Фаза 1 · Фундамент · AI Engineering Roadmap

Материалы — обязательно к прочтению

Article Anthropic · docs

Официальное руководство по архитектуре агентов на платформе Claude: workflows, prompt chaining, routing, parallelization, orchestrator-workers, evaluator-optimizer.

Track OpenAI · ~1.5ч

Building Agents Learning Track

Официальный интерактивный трек: концепции, инструменты, оркестрация, практические сценарии и безопасность агентов.

Whitepaper Google · ~1ч

Google Agents Whitepaper

Концепции у трёх компаний одинаковые, но акценты разные. Полезно для собственной картины.

Tutorial Anthropic · GitHub · 3–5ч

Prompt Engineering Interactive Tutorial

Быстро, отмечая паттерны: XML-теги, role assignment, prefilling, chain-of-thought, few-shot.

Repo Anthropic · GitHub

Anthropic Cookbook → patterns/agents

Клонировать, запустить ноутбуки — реализации всех паттернов из Building Effective Agents в коде.

Article Anthropic Engineering

Effective Context Engineering for AI Agents

Context engineering — преемник prompt engineering: управление всем токен-бюджетом (системные инструкции, tools, память, история), а не только формулировками. Главный рычаг качества агента.

Article Anthropic Engineering · канон

Building Effective Agents (оригинальное эссе)

Первоисточник таксономии пяти паттернов (p1-1 — её docs-адаптация). Прочитать, чтобы видеть, как таксономия держится в 2026.

Практические задания

Practice 2–3 часа

Реализовать простейший паттерн Chaining на чистом Python

Скрипт, передающий структурированный вывод одного вызова API (JSON с планом) на вход следующему — без сторонних библиотек.

Practice 2–3 часа

Написать классификатор Routing на основе structured output

Роутер запросов: распределяет сообщения по 3–4 категориям и вызывает соответствующую функцию.

Practice 4–6 часов

Создать автономный цикл Evaluator-Optimizer

Два агента: генератор кода по ТЗ и критик, запускающий тесты. Цикл до исправления всех ошибок или лимита в 3 итерации.

Practice 1–2 часа

Провести context-аудит одного своего промпта

Взять реальный рабочий промпт и разложить по секциям из статьи про context engineering: инструкции / tools / retrieval / история. Записать, где потрачены лишние токены и чего не хватает.

0 / 11 материалов завершено

Эта фаза — фундамент всего курса. Разбираемся, чем агент отличается от workflow, и собираем словарь из пяти базовых паттернов. Цель недели — карта паттернов и рабочий словарь терминов, к которым вы будете возвращаться дальше.

Мои заметки

Не сохранено

Самопроверка

Вопрос 1 из 4

В чём ключевое отличие workflow от agent по определению Anthropic?

A Workflow выполняется быстрее и дешевле

B В workflow LLM и tools оркеструются через предопределённые code paths, в agent LLM сам выбирает путь

C Agent работает только с одной моделью, workflow — с несколькими

D Workflow всегда требует human-in-the-loop, agent — нет

Правильно: B. Workflow — система с предопределёнными путями, где LLM используется как компонент. Agent сам управляет потоком: решает, какие инструменты вызывать и когда остановиться.

Вопрос 2 из 4

Какой из паттернов НЕ описан в Building Effective Agents?

A Prompt chaining

B Parallelization

C Knowledge distillation

D Evaluator-optimizer

Правильно: C. Knowledge distillation — техника обучения моделей, не паттерн построения агентов. В статье: prompt chaining, routing, parallelization, orchestrator-workers, evaluator-optimizer.

Вопрос 3 из 4

Что такое «augmented LLM» по терминологии Anthropic?

A LLM с fine-tuning на доменных данных

B LLM с доступом к tools, retrieval и memory

C Мультимодальная модель (текст + изображение)

D LLM, обученная с RLHF

Правильно: B. Augmented LLM — базовый блок агентных систем: модель + tools + retrieval + memory. Всё остальное — комбинации этого блока.

Вопрос 4 из 4

Чем context engineering отличается от prompt engineering по определению Anthropic?

A Это синонимы

B Prompt engineering — про формулировки инструкций, context engineering — про управление всем набором токенов: инструкции, tools, память, история

C Context engineering — это про RAG и векторные базы

D Context engineering нужен только для мультиагентных систем

Правильно: B. Anthropic определяет context engineering как следующий этап после prompt engineering: вопрос не «какие слова написать», а «какая конфигурация контекста даст нужное поведение». Сюда входит бюджет токенов, порядок секций, память и определения инструментов.

0 / 4