System Prompt і User Prompt, розберешся з трьома способами адаптації моделі (Prompting, RAG, Fine-tuning) і ключовим правилом — коли кожен з них вартий зусиль, а коли ти переускладнюєш. Поговоримо про prompt injection як реальну загрозу безпеки і data privacy — що відправляється на сервер і як це фільтрувати на рівні команди.
І найголовніше — новий mindset розробника. Ти більше не «пишеш код з AI-помічником». Ти стаєш оркестратором агентів, архітектором workflow, який керує командою AI-виконавців.
Після модуля ти:
- розумієш, з яких блоків зібраний будь-який coding assistant (Claude, Cursor, Copilot — працюють на одній схемі)
- знаєш, коли обирати Prompting, коли RAG, а коли Fine-tuning
- бачиш prompt injection як реальний ризик і знаєш, як захищатися
- усвідомлюєш себе як оркестратора агентної системи, а не «розробника з AI»
- Урок 1: Tool Use / Function Calling: як LLM виконує дії у реальному світі
- Урок 2: Coding Assistant = LLM + Tool Use. Анатомія
- Урок 3: Agentic Loop: архітектура observe → think → act → repeat
- Урок 4: System prompt vs User prompt: роль системного промпту
- Урок 5: Fine-tuning vs Prompting vs RAG: 3 способи адаптації моделі
- Урок 6: Prompt injection: як зловмисники маніпулюють LLM
- Урок 7: Data privacy: що відправляється на сервер і хто це бачить
- Урок 8: AI Fluency Framework 4D (Delegation, Description, Discernment, Diligence)
- Урок 9: Розробник як оркестратор — нова роль в AI
Ставимо Claude Code від нуля до production-ready конфігурації — щоб ним було комфортно і безпечно працювати щодня.
Розбираємо інсталяцію, налаштування терміналу та IDE, ефективний ввід через /, !, @ префікси, повний гід по settings.json з 5 рівнями каскаду, механіку контексту і compaction, трирівневу систему permissions, OS-рівневий sandbox, Docker та devcontainers, а також віддалену роботу через --remote, Remote Control і Channels.
Результат: робочий Claude Code, налаштований під твій стек, з повноцінним захистом (permissions + sandbox + контейнери) і конфігом, який можна одразу комітити у командний репозиторій.
9 уроків (~2 год): встановлення → робоче середовище → ввід і команди → settings.json → сесії та compaction → permissions → sandboxing → Docker і devcontainers → Claude Code поза терміналом.
- Урок 1: Встановлення Claude Code
- Урок 2: Налаштування робочого середовища
- Урок 3: Ввід і команди
- Урок 4: Settings.json — повний гід
- Урок 5: Сесії, контекст та compaction
- Урок 7: Sandboxing
- Урок 8: Docker та devcontainers
- Урок 9: Claude Code поза терміналом
Опис
Переходимо від рандомних запитів до інженерного контракту з моделлю. Розбираємо як писати промпти, давати контекст, керувати сесіями, проектувати кодову базу під AI - щоб Claude робив те, що треба, з першої спроби, а не з пʼятої.
Починаємо з анатомії робочого промпту (6 технік у 3-5 рядках) і context engineering - 4 канали передачі контексту (@, скріншоти, pipe, .notes/) і гібридна стратегія upfront + JIT. Глибоко занурюємось у .claude/ як робочий шар проекту, CLAUDE.md зі sweet spot 100-150 рядків і .claude/rules/ з path-scoped активацією. Розбираємо Plan Mode і Extended Thinking з cost-матрицею 5 сценаріїв, керування контекстом у довгій сесії (/compact, /clear, subagents, briefing з 4 пунктів). На завершення - архітектурний шар: Bounded Contexts, протокол legacy-рефакторингу і scaffold нового проекту з нуля.
Результат після модуля: ти пишеш промпти у 3-5 рядків, які дають повторюваний результат; маєш свій CLAUDE.md у sweet spot 100-150 рядків з path-scoped правилами; вмієш керувати контекстом у довгій сесії і не втрачати рішення після /compact; знаєш як відмапити Bounded Contexts свого проекту і відрефакторити legacy без regression-комітів на 2400 рядків. Реюзабельний scaffold-шаблон, який працює як стартова точка для будь-якого наступного проекту.
- Урок 1: Як писати промпти
- Урок 2: Як давати контекст: @, скріншоти, pipe, гібридна стратегія
- Урок 3: .claude папка як база: project, user, scope system
- Урок 4: CLAUDE.md як базовий контроль
- Урок 5: Велика CLAUDE.md: .claude/rules/, path-specific правила, tool descriptions
- Урок 6: Режими: Plan і Think
- Урок 7: Контекст у довгій сесії: /compact, /clear, subagents, budget
- Урок 8: Bounded Contexts: межі системи перед структурою папок
- Урок 9: Legacy Refactoring без меж
- Урок 10: Scaffold як кульмінація: матеріалізація BC у файлову систему
Модуль про те, як прогнути Claude Code під свій workflow — а не підлаштовуватися під нього.
Починаємо з найпростішого важеля: повторюваний промпт стає одним markdown-файлом і викликається одним словом через custom commands. Далі розбираємо Agent Skills — pull-модель де Claude бачить тільки name+description, а повний SKILL.md підтягується по потребі, і вчимося писати власні скіли з frontmatter, dynamic context injection і 12 канонічними принципами від Anthropic. Потім hooks — детерміністичний контроль поза моделлю: те що Claude не може проігнорувати на відміну від CLAUDE.md. На завершення збираємо все разом: упаковуємо commands + skills + hooks в один плагін і публікуємо його у marketplace.
Результат після модуля: твої повторювані workflows — команди в git, не копіпаст у Slack; є skill для кожного pain-point з правильним description-тригером; hooks ловлять помилки до запису на рівні harness; готовий плагін який команда ставить однією командою і який працює не тільки в Claude Code, а й у Cursor, Copilot та інших IDE.
- Урок 1: Custom Commands
- Урок 2: Agent Skills
- Урок 3: Створення власних Skills
- Урок 4: Hooks
- Урок 5: Plugins: встановлення і створення
- Урок 6: Створення marketplace для команди
- Урок 7: Claude Agent SDK + capstone wrap Головне завдання модуля: Plugin для свого SaaS-проєкту
Опис
Модуль про те, як перетворити продуктову ідею на готовий пакет задач для агента — щоб Claude не починав кожну сесію з нуля і не відновлював контекст з коду.
Починаємо з мапи SDLC: 9 фаз від ідеї до моніторингу, 3 петлі зворотного зв'язку і роль артефактів як зовнішньої пам'яті між ними. Далі будуємо спільний словник домену у CONTEXT.md — щоб lesson і mentorship-session ніколи не плуталися між сесіями — і збираємо idea-brief.md через 14-кроковий skill з Сократівським інтервʼю, паралельними підходами і RICE-оцінкою. Потім PRD з 8 секцій, де AC у Given/When/Then маплюються 1:1 у тест, і архітектурний дизайн через SAD на шаблоні Arc42 та ADR з евристикою радіусу впливу для кожного рішення. Закриваємо фазу контрактів: модель даних з тришаговим патерном expand → backfill → contract для breaking changes і OpenAPI-специфікація, де один документ генерує типи для BE і FE одночасно. На завершення — розбивка на story-файли у tasks/ з фронтматером хвиль і залежностей, де виконавець (людина або агент) бере наступну задачу за одним алгоритмом.
Результат після модуля: для своєї фічі маєш повний артефактний ланцюг — від idea-brief до tasks/ — де кожне поле у контракті виводиться з конкретного джерела, кожне архітектурне рішення має ADR з трьома звʼязками, а кожна story містить усе необхідне для дня роботи без додаткових запитань. Контекст живе у файлах поруч з кодом, а не у голові команди чи памʼяті агента.
- Урок 1: Введення в SDLC, Gates, Artefacts
- Урок 2: Словник домену та бриф продуктової ідеї
- Урок 3: Від брифу до PRD: що, з чого, звідки, як
- Урок 4: Architecture Design: SAD і ADR документи
- Урок 5: Модель даних і міграції
- Урок 6: API contracts (OpenAPI)
- Урок 7: Tasks: одиниця роботи для агента
- Урок 1: Execution map: Spec Driven Development
- Урок 2: Ralph loop: автономне виконання
- Урок 3: /goal — автономний фініш: Ralph у коробці
- Урок 4: Dynamic workflows
- Урок 5: Фонове виконання: сесії, дашборд, розклад
- Урок 6: Цикли зворотного зв’язку: перевірка як дисципліна виконання
- Урок 7: TDD як execution discipline Завдання по Модулю 7: Execution discipline
Опис модулю
Як підключити Claude до зовнішніх даних та інструментів через єдиний стандарт замість сотні окремих інтеграцій. MCP для AI - те саме, чим USB став для пристроїв: один протокол, до якого під'єднується що завгодно - GitHub, Slack, база даних, браузер, твій власний сервіс. Від розуміння архітектури - до підключення готових серверів і побудови власного.
Що таке MCP - проблема N×M-інтеграцій, архітектура клієнт-сервер, конектори без терміналу Примітиви: Tools, Resources, Prompts - три моделі контролю і ціна інструментів у контексті Підключення серверів до Claude Code - транспорти, scope, .mcp.json, секрети через env, дозволи Екосистема MCP - три кола довіри, чек-лист перед підключенням, чесна математика MCP vs CLI Claude як MCP-сервер - claude mcp serve: симетрія протоколу і «руки без мозку» Власний MCP-сервер - повний сервер на TypeScript/Python: tools, resource, prompt, error handling MCP Inspector - дебаг протоколу, ловля «брехні про успіх», контрактні тести в CI Канали - MCP-сервер, що сам пушить події у відкриту сесію (чат, алерти, CI)Результат: студент підключає будь-який сервер під свій проєкт, обґрунтовує кожен рядок у конфігу, будує і дебажить власний MCP-сервер, і розуміє безпекові межі протоколу.
- Урок 1: Що таке MCP: архітектура клієнт-сервер
- Урок 2: MCP примітиви: Tools, Resources, Prompts
- Урок 3: Підключення MCP серверів до Claude Code
- Урок 4: Екосистема MCP: готові сервери в роботі
- Урок 5: Claude як MCP-сервер: claude mcp serve
- Урок 6: Будуємо власний MCP-сервер
- Урок 7: MCP Inspector: дебаг і тестування серверів
- Урок 8: Канали: чат прямо у твою Claude Code сесію
- Завдання по Модулю 8: MCP від споживача до автора
Уроків: 73
Мова курсу: Українська
https://lms.agenticengineering.it.com/courses/agentic-engineering-PhA