Чему вы научитесь
- Выбирать модель под задачу: проприетарные и open-source модели, подключение через OpenAI-совместимый эндпоинт, экономика токенов – и объяснять, почему для этой задачи хватит быстрой модели.
- Готовить контекст вместо подбора формулировок: последовательная загрузка артефактов от общего к частному, работа с доменом, которого модель не знает, Few-Shot и цепочки промптов.
- Проверять и декомпозировать требования с ИИ: противоречия и пробелы в БТ, уточняющие вопросы стейкхолдерам, User Story и Gherkin, аудит полноты НФТ, матрица трассировки и спецификация по шаблону.
- Генерировать и валидировать диаграммы: BPMN в XML, Use Case и Sequence в PlantUML, ветвления и исключения, as-is и to-be – с поиском семантических ошибок, а не только синтаксических.
- Проектировать контракты и ловить галлюцинации: OpenAPI, .proto, GraphQL SDL, AsyncAPI, маппинг форматов, поиск придуманных полей и методов, Postman-коллекция и Doc-As-Code из спецификации.
- Проектировать модель данных и архитектуру с ревью: ERD, DDL и тестовые данные, C4 с расчётом нагрузки и проверкой на DDD, ADR с trade-off таблицей и вопросами к согласующим.
- Собирать библиотеку промптов и ассистента под задачу: карточка промпта в едином формате, структура по этапам анализа, ассистент с базой знаний и проверкой, что он отвечает из базы, а не по памяти модели.
- Запускать агента на своём проекте: git как страховка, файл правил AGENTS.md, первый скилл со стоп-условием, которое само запускает проверку DDL и не отдаёт результат, пока она не прошла.
О курсе
Курс для системных аналитиков уровня Middle и выше: как встроить ИИ в работу от промпта до агента. Требования, BPMN и PlantUML, OpenAPI и AsyncAPI, ERD и DDL, C4 и ADR с LLM на одном сквозном проекте, библиотека промптов команды, ассистент с базой знаний и RAG, CLI-агент с файлом правил AGENTS.md, скиллом и стоп-условием. В своём темпе, без проверки заданий, с чек-листами самопроверки и машинными проверками артефактов.
Преподаватели курса
7 754
Нагрузка
3