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

Teachers 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
Developer since 2003, has been teaching since 2008, training seniors and architects since 2018. He has shared expertise in more than 100 meetups and conferences.
Pavel is one of the founders of various communities of IT specialists, including ByChange, Free IT. He perfomed the roles of developer, team lead, architect, CTO in small startups, large corporations and product companies.

  • Architect: Miro, EPAM
  • CTO: AmadoAd Ltd., SplitMetrics, Leverice
  • Tech Advisor: LeoHome Inc.

Trained more than 1K developers over the past 15 years, including over 200 architects. Creates educational courses for many technical areas.

Specializations: distributed systems architecture, highload, microservice architectures, systems engineering, engineer growth, corporate communication.


Founding Teacher at Hard&Soft Skills
Pavel Veinik
The course programme included:
]
[
Module 1. Advanced MCP

We build our own MCP servers to integrate LLMs with any company infrastructure.

  • MCP architecture: how the Model Context Protocol works, the specification, and principles of building servers.
  • Development in Python / TypeScript: writing your own MCP servers from scratch, connecting to local databases and scripts.
  • MCP + skills + CLI: extending AI IDE capabilities with your own tools, using AI for product tasks.
  • Practice: writing an MCP server for an internal database and connecting it to Cursor / Windsurf.

Module 2. Context Management (RAG and CAG)

We learn to manage model context – from caching to full-fledged RAG on a local vector database.

  • Cache-Augmented Generation (CAG): Context is King, prompt caching, when CAG is enough.
  • When to introduce a vector database: criteria for choosing between CAG and RAG, typical scenarios and pitfalls.
  • Local vector databases: deploying Qdrant, core operations, choosing an embedding model.
  • Document preparation: chunking, cleaning, metadata – preparing a corpus for RAG.
  • Practice: optimizing queries and caches + a basic RAG pipeline on Qdrant with a document corpus.

Module 3. Agents and Context

We break down the anatomy of an agent and build a working assistant for prototypes and SMB tasks.

  • Anatomy of an agent: planning loops, tool use, basic architectures.
  • State management: passing data between agent runs, short-term and long-term memory.
  • AI chains in n8n: low-code automation, integrating LLMs into business processes.
  • Practice: building an analyst agent from scratch and assembling a request-processing pipeline in n8n.

Module 4. AI Solution Architecture

From product to enterprise scale – we design complex multi-agent systems.

  • Orchestration and ReAct: architecture patterns, agentic flows, the reasoning + acting loop.
  • Multi-agent architectures: interaction between multiple agents, the supervisor pattern, role separation.
  • Hybrid schemes: applying architectures in production, choosing an approach for the task.
  • Practice: building LLM reasoning logic and a multi-agent system of several AI agents.

Module 5. AI Frameworks and Tools

An overview of production frameworks – we move from prototypes to full-scale development.

  • LangChain and LangGraph: comparing the ecosystems, choosing a framework for the task.
  • Related technologies: Temporal for background and long-running tasks, process orchestration.
  • Migrating prototypes: moving from n8n to LangGraph code while preserving the logic.
  • Practice: migrating 2–3 agents of the course project from n8n to LangGraph.

Module 6. Testing and Observability

We learn to take LLM pipelines to production with metrics and observability.

  • Approaches to evals: testing LLM pipelines, key generation quality metrics.
  • Synthetic data: generating datasets with AI, LLM-as-a-Judge tests.
  • Monitoring and tracing: tools for LLMs (Langfuse and others), tracing agent chains.
  • Logging: analyzing model behavior in production, detecting regressions.
  • Practice: writing LLM-as-a-Judge tests and adding tracing to a RAG system.

Module 7. FinOps and Security

We calculate the economics of AI applications and close the main risks in a corporate environment.

  • API cost control: token consumption metrics, the main sources of overspending.
  • Feature economics: cost per request, payback, spending forecast.
  • Limit management: per-user budgets, rate limits, protection against runaway costs.
  • Protecting AI applications: prompt injections, data leaks, the main attack vectors.
  • RBAC and data security: separating agent permissions, protecting PII and sensitive information when working with LLMs.
  • Practice: setting up spending alerts + a security audit of an AI agent and fixing the vulnerabilities found.
Сертификат Hard&Soft Skills
]
[
Сертификат подтверждает, что
Лейла Велиева
прослушала курс
«‎Продуктовая AI-разработка»
продолжительностью 7 недель
[
Преподаватели 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
Разработчик с 2003 года, занимается обучением с 2008, обучением сеньоров и архитекторов с 2018. Делился экспертизой в более чем 100 митапов и конференций.
Павел стоит у основания различных сообществ IT специалистов, включая: ByChange, Free IT. Выполнял роли разработчика, тимлида, архитектора, СТО в небольших стартапах, крупных корпорациях и продуктовых компаниях:
Специализации: архитектура распределенных систем, highload, микросервисные архитектуры, системная инженерия, рост инженера, коммуникации в организации.
  • Architect: Miro, EPAM
  • CTO: AmadoAd Ltd., SplitMetrics, Leverice
  • Tech Advisor: LeoHome Inc.
  • Founder: Hard&Soft skills, ITStart, Amadoad Ltd.
Обучил более 1K разработчиков за последние 15 лет. Обучил более 200 архитекторов. Создает и проводит обучающие курсы для любых технических направлений.
Founding Teacher at Hard & Soft Skills
Павел Вейник
Пройденная программа курса
]
[
Модуль 1. Продвинутый MCP

Создаём собственные MCP-серверы для интеграции LLM с любой инфраструктурой компании.

  • Архитектура MCP: устройство Model Context Protocol, спецификация и принципы построения серверов.
  • Разработка на Python / TypeScript: написание собственных MCP-серверов с нуля, подключение к локальным БД и скриптам.
  • MCP + skills + CLI: расширение возможностей AI-IDE через свои инструменты, использование AI для продуктовых задач.
  • Практика: написание MCP-сервера для внутренней БД и подключение его в Cursor / Windsurf.

Модуль 2. Управление контекстом (RAG и CAG)

Учимся управлять контекстом моделей – от кэширования до полноценного RAG на локальной векторной БД.

  • Cache-Augmented Generation (CAG): Context is King, кэширование промптов, когда CAG достаточно.
  • Когда внедрять векторную БД: критерии выбора между CAG и RAG, типовые сценарии и подводные камни.
  • Локальные векторные БД: разворачивание Qdrant, основные операции, выбор модели эмбеддингов.
  • Подготовка документов: чанкование, очистка, метаданные – подготовка корпуса для RAG.
  • Практика: оптимизация запросов и кэшей + базовый RAG-пайплайн на Qdrant с корпусом документов.

Модуль 3. Агенты и контекст

Разбираем анатомию агента и собираем рабочего ассистента для прототипов и SMB-задач.

  • Анатомия агента: циклы планирования, использование тулов, базовые архитектуры.
  • Управление состоянием: передача данных между запусками агента, short-term и long-term память.
  • AI-цепочки в n8n: low-code автоматизация, интеграция LLM в бизнес-процессы.
  • Практика: разработка агента-аналитика с нуля и сборка пайплайна обработки заявок в n8n.

Модуль 4. Архитектура AI-решений

От продукта к enterprise-масштабу – проектируем сложные multiagent системы.

  • Оркестрация и ReAct: паттерны архитектуры, Agentic flows, цикл reasoning + acting.
  • Multiagent архитектуры: взаимодействие нескольких агентов, supervisor-паттерн, разделение ролей.
  • Гибридные схемы: применение архитектур в продакшене, выбор подхода под задачу.
  • Практика: сборка логики рассуждений LLM и multiagent системы из нескольких AI-агентов.

Модуль 5. Фреймворки и инструменты AI

Обзор production-фреймворков – переходим от прототипов к полноценной разработке.

  • LangChain и LangGraph: сравнение экосистем, выбор фреймворка под задачу.
  • Сопутствующие технологии: Temporal для фоновых и длинных задач, оркестрация процессов.
  • Перенос прототипов: миграция из n8n в код на LangGraph с сохранением логики.
  • Практика: перенос 2-3 агентов курсового проекта из n8n в LangGraph.

Модуль 6. Тестирование и Observability

Учимся выводить LLM-пайплайны в прод с метриками и наблюдаемостью.

  • Подходы к Evals: тестирование пайплайнов LLM, ключевые метрики качества генерации.
  • Синтетические данные: генерация датасетов с помощью AI, LLM-as-a-Judge тесты.
  • Мониторинг и трейсинг: инструменты для LLM (Langfuse и др.), трейсинг цепочек агентов.
  • Логирование: анализ поведения моделей в продакшене, выявление регрессий.
  • Практика: написание LLM-as-a-Judge тестов и внедрение трейсинга в RAG-систему.

Модуль 7. FinOps и Безопасность

Считаем экономику AI-приложений и закрываем основные риски в корпоративной среде.

  • Контроль затрат на API: метрики расхода токенов, основные источники переплат.
  • Расчёт экономики фичи: стоимость одного запроса, окупаемость, прогноз расходов.
  • Управление лимитами: бюджеты на пользователя, rate limits, защита от runaway-стоимости.
  • Защита AI-приложений: prompt injections, утечки данных, основные векторы атак.
  • RBAC и безопасность данных: разграничение прав агентов, защита PII и чувствительной информации при работе с LLM.
  • Практика: настройка алертинга на расходы + аудит безопасности AI-агента и закрытие найденных уязвимостей.