Давайте составим маршрут для изучения стека AI. Следуйте этим четырем этапам, опираясь на свои существующие навыки разработчика, чтобы составить план обучения.

В рамках этой серии материалов об основах AI-инженерии мы уже рассмотрели слои современного стека AI, архитектурные паттерны для AI-функций, компоненты вокруг промптов и слой агентов, который сейчас активно развивается между фронтендом и бэкендом.

Знать концепции — это одно. Выяснить, с чего начать обучение и как понять, что вы его освоили, — задача данной статьи. (Этот пост дает общее представление о том, что вам нужно изучить и как это связано с вашими навыками разработчика; он не заменяет углубленное обучение.)

AI-инженерия — это дисциплина интеграции, поэтому большая часть ее строится на навыках, которые у full-stack разработчиков уже есть. Мы пройдем через четыре этапа, на каждом из которых будут названы ключевые компетенции и инструменты, к которым стоит обратиться.

Как организована дорожная карта

Здесь четыре этапа, и каждый завершается созданием конкретного продукта.

Порядок этапов отражает зависимости, а не строгую учебную программу. Извлечение данных опирается на вызовы моделей, действия опираются на то и другое вместе, а продакшн-разработка охватывает всё это целиком.

Этап 1: Работа с моделями

Чему нужно научиться

Эта база заключается в вызове хостинговой модели из собственного бэкенда и обработке полученного ответа. Сюда входят сами API провайдеров, а также искусство написания и доработки инструкций. Кроме того, это касается структурированного вывода, когда нижестоящему коду нужно разобрать ответ, и потоковой передачи (streaming), чтобы пользователи не смотрели на индикатор загрузки.

Здесь также полезно иметь некоторое представление об основополагающей теории. LLM генерирует текст, предсказывая следующий токен на основе всего предыдущего текста, и этот единственный факт объясняет большинство наблюдаемых нами повседневных явлений: почему результаты различаются при разных запусках и почему модель может с абсолютной уверенностью выдавать неверный ответ.

Параллельно этот этап формирует практическое понимание токенов, контекстных окон и стоимости. Каждая функция на последующих этапах сталкивается со всеми тремя аспектами.

Дополнительное обучение

Руководство по промпт-инжинирингу от OpenAI показывает, как писать четкие инструкции, предоставлять полезные примеры и добавлять контекст, необходимый модели для получения более стабильных результатов.
Руководство разработчика по AI SDK от Vercel на практических примерах показывает, как вызывать модели из JavaScript, возвращать структурированные данные и передавать ответы в пользовательский интерфейс в режиме стриминга.

Инструменты, к которым стоит обратиться

Подойдет любой крупный провайдер: OpenAI, Anthropic или Google. С GitHub Models стоит ознакомиться на раннем этапе, так как он предлагает бесплатную песочницу и API-доступ к широкому спектру моделей с помощью простой учетной записи GitHub.

Что создать

Функцию суммаризации или классификации за вашим собственным эндпоинтом бэкенда, например, такую, которая принимает тред тикета поддержки и возвращает краткую сводку с предлагаемым приоритетом. Она намеренно сделана небольшой, чтобы продемонстрировать поток запросов и написание инструкций, а также сделать расчет затрат наглядным без каких-либо лишних движущихся частей.

Этап 2: Привязка моделей к вашим данным

Чему нужно научиться

Встроенные знания модели фиксируются в момент обучения, поэтому второй этап — это извлечение (retrieval): предоставление собственного контента модели во время запроса. Компонентами здесь выступают эмбеддинги (текст, представленный в виде векторов, отражающих смысл), векторное хранилище для поиска по ним, стратегии чанкинга (разбиения документов на фрагменты) и связывающий их воедино паттерн RAG.

У извлечения данных есть и пользовательская сторона. Ответы, основанные на фактах, должны содержать ссылки на источники и признавать, если в контенте нет ответа.

Дополнительное обучение

Краткий курс по RAG от Progress Telerik объясняет, как документы делятся на фрагменты, преобразуются в эмбеддинги и ищутся по смыслу.
Руководство по форматированию цитат от OpenAI объясняет, как присвоить каждому извлеченному фрагменту стабильный идентификатор источника и проинструктировать модель ссылаться на него.

Инструменты, к которым стоит обратиться

pgvector добавляет векторный поиск в уже используемую нами базу данных Postgres, а управляемые хранилища, такие как Pinecone, берут на себя операционную сторону. Для команд, которые предпочитают вовсе не создавать пайплайн самостоятельно, управляемые платформы поиска, такие как Progress Agentic RAG, берут всё на себя — от загрузки данных и настройки прав до цитирования.

Что создать

Ассистента документации, который отвечает только на основе вашего собственного контента и цитирует использованные фрагменты. Создание такого ассистента означает определение того, что именно модель должна извлекать для заданного запроса, и поиск способов помешать ей отвечать на вопросы, выходящие за рамки источников. Хороший признак того, что всё работает: ассистент говорит, что в документации что-то не описано, вместо того чтобы угадывать.

Этап 3: Действия и агенты

Чему нужно научиться

Третий этап переводит модели от ответов к действиям. Ключевой навык — определение инструментов (tools): операций с именами и типизированными параметрами, а также описаний, задающих границы. Описание — это то, что модель читает при принятии решения о том, применим ли инструмент. Вызов инструментов работает в цикле: модель запрашивает вызов, наш код проверяет его и выполняет, а результат подпитывает следующее решение.

Агентам также нужны ограничения. Ограниченные разрешения позволяют им читать многое, но писать выборочно, а контрольные точки с подтверждением человеком стоят перед любыми действиями, которые трудно отменить. Протокол контекста модели (MCP) также относится к этому уровню как стандарт того, как агенты обнаруживают и вызывают инструменты.

Дополнительное обучение

Руководство по вызову функций (Function calling) от OpenAI показывает, как определить инструмент с типизированными параметрами, получить запрос инструмента от модели, выполнить операцию в коде приложения и вернуть результат модели.
Официальный учебник «Создание MCP-сервера» пошагово демонстрирует создание сервера, предоставляющего вызываемые инструменты, и подключение его к MCP-хосту. Примеры доступны для TypeScript, Python и нескольких других языков.

Инструменты, к которым стоит обратиться

Любой крупный провайдер поддерживает вызов инструментов через тот же API, который мы изучили на Этапе 1 (Работа с моделями), поэтому для начала не требуется никаких новых платформ. Документация и SDK MCP — это то место, где стоит изучать протокол, а фреймворки оркестрации, такие как Progress Forge, помогут, когда рабочие процессы выйдут за рамки одного цикла.

Что создать

Ассистента ровно с одним действием записи, защищенным шагом подтверждения, например проектного ассистента, который может переносить задачи в следующий спринт после того, как мы одобрим список. Одно действие — это всё, что нужно, чтобы столкнуться со всеми сложными частями: определением, областью разрешений, интерфейсом подтверждения и журналом выполненных действий. Когда мы можем открыть этот журнал и объяснить, что сделал агент и почему, этот этап считается завершенным.

Этап 4: Запуск AI в продакшн

Чему нужно научиться

Всё, о чем говорилось до этого момента, можно продемонстрировать за неделю. Этот этап посвящен тому, что происходит после появления реальных пользователей. Результаты работы моделей меняются от запуска к запуску, поэтому тестирование превращается в оценку (evaluation): создание набора оцениваемых примеров и оценку системы по ним после каждого изменения.

За этим следует наблюдаемость (observability). Каждый запрос отслеживается от извлечения и вызова инструментов до финального ответа, что позволяет восстанавливать картину сбоев.

Оставшиеся компетенции включают мониторинг затрат, а также основы безопасности и управления. Расходы на токены масштабируются в зависимости от использования способами, нехарактерными для традиционных функций, а вопросы безопасности сводятся к тому, какие данные поступают в модель и кому разрешено инициировать те или иные действия.

Дальнейшее обучение

Вебинар Progress Telerik «Как отслеживать и отлаживать AI-агентов в продакшене» показывает, как трассировка помогает понять, что именно сделал AI-агент, когда что-то пошло не так. Он также охватывает оценку ответов, обнаружение инъекций промптов и поиск вызовов, ответственных за медленные ответы или непредвиденные расходы.

Инструменты для использования

Progress Agent Engineering, платформа наблюдаемости AI, показывает, где ломаются рабочие процессы, сколько они стоят и достаточно ли хороши результаты для выпуска. Она создана для команд, работающих с .NET, Python и JavaScript.

Что создать

В этот раз не новая функция. Оберните помощника с предыдущих этапов в набор для оценки из 20 или 30 примеров с выставлением баллов и полной трассировкой запросов, затем измените промпт и наблюдайте за изменением оценок. Цель — создать рабочий процесс, в котором изменения выпускаются с подтверждением в виде оценок, а не на основе интуиции.

Навыки, охватывающие все этапы

Некоторые компетенции не относятся к какому-то одному этапу. Четыре из них проявляются везде.

Суждение об AI-ориентированном UX

Это понимание того, когда показывать индикатор уверенности, где уместен момент участия человека (human-in-the-loop), когда чат является неподходящим интерфейсом для задачи и как представлять источники, чтобы пользователи могли проверить ответ. Работающий вызов модели все равно может привести к плохому функционалу, и разница обычно заключается в этом суждении, а не в инженерии.

Библиотеки компонентов начали поставлять эти паттерны в готовом виде, например, компоненты Progress KendoReact Conversational UI, что оставляет принятие решений за нами, а не за созданием виджетов.

Инстинкт безопасности

Каждый ввод, который считывает модель, является потенциальной инструкцией, что делает инъекцию промптов новым классом атак. Каждый фрагмент контекста, который мы собираем, — это также данные, покидающие наш периметр. Решение о том, что может попасть в модель и что ее вывод может инициировать, принимается для каждой функции отдельно, и это начинается на Этапе 1 (Работа с моделями), а не на Этапе 4 (Запуск AI в продакшене).

Проектирование с учетом недетерминизма

Один и тот же запрос может давать разные результаты при разных запусках, и все более строгие промпты не исправят это. Недетерминизм — это ограничение проектирования, а не баг. Проектирование с его учетом означает ограничение формата вывода и проверку всего, что возвращает модель. Это также означает создание резервного варианта на случай, если модель возвращает что-то непригодное для использования.

Работа с агентами кодирования

Использование инструментов разработки с поддержкой AI ежедневно служит обучением для этой дорожной карты. Работа с агентом кодирования в Cursor, Claude Code, OpenAI Codex или GitHub Copilot — это живой урок того, как модели обрабатывают контекст и инструкции, и эта интуиция напрямую переносится на функции, которые мы создаем.

Инструментарий также работает в обратном направлении. Библиотеки начинают выпускать собственные MCP-серверы, такие как Telerik and Kendo UI MCP Server, который дает агенту кодирования специализированные знания о библиотеке компонентов, для которой он генерирует код. Это та же идея обнаружения инструментов с Этапа 3 (Действия и агенты), примененная к нашему собственному рабочему процессу.

Заключение

Эта серия началась с утверждения, что роль full-stack разработчика расширяется, а не заменяется. Последующие статьи охватили стек, архитектуры, компоненты за пределами промпта и уровень агентов.

Эта дорожная карта превращает эти идеи в то, что можно создать. Ни одна из контрольных точек не требует специальной инфраструктуры или исследовательского опыта, и ни одна из них не больше, чем побочный проект.

Серия продолжается и дальше. Предстоящие статьи будут глубже погружаться в территорию, которую открывает каждый этап: проектирование AI-ориентированных интерфейсов, агентная инженерия, запуск AI в продакшене и сама разработка с поддержкой AI.

Чтобы узнать больше о создании приложений и агентов на базе AI с помощью Progress, ознакомьтесь со следующими ресурсами: