Репозиторий с техническими курсами. Каждый курс — это структурированная программа обучения с пошаговыми уроками, практическими примерами и готовым окружением.
| Курс | Папка | Описание |
|---|---|---|
| Графовые базы данных | graph-databases/ |
Neo4j 2026, Cypher 25, Spring Data Neo4j 8, графовые алгоритмы GDS и GraphRAG — 39 уроков в шести треках |
| Hazelcast | hazelcast/ |
In-Memory Data Grid 5.7 для распределённого кэширования — от основ до production (12 уроков) |
| ArchUnit | archunit/ |
Автоматическая проверка архитектурных правил в Spring Boot 3.5/4.1 с помощью ArchUnit 1.5 и JUnit 5/6 |
| ClickHouse | clickhouse/ |
ClickHouse 26.3 LTS: аналитические схемы, эффективные запросы, интеграция со Spring Boot 4.1 |
| Gradle Version Catalogs | gradle/toml/ |
Централизованное управление зависимостями через TOML-файл на Gradle 9.x, 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. 31 статья на актуальные темы: от ландшафта AI-инструментов 2026 года до продакшн-RAG, кэширования контекста, разработки MCP-серверов, инженерии агентов (анатомия, память, оркестрация, мультиагентные архитектуры, выбор фреймворка, durable execution), оценки качества LLM-систем и LLM-observability, 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 |
| Инженерия агентов | 07_agent_engineering/ |
23–28 — анатомия агента, память и состояние, оркестрация паттернов, мультиагентные архитектуры, ландшафт фреймворков, durable execution |
| Качество и наблюдаемость | 08_quality_and_observability/ |
29–31 — evals вместо юнит-тестов, синтетические данные и LLM-судья, мониторинг и трейсинг |
| № | 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. |
| 23 | Анатомия агента | Граница между workflow и агентом по Anthropic, пять паттернов workflow, цикл принятия решений, ReAct и ReWOO, механика вызова инструментов, инженерия контекста, self-reflection и границы автономности. |
| 24 | Управление состоянием и память агента | Цена агента без персистентности, краткосрочная и долгосрочная память, граф состояния в LangGraph 1.0, чекпоинтеры, time-travel, human-in-the-loop через interrupt(), менеджеры памяти (LangMem, Mem0, Zep, Graphiti). |
| 25 | Оркестрация и agentic-паттерны | Архитектура как продуктовое решение, таксономия workflow-паттернов, автономный агент и ReAct в продакшне, матрица выбора паттерна, очереди и событийная архитектура, тайм-ауты и идемпотентность вызовов LLM. |
| 26 | Мультиагентные архитектуры | Спор Cognition vs Anthropic про мультиагентность, цена входа (умножитель токенов, поверхность отказов), топологии, передача контекста и состояния, протоколы A2A, продакшн-кейсы с метриками. |
| 27 | Ландшафт агентных фреймворков: LangChain, LangGraph и соседи | Четыре слоя агентного стека, LangChain 1.0 и middleware, LangGraph как фундамент, Python- и TypeScript-лагеря, вендорские SDK и управляемые среды, платформенный риск на примере Agent Builder, защита от привязки и матрица выбора. |
| 28 | Durable execution для агентов: Temporal, Inngest, Restate и контрольные точки | Профиль длинной агентной задачи, модель workflow и активностей, журнал событий и replay, лимиты истории и claim-check, событийные durable-функции, exactly-once по ключу идемпотентности, чекпоинтеры, фоновые режимы и пакетные тарифы, правило выбора слоя. |
| 29 | Evals для LLM-систем: пирамида грейдеров, метрики RAG и агентов, гейт в CI | Почему юнит-тест не работает на недетерминированном выходе, четыре уровня грейдеров, offline и online evals с маховиком данных, метрики RAG и агентов, сбор и версионирование датасета, фреймворки и платформы оценки, регрессионный гейт на pull request, экономика прогонов. |
| 30 | Синтетические данные и LLM-as-a-Judge: генерация датасетов, рубрики, смещения и калибровка | Генерация кейсов из документов через граф знаний Ragas, вариации из логов, граничные и враждебные кейсы, обязательное ревью человеком, дизайн промпта судьи и шкалы, pointwise против pairwise, измеренные смещения (позиция, стиль, самопредпочтение), G-Eval и калибровка по Cohen's kappa, выбор модели-судьи. |
| 31 | Мониторинг, трейсинг и логирование LLM-систем: модель данных, OpenTelemetry GenAI и выбор инструмента | Отличия от классического APM, модель трейс — спан — generation и измерения для разрезов, статус словаря gen_ai, семь инструментов через единицу счёта и цену выхода, три способа инструментации и ловушки вложенности спанов, четыре группы метрик, дашборды и алерты, связка трейсов с evals, маскирование PII и сроки хранения. |
Расширенная программа из шести последовательных треков — 39 уроков со сквозной нумерацией. Треки 1-3 строят базу на одной модели данных (интернет-магазин с социальным слоем), треки 4-6 решают прикладные задачи на уже построенном графе. Стек: Neo4j 2026.07, Cypher 25, APOC, Graph Data Science, Neo4j Java Driver 6, Spring Data Neo4j 8.1, Spring Boot 4.1, Java 25, Spring AI 2.0.
Папка: graph-databases/
| # | Трек | Папка | Уроки | Содержание |
|---|---|---|---|---|
| 1 | Основы графовых БД и Cypher | 01_foundations/ |
01-09 | Зачем граф, ландшафт решений, запуск, модель данных, Cypher 25, загрузка данных |
| 2 | Моделирование и производительность | 02_modeling_performance/ |
10-16 | Проектирование схемы, паттерны и антипаттерны, индексы, PROFILE, транзакции, миграции |
| 3 | Java и Spring Boot | 03_java_spring/ |
17-24 | Java Driver 6, Spring Data Neo4j 8, маппинг, Cypher-DSL, Testcontainers, production |
| 4 | Графовые алгоритмы и GDS | 04_algorithms_gds/ |
25-29 | Проекции графа, центральности, выделение сообществ, similarity, поиск путей |
| 5 | Области применения | 05_applications/ |
30-34 | Рекомендации, антифрод, социальный граф, анализ зависимостей, identity resolution |
| 6 | Knowledge Graph и GraphRAG | 06_knowledge_graph_rag/ |
35-39 | Векторный поиск, построение KG из текста, паттерны GraphRAG, Spring AI, оценка качества |
Треки 1-2 обязательны для всего остального. Трек 3 нужен перед треками 5 и 6. Трек 4 самодостаточен сразу после треков 1-2 — маршрут 1 → 2 → 4 → 5 рабочий, если Java-интеграция не нужна.
Каждый курс содержит:
plan.md— программа обучения, цели и требования- Папки с уроками (
01_...,02_...) — пошаговые материалы
Базовый минимум, покрывающий все курсы:
- Java 17+ — минимум для
archunitиhazelcast; остальные курсы написаны на Java 25 - Spring Boot 3.5.x — минимум для
archunitиhazelcast; остальные курсы написаны на Spring Boot 4.1.x - Gradle 9.x (в
archunitработает и 8.14+, Maven 3.9+ — альтернатива) - Docker Desktop / Docker Engine + Docker Compose v2
Стек по курсам:
| Курс | Стек |
|---|---|
graph-databases/ |
Neo4j 2026.07 Community, Cypher 25, APOC + GDS, Neo4j Java Driver 6.1, Spring Data Neo4j 8.1, Spring Boot 4.1.x, Spring AI 2.0.x, Java 25, Gradle 9.x, Ollama |
hazelcast/ |
Hazelcast 5.7.0 (образ собран на Java 25, есть теги -jdk17 и -jdk21), Java 17+, Spring Boot 3.x–4.1.x, Gradle или Maven, Docker |
archunit/ |
ArchUnit 1.5.0, JUnit 5 (Boot 3.x) или JUnit 6 (Boot 4.x), Java 17+ (примеры проверены на Java 25), Spring Boot 3.5.x или 4.x, Gradle 9.x (8.14+) или Maven 3.9+ |
clickhouse/ |
ClickHouse 26.3.17.110 (LTS), Java 25, Spring Boot 4.1.x, Gradle 9.x, Testcontainers 2.x, Docker Compose v2 |
gradle/toml/ |
Gradle 9.x (примеры прогонялись на 9.5.0; version catalogs стабильны с 7.4.1), Java 25, Spring Boot 4.1.0 |
spring-docker-compose/ |
Java 25, Spring Boot 4.1.x, Gradle 9.x, Docker Compose v2 (минимум 2.2.0), PostgreSQL 18.4, Redis 8.10, Kafka 4.3.1, Hazelcast 5.7 |