Cпікер
Іван Лапа
UI Engineer L5 у Netflix · 12 років як Engineer / Team & Tech Lead
Будував AI-продукти в єдинорогах DataRobot і Gelato (AI-агенти)
AI-adoption консультант для Google, МЗС України, Skelar, Obrio, GR8
74% компаній називають неточність AI ключовим ризиком
AI пише швидко й переконливо. Але помилки часто помічають лише під час review або вже після релізу
AI вигадує те, чого немає у вашому проекті
Посилається на неіснуючі методи, API та файли, ігнорує style guide або знову змінює auth-модуль. Ви виправляєте ті самі помилки в кожній новій сесії
Тести проходять, але результату не можна довіряти
AI закриває happy path, пропускає edge cases і будує реалізацію на власних припущеннях, яких не було у вимогах. Формально все працює — фактично ризик залишається
Ви перевіряєте AI довше, ніж писали б самі
5 хвилин генерації перетворюються на 5 годин code review, дебагу, переробок і повторного пояснення контексту. Швидкість AI не стає швидкістю команди
200K токенів ≠ розуміння проєкту
Контекст, agent loops, retries і перевірки множать AI-витрати в масштабі команди
1 таск
= 8+ платних AI-викликів. Planner, coder, reviewer, verifier і retries множать токени на кожному кроці
−19%
швидкості з AI. У дослідженні METR досвідчені devs витратили більше часу на задачі через review і виправлення
$132K
на місяць навіть по $0.03 за запит. 10 000 людей × 20 запитів × 22 дні = 4,4 млн AI-викликів
Без токен-економіки AI не економить
На курсі ви навчитеся створювати надійні агентні системи з eval, пам’яттю, моніторингом і контролем витрат на токени
Автор та викладач
Іван Лапа
Senior UI Engineer у Netflix
12 років в інженерії — від Front-end до Team / Tech Lead
Будував AI-агентів для проду в Gelato (норвезький єдиноріг)
Створював AI-продукт Feature Discovery у DataRobot (AI-єдиноріг)
Daily user Claude Code & Cursor з 2024
Консультує по AI-adoption: Google · МЗС України · Skelar · Obrio · GR8
Але цей практичний спринт не для всіх
Підходить
Middle developer, який самостійно бере фічі та проходить PR review
Senior developer, що хоче побудувати AI-workflow який новий член команди відтворює за один артефакт
Tech Lead, який обирає інструменти та процеси для команди
Інженер з 1+ місяцем досвіду з Cursor / Claude Code / Copilot
Той, хто пише тести, має CI/CD, знайомий з Git workflows
Не підходить
Junior без досвіду з PR, тестами, CI/CD
Той, хто очікує «AI напише за мене» без specs і verification
No-code аудиторія
Той, хто шукає overview-презентацію — це hands-on intensive з 5–7 год/тиждень take-home
В основі програми 4-pillar harness framework - новий industry-standard
SKILLS
SUBAGENTS
MCP
HOOKS
ТИЖДЕНЬ 01
System Design
L01
Harness: 4 компоненти + 5-фазний workflow
perception-gap аудит · CLAUDE.md v1 · surface map
L02
Skills Layer: постійні інструкції між сесіями
3+ Skills · CLAUDE.md ≤200 рядків · /spec /plan /commit
ТИЖДЕНЬ 02
Agent Topology
L03
Ізоляція контексту: Hub-and-Spoke vs Peer Mesh
5 subagents · dispatch matrix · cost-per-topology звіт
L04
MCP інтеграція: зовнішні сервіси за єдиним протоколом
custom MCP server ~50 рядків · token budget аудит · hybrid Skill+MCP
ТИЖДЕНЬ 03
CI Pipeline
L05
Spec-Driven Development: spec → plan → implement → verify
spec.md + plan.md · feature за $17.42 · retro-spec
L06
Quality Gates: hooks → TDD → plan-verifier → evals
3 hooks · plan-verifier у CI · 20-trace eval · mutation report
ТИЖДЕНЬ 04
Масштаб + Production
L07
Паралельний fan-out: worktree × 3 агенти + migration playbook
working migration · fan-out log · cost delta звіт
L08
Plugin packaging + CI agents + 30-day rollout
FINAL BUNDLE: harness plugin · CI agent · deployed DevDigest v1
Фінальний проєкт — DevDigest
AI-платформа для code review, яку ти будуєш як full-stack capstone
Один продукт, на якому матеріалізується весь каркас курсу — 4-Pillar Harness (Skills · Subagents · MCP · Hooks), Spec-Driven Development, evals, multi-agent fan-out і деплой у CI.Робочий SaaS-інструмент, що автоматично рев'ює pull request'и налаштовуваними AI-агентами — на ключі самого користувача, без проходу даних через чужі сервери.
PR Review
— структурований розбір кожного PR: Intent / Scope / Risk + PR Score, Blast Radius (що зачіпає зміна: symbols → callers → endpoints), і Findings за severity з точним file:line, рівнем confidence і готовим fix
Конструктор агентів
— агент = модель + prompt + skills + output schema (Security / Performance / Junior Mentor reviewers)
Skills Lab
— перевикористовувані навички-модулі (secret-leakage-gate, lethal-trifecta, pr-quality-rubric), що складаються в промпт
Evals
— тест-кейси для агента: симулюють діф і ассертять очікуваний вивід, із pass/fail, часом і вартістю
Multi-Agent Review
— один PR паралельно через усіх агентів (fan-out на worktrees) + секція «Where agents disagree»
Repo Intelligence
— auto-onboarding по репо, індексація PRD як grounding, Conformance Report (Implemented / Missing / Scope creep)
Memory (pgvector)
— курована пам'ять рішень і конвенцій, яку агенти підтягують у рев'ю
Ops-шар
— Run Trace з токенами й вартістю, accept-rate як сигнал якості, Export to CI (GitHub Actions / CircleCI / Jenkins)
До навчання vs Після
Ви будуєте власну інженерну систему, де AI-агенти — члени команди з ролями, обмеженнями та чіткою комунікацією
До навчання:
Промпт → AI генерує код → 40 хв review → rework
Виправляєте AI на одній помилці втретє
"AI зробив, мабуть, правильно" + 100% coverage
Міграція з однієї бібліотеки на іншу (близько 50 файлів) за місяць
"AI = швидше" як єдиний момент чому нам потрібен АІ
Після навчання:
5 агентів паралельно, або послідовно -> Code reviewer + security check на CI
Записуєте Skill — AI дотримується автоматично, для всієї команди
Hooks блокують поганий код, plan-verifier блокує merge, evals ловлять regression
Worktree fan-out -> Worktrees, паралельні агенти, controlled merge - та ж міграція за тиждень
Прозоре та зрозуміле контролювання бюджету по кожному створенню фічі за допомогою АІ. Розуміння контекст менеджменту та як він впливає на бюджет.
4 тижні. 8 занять. 6 артефактів
ARTIFACT · 01
Deployed Product — DevDigest
Повноцінний web-app: GitHub OAuth, збір PR/issues/commits за тиждень, LLM-generated summary через Anthropic API, доставка в Slack або email. Deployed на Vercel + Railway.
Proof-of-skill у портфоліо і на співбесіді
ARTIFACT · 02
Distributable Harness Plugin
Skills + Subagents + MCP + Hooks + Commands + CLAUDE.md template — упаковані в один artifact. Ставиться на чужу машину однією командою через private marketplace.
Tech Lead роздає команді з понеділка
ARTIFACT · 03
Plan-Verifier у GitHub Actions
Блокує merge, якщо implementation не відповідає spec. Completeness %. File:line issues. Реальна quality gate — не checklist у Notion.
Review cycles до 1–2 ітерацій
ARTIFACT · 04
20-Trace Eval Pipeline
Для LLM-powered features: збираємо 20 трейсів → кластеризуємо за типами помилок → binary judge (pass/fail) → CI як індикатор деградації між PR. Husain & Shankar Jan 2026 methodology.
Regression detection до production
ARTIFACT · 05
Cost Engineering Audit
Model routing (Haiku / Sonnet / Opus), prompt caching, batch API. Референс: $17.42 за повний feature (задокументована практика). Де 30%+ зайвих витрат у вашому workflow.
Знаєш точно скільки коштує кожна фіча — і де скоротити 30%+ без втрати якості
ARTIFACT · 06
30-Day Rollout Doc
Готовий план для команди з понеділка. 10 measurable metrics: time-to-PR, CI pass rate, rework rate, cost per task, cache hit ratio, model routing distribution.
Tech Lead-ready, можна показати VP Engineering
Перший Sprint
пройшли 77 інженерів
Хто навчався на Sprint
30%
Team Leads, що масштабують AI у своїх командах
17%
Senior Engineers
27%
Middle Engineers
19%
Інженери із суміжних напрямів
8%
Повертаються в індустрію
Що пишуть учасники
Вартість 4-тижневого Production AI Harness Sprint
4 тижні / 8 уроків
— теорія + практика і pre-work модуль
DevDigest у твоєму CI
— робоча AI-платформа code review з власними агентами
2 автономні агенти-рев'юери
+ evals + плагін, який команда ставить одним файлом
Готові Skills, промпти й конфіги
— забираєш і застосовуєш з першого дня
Навчає інженер, що будує AI-агентів у проді
— Netflix, два єдинороги
Старт потоку: 14 вересня
Звичайна вартість €690 €770
Зараз відкрита можливість
запису за Early Bird умовами
Залишилось місць
10 / 50
БОНУС:
Залік у магістратуру Neoversity (EQF7, EU диплом)
спеціальна вартість для випускників курсу
Все, що ви хотіли знати про Neoversity
Neoversity — це перший в Україні AI-driven онлайн IT-університет з міжнародною акредитацією.
Програми університету готують фахівців, здатних створювати й упроваджувати власні стартап-проєкти
Програми університету готують фахівців, здатних створювати й упроваджувати власні стартап-проєкти
1500+
студентів навчаються на бакалаврських та магістерських програмах за 2024-2025 роки
76%
студентів магістратури працюють на Middle, Senior чи Lead-позиціях у Google, Meta, Microsoft, EPAM, SoftServe, N-iX, Ciklum і засновують власні стартапи.
Резидент
Diia.City
Кращий EdTech 2024
Next
250
За підтримки інвестицій
Вчіться у тих, хто сьогодні створює AI-майбутнє
Компанії, де працюють ваші майбутні одногрупники
Зазвичай питають перед стартом навчання
У мене зараз багато проєктів. Чи реально вкластись у 4 тижні?
Час на курс: ~3 год live + 5–7 год take-home на тиждень. Заняття 06 і 08 — найважчі (6 год). Усе take-home робиться на capstone DevDigest, який потім працює як портфоліо. Якщо ви зараз шипите фічі через AI без harness — ви вже витрачаєте більше часу на rework, ніж витратите на курс.
Я не впевнений, що дотягую до Mid/Senior. Чи варто йти?
Якщо ви самостійно берете фічі, проходите PR review та маєте досвід з CI/CD — ви готові. Якщо ви ще не пишете тести або не робили PR — спочатку базові курси, потім сюди. Ми не робимо знижку на рівень: програма повноцінно Mid/Senior, і ціль — щоб після курсу ви були не "ще один dev з AI", а той, хто веде команду в нову епоху.
Я вже використовую Cursor / Claude Code щодня. Що нового я тут отримаю?
Ви, ймовірно, вже у топ-30% інженерів. Курс не вчить "як натиснути Tab". Він вчить проєктувати систему: 4-pillar harness, 5-phase workflow, Hub-vs-Mesh decision criteria, plan-verifier у CI, 20-trace evals, cost engineering. Це інженерія процесу, не використання інструменту.
AI-курси зазвичай застарівають за місяць. Чи цей теж?
Конкретні фічі інструментів — так, оновлюються щомісяця. Тому ми вчимо stable framework: 4-pillar harness, 5-phase workflow, SDD discipline, verification у CI, eval-driven development. Це залишається robust протягом 2026 і далі. Конкретні версії tools — plug-in контент, який оновлюємо між запусками.
Скільки коштує курс і чи можна оплатити через компанію?
770 євро за студента (одна дисципліна). Можна оплатити через компанію — даємо рахунок та опис програми. Для команд від 5 людей — пропозиція через сейлз. API budget (~$50 на Anthropic + OpenAI) і Cursor / Claude Code Pro — окремо, але часто покривається роботодавцем.
Що якщо я не встигну виконати take-home?
Усі live-сесії записуються. Take-home — на ваше темпо. Капстон оцінюється по rubric, не по deadline. Але важливо: цінність курсу — у виконанні, не в матеріалах. Якщо ви не зробите hands-on labs — ви забудете 80% за тиждень. Це normal для будь-якого hands-on курсу.
Чи можна на власному production проєкті замість DevDigest?
Так, з дозволу роботодавця. Capstone оцінюється по rubric (15 пунктів). Ви робите ті ж 8 milestones на власному repo. ~30–40% когорти зазвичай обирає альтернативний трек. Виграш: ROI з курсу видно вже на третьому тижні — ваша команда бачить результат.
Безкоштовно при записі на консультацію
2-годинний практикум
«Нова роль розробника в епоху Agent Teams та Spec-Driven Development»
Іван Лапа
UI Engineer L5 у Netflix
Парадокс продуктивності — реальні дані
Чому 84% використовують AI але лише 29% довіряють. METR: відчуваєш +20%, по факту -19%
Live демо: мульти-агентна фіча за 5 кроків
Від spec до merge-ready PR. Вартість демо: $17.42 за повний feature (12.4M токенів)
Agent Teams: як не масштабувати хаос
5 сигналів що команда не готова + що побудувати першим
Є питання про курс?
Запишись на консультацію — розберемо твій стек, рівень і чи підходить курс саме тобі та отримай практикум одразу після заповнення форми.
30 хв • безкоштовно
Практикум — одразу після запису
Ваш шлях в AI Agentic Engineering починається тут
Залишайте заявку щоб зайняти місце за спеціальними умовами або отримати консультацію
Іван Лапа
UI Engineer L5 у Netflix
11+ років у сфері
11+ років у сфері
8 занять, 6 production-ready артефактів — від deployed product до plan-verifier у CI
Deployed product під час навчання який можна показати на співбесіді
Все щоб запустити AI Engineering workflow на реальному проєкті наступного понеділка
Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.
