hardandsoft@hardsoftskills.dev
Certificate of Hard&Soft Skills
]
[
This certificate confirms that
Alexandra Nikonova
participated in the course
«‎AI-Driven Development»‎
lasting 7 weeks

Teacher of The Course
]
[
Product Manager & AI Creator
Sergey Golubev
Technical Product Manager with 16+ years in IT. Started as a QA engineer, led a QA department for 10 years, then moved into product management. For the past 3 years he has been actively adopting AI into development processes, building his own products and agent systems. Author of a Telegram channel on AI tools.

Experience:

  • Senior Product Manager at an international B2B IT company
  • Head of QA
  • Rolling out AI tools across development processes
  • Speaker and mentor at AI workshops and hackathons
The course programme included:
]
[
Module 1. Mapping the Terrain: Trends and Horizons

We learn to navigate the 2026 model landscape, calculate the economics of our own work, and design prompts as engineering artifacts.

  • A systematic overview of the landscape: the key proprietary and open-weight players of 2026, reading benchmarks, the difference between executor models and reasoning models, choosing a model for the task.
  • Trends: from chatbots to agentic workflows: three waves of AI tools, how an agent differs from a chatbot, the MCP/A2A protocols, orchestration frameworks, the rise of SLMs, and forecasts for 2027–2028.
  • The economics of your own work: where AI really speeds you up and where it slows you down – measurements from the Copilot RCT, the Google RCT, METR 2025, and a personal calculation of subscription payback.
  • Prompting as design: Chain-of-Thought and its variants, system roles, meta-prompting and auto-optimization, fighting hallucinations and context rot.
  • Practice: five prompting techniques (zero-shot, system persona, chain of thought, few-shot, self-correction) applied to two end-to-end work scenarios.

Module 2. Deep Dive into AI IDEs

We turn the IDE into a full-fledged digital teammate that understands the context of the entire project.

  • Cursor vs Windsurf vs Copilot: a comparison by architecture, context models, agentic capabilities, code generation, price, and security, plus principles for choosing a tool.
  • Setting up the environment: the evolution of .cursorrules, types and architecture of rules, code standards, Memory Bank, team practices and Skills, equivalents in Windsurf and Copilot.
  • AI in the terminal: Copilot CLI, sgpt, Aider, Claude Code, Warp – automating console routine, agentic workflows, security, and selection criteria.
  • Practice: walk into an unfamiliar "messy" project and clean it up in one evening with almost no hand-written code – submitted as a public GitHub fork with a report.

Module 3. Using Ready-Made MCP Servers

Model Context Protocol in practice: we connect ready-made servers to the IDE and build a minimal one of our own with FastMCP.

  • Connecting via MCP: the M×N integration problem, the architecture and three primitives, lifecycle, transports, connecting to real systems, security and trade-offs.
  • Workshop "MCP in 10 minutes": your own MCP server in Python (FastMCP) and TypeScript – from choosing an SDK and designing contracts to launch, debugging, and monitoring.
  • Practice: a minimal MCP server with 2–3 tools for managing the key entity of your course project – the artifact is reused in Modules 4 and 6.

Module 4. Zero-Coding UI: From Design to Code

We build interfaces without hand-coding the layout – from prompts, Figma, and design tokens.

  • Prompt-to-UI: v0.dev, Bolt.new, Lovable, Claude Design, Google Stitch, Pencil Dev – a selection matrix, pricing and the 2026 stack, senior-level prompting practices, security risks, and vendor lock-in.
  • Figma + code: the Figma MCP server, plugins and VS Code, W3C DTCG design tokens, a two-way pipeline, Code Connect and Skills, production scenarios.
  • An interface for automations: quickly building an admin panel for internal scripts and AI agents – from choosing an approach to architecture, security, monitoring, and deployment.
  • Practice: a unified design system on the course project's frontend, an entity management dashboard, and a DESIGN.md embedded in the IDE rules file.

Module 5. AI in Development Processes

We delegate code review, documentation, and tests to AI – embedding AI into the team's daily process.

  • AI Code Review: the limits of static analyzers, the 2026 tool market, a reference architecture, prompt instructions, CI/CD integration, and multi-agent review.
  • Living documentation and knowledge base: documentation-as-pipeline, two documentation contracts (for humans and for agents), README/API/ADR, automating changelogs and release notes, quality metrics.
  • Synthetic Testing: generating test plans, test cases, and test data with AI, multi-agent pipelines, PBT, mutation testing, load testing, and fuzzing.
  • Spec-Driven Development: AI works from a specification rather than scattered prompts – connecting the analyst's work with AI from requirements to plan, code, and tests.
  • Practice: the "Controller Agent" assignment in 4 stages (~7–9 hours) – multi-agent code review, fixing the top 3 findings, living documentation, and test generation by a test agent.

Module 6. Agents and n8n: Building an Orchestrator

We turn the project from a set of tools into an autonomous system capable of making decisions.

  • Anatomy of an agent: how a simple LLM call differs from an agent loop, the ReAct and Plan-and-Execute architectures, memory management, error handling, the 2026 framework landscape, and the Replit production incident.
  • Low-code orchestration in n8n: workflow architecture, the rule for choosing an integration, working with MCP in both directions, data passing, debugging, monitoring, and an end-to-end support agent case.
  • State management: why an agent needs state, user isolation, and choosing a memory type along with its economics.
  • UI + Agent + MCP: an end-to-end architecture with streaming, orchestration in n8n, deterministic guardrails, observability, and evals – using a task automation assistant as the example.
  • Practice: two n8n workflows on the course project that close the MCP + Dashboard + Agent loop, with a hallucination test and two Claude Code subagents.

Module 7. Strategy: Legacy and Adoption

The strategic finale: AI modernization of legacy code, the corporate security minimum, and adopting AI in your team.

  • Strategies for working with legacy: seven rules of safe refactoring, a five-phase framework based on ExecPlan, the tool landscape, Claude Code playbooks, typical failures, and public cases from 2024–2026.
  • Security in a corporate environment: why leading tools are incompatible with strict NDAs by default (the Samsung case), data classification – what can be sent to the cloud, retention, and provider limitations.
  • Adoption in the team: a pilot with baselines and criteria defined before launch, overcoming resistance, differences across engineer levels, and measurement pitfalls.
Сертификат Hard&Soft Skills
]
[
Сертификат подтверждает, что
Александра Никонова
прослушала курс
«‎AI-Driven Development»
продолжительностью 7 недель
[
Преподаватель курса
]
Product Manager & AI Creator
Сергей Голубев
Technical Product Manager с 16+ годами в IT. Начинал как QA-инженер, 10 лет руководил QA-отделом, потом перешёл в продакт-менеджмент. Последние 3 года активно внедряет AI в процессы разработки, создаёт собственные продукты и агентские системы. Автор Telegram-канала об AI-инструментах.

Опыт работы:
  • Senior Product Manager в международной B2B IT-компании
  • Руководитель QA-отдела
  • Внедрение AI-инструментов в процессы разработки
  • Спикер и ментор на воркшопах и хакатонах по AI
Пройденная программа курса
]
[
Модуль 1. Карта местности: Тренды и горизонты

Учимся ориентироваться в ландшафте моделей 2026, считать экономику своего труда и проектировать промпты как инженерные артефакты.

  • Системный обзор ландшафта: ключевые проприетарные и open-weight игроки 2026, чтение бенчмарков, разница между моделями-исполнителями и думающими моделями, выбор модели под задачу.
  • Тренды: от чат-ботов к agentic workflows: три волны AI-инструментов, отличия агента от чат-бота, протоколы MCP/A2A, фреймворки оркестрации, рост SLM и прогнозы на 2027–2028.
  • Экономика своего труда: где AI реально ускоряет, а где замедляет – измерения Copilot RCT, Google RCT, METR 2025 и личный расчёт окупаемости подписок.
  • Промптинг как проектирование: Chain-of-Thought и его варианты, системные роли, мета-промптинг и автооптимизация, борьба с галлюцинациями и context rot.
  • Практика: пять техник промптинга (zero-shot, system persona, chain of thought, few-shot, self-correction) на двух сквозных рабочих ситуациях.

Модуль 2. Погружение в AI-IDE

Превращаем IDE в полноценного цифрового напарника, который понимает контекст всего проекта.

  • Cursor vs Windsurf vs Copilot: сравнение по архитектуре, контекстным моделям, агентным возможностям, кодогенерации, цене и безопасности + принципы выбора инструмента.
  • Настройка окружения: эволюция .cursorrules, типы и архитектура правил, стандарты кода, Memory Bank, командные практики и Skills, аналоги в Windsurf и Copilot.
  • AI в терминале: Copilot CLI, sgpt, Aider, Claude Code, Warp – автоматизация консольной рутины, agentic workflows, безопасность и критерии выбора.
  • Практика: прийти в незнакомый «грязный» проект и за вечер привести его в порядок почти без ручного написания кода – сдаётся публичным форком на GitHub с отчётом.

Модуль 3. Использование готовых MCP

Model Context Protocol на практике: подключаем готовые серверы к IDE и собираем простейший свой на FastMCP.

  • Подключение через MCP: проблема M×N интеграций, архитектура и три примитива, жизненный цикл, транспорты, подключение к реальным системам, безопасность и trade-offs.
  • Практикум «MCP за 10 минут»: свой MCP-сервер на Python (FastMCP) и TypeScript – от выбора SDK и проектирования контрактов до запуска, отладки и мониторинга.
  • Практика: простейший MCP-сервер с 2–3 tools для управления ключевой сущностью своего курсового проекта – артефакт переиспользуется в модулях 4 и 6.

Модуль 4. Zero-Coding UI: От дизайна до кода

Собираем интерфейсы без ручной верстки – из промптов, Figma и дизайн-токенов.

  • Prompt-to-UI: v0.dev, Bolt.new, Lovable, Claude Design, Google Stitch, Pencil Dev – матрица выбора, тарифы и стек 2026, Senior-практики промптинга, риски безопасности и vendor lock-in.
  • Связка Figma + code: Figma MCP server, плагины и VS Code, дизайн-токены W3C DTCG, двусторонний пайплайн, Code Connect и Skills, продакшн-сценарии.
  • Интерфейс для автоматизаций: быстрая сборка админки для внутренних скриптов и AI-агентов – от выбора подхода до архитектуры, безопасности, мониторинга и деплоя.
  • Практика: единая дизайн-система на фронтенде курсового проекта, дашборд управления сущностями и DESIGN.md, внедрённый в rules-файл IDE.

Модуль 5. AI в процессах разработки

Делегируем AI ревью кода, документацию и тесты – встраиваем AI в ежедневный процесс команды.

  • AI Code Review: границы статических анализаторов, рынок инструментов 2026, эталонная архитектура, промпт-инструкции, интеграция в CI/CD и многоагентная проверка.
  • Живая документация и knowledge base: documentation-as-pipeline, два контракта документации (для людей и для агентов), README/API/ADR, автоматизация changelog и release notes, метрики качества.
  • Synthetic Testing: генерация тест-планов, тест-кейсов и тестовых данных с AI, многоагентные пайплайны, PBT, мутационное тестирование, нагрузочное тестирование и фаззинг.
  • Spec-Driven Development: AI работает не от разрозненных промптов, а от спецификации – связка работы аналитика и AI от требований до плана, кода и тестов.
  • Практика: задание «Агент-Контролёр» из 4 этапов (~7–9 часов) – multi-agent code review, починка топ-3 находок, живая документация и генерация тестов test-агентом.

Модуль 6. Агенты и n8n: собираем оркестратор

Превращаем проект из набора инструментов в автономную систему, способную принимать решения.

  • Анатомия агента: отличие простого вызова LLM от агентского цикла, архитектуры ReAct и Plan-and-Execute, управление памятью, обработка ошибок, ландшафт фреймворков 2026 и продакшн-инцидент Replit.
  • Low-code оркестрация в n8n: архитектура рабочего процесса, правило выбора интеграции, работа с MCP в обе стороны, передача данных, отладка, мониторинг и сквозной кейс агента поддержки.
  • Управление состоянием: зачем агенту состояние, изоляция пользователей и выбор типа памяти с его экономикой.
  • Связка UI + Агент + MCP: сквозная архитектура с потоковой передачей, оркестрация в n8n, детерминированные защитные слои, observability и eval – на примере ассистента автоматизации задач.
  • Практика: два n8n-workflow на курсовом проекте, замыкающие связку MCP + Dashboard + Agent, с тестом на галлюцинации и двумя Claude Code-субагентами.

Модуль 7. Стратегия: Legacy и внедрение

Стратегический финал: AI-модернизация legacy, корпоративный минимум безопасности и внедрение AI в своей команде.

  • Стратегии работы с legacy: семь правил безопасного рефакторинга, пятифазный фреймворк на ExecPlan, ландшафт инструментов, плейбуки Claude Code, типовые сбои и публичные кейсы 2024–2026.
  • Безопасность в корпоративной среде: почему ведущие инструменты несовместимы с жёсткими NDA по умолчанию (кейс Samsung), классификация данных – что можно отправлять в облако, retention и ограничения провайдеров.
  • Внедрение в команде: пилот с опорными значениями и критериями до старта, преодоление сопротивления, различия по уровням инженеров и ловушки измерения.