Section 1. Architecture and Business

1. Context of an Architect's Work

• Essence and Context: Architecture definition, types (Solution, Enterprise, System), and value creation.
• Methodologies and Stakeholders: Adapting frameworks (TOGAF, Zachman) and stakeholder expectation management.
• Paradigm Shift in the AI Era:

1. Code as Liability: Shifting focus from writing to verification and integration.
2. Probabilistic Architecture: Designing non-deterministic systems and risk management.
3. Domain Authority: Deep business understanding is more important than syntax.
4. Guardrails: Setting boundaries for autonomous agents.
5. New Primitives: Multi-agent systems, RAG, MCP.
6. AI-Readiness: Designing systems understandable for AI (Documentation as Code).

2. Requirements Management

• Classical Requirements: Functional, non-functional, constraints, and Utility tree.
• Intent Formulation: Formulating intentions and goals for AI agents instead of rigid scripts.
• New NFRs for AI Systems:

1. Probabilistic outcomes: Working with non-deterministic behavior.
2. Latency & UX: Specifics of streaming and long-running operations.
3. Cost constraints: Token economics.
4. Safety & Alignment: Protection against injections and ethical constraints.

3. Technological Strategy and Architecture

• Styles and Patterns: Monolith, microservices, EDA, serverless, and distributed system patterns.
• Quality and Tactics: Ensuring Availability, Performance, and Scalability in distributed systems.
• Strategy and Development: Technological strategy, Roadmap, and Reference Architecture.
• Change Management: Working with stakeholders, initiatives, and implementing changes.
• Design Process: Decision-making algorithms and typical architectural solutions.

Section 2. Architecture in the AI Era

4. AI Architectural Stack: Foundation Models and Infrastructure

• Layers of the AI Stack:

1. Foundation Models (LLM, LMM, SLM): Selection criteria.
2. Orchestration Frameworks: Role in architecture.
3. Vector Databases & RAG Infrastructure: Architectural patterns for knowledge storage.
4. Serving Layer: API Gateway for AI, Caching, Rate limiting.

• Interaction Patterns: Prompt engineering vs. fine-tuning vs. RAG — when and what to apply.
• Infrastructure Challenges: GPU vs. CPU inference, quantization, self-hosting vs. API.
• Data Strategy for AI: Preparing unstructured data, data pipelines for embeddings.

5. Designing Agents, Multi-Agent Systems, and Tools (MCP)

• From Single Prompts to Agents: Cognitive architecture pattern: designing memory, planning, and tools.
• Agent Types: ReAct, Plan-and-Solve, Reflexion.
• Agent Orchestration:

1. Interaction patterns: Hierarchical, Collaborative, Competitive.
2. State management and context transfer between agents.

• Model Context Protocol (MCP):

1. Standardizing data connection to LLMs.
2. MCP server and client architecture.
3. Securely providing tools to agents.

• Complexity and Debugging: Chain of Thought tracing, Observability for agents.

6. Operational AI Architecture: FinOps, Security, and Quality

• AI FinOps:

1. Pricing models (per token, per hour, provisioned throughput).
2. Cost monitoring and optimization (Caching, Routing, Model cascading).
3. Unit economics of AI features.

• Safety & Security:

1. Attack vectors: Prompt Injection, Jailbreak, Data Poisoning.
2. Architectural defense patterns: Input/Output Guardrails, Sanitization layers.
3. Privacy Preserving AI: PII masking, Local processing.

• Evaluation & Testing:

1. Paradigm shift in testing: From Unit tests to Evals (evaluating generation quality).
2. Metrics: RAGAS, BLEU/ROUGE (where applicable), LLM-as-a-judge.
3. Dataset management: Creating Golden Datasets for change validation.

7. Advanced Patterns, Optimization, and AI-assisted Design

• Architecting with AI: Using AI during system design.
• Optimization Techniques:

1. Prompt optimization and Prompt Caching.
2. Speculative decoding and request parallelization.
3. Distillation: Transferring knowledge from a large model to a smaller one for speed and cost.

• Probabilistic Engineering:

1. Uncertainty management: Retry policies, Fallback strategies.
2. Architectural antipatterns: Hallucination amplification, Context overflow.
3. Hybrid architectures: Neuro-symbolic approaches (combining code and LLM).

Section 3. Organization, Communication, and Culture

8. Organizational Analysis

• Structure and Culture: Types of culture, values, and finding your place in the organization.
• Expectation Management and Career: Goals, agreements, and an architect's path.
• Stakeholder Management: Identifying key individuals and managing their influence.
• Reality and Antipatterns: Cursed roles, sabotage of solutions, inflated expectations, and incompetence.

9. Trust in the Architect and Justification of Decisions

• Trust and Influence: Boundaries of responsibility, demonstrating vision, and earning trust.
• Communication: Effective interaction with business, the team, and infrastructure.
• Decision Making: Comparison tables, justification of choices, and preventing unnecessary questions.
• Presentation and Sales: Techniques for defending architectural solutions.
• Pet Projects: The role of personal practice in development and authority.

10. Architectural Process

• Artifacts and Standards: Strategy, Roadmap, ADR, HLD/LLD, and templates (Architecture Proposal).
• Collaborative Design: Event Storming, DDD, and Cross-review of solutions.
• Documentation as Context: Creating documentation understandable to humans and AI agents (RAG).
• MCP and Tools: Context standardization and architectural support tools.
• Shift from Creation to Review: Changing role to validating AI solutions and finding logical errors.
• Governance: Hierarchy of architects, Architecture Board, and standards.
• Processes in Reality: Working with legacy documentation, resistance, and tacit knowledge.

11. Evolution of Architecture in the Real World

• Company Evolution: From a startup (10-50 engineers) to an enterprise (500+ engineers).
• Project Types: Outsource, product development, integration, and digital transformation.
• Legacy and Tech Debt: Refactoring strategies and balancing with new features.
• AI in the Real World:

1. Legacy + AI: Using AI for refactoring (auto-tests, code explanation).
2. Buy vs. Build in AI: Strategy selection (Proprietary Models vs. Open Source).

• Complex Situations: Conflicts with product/infra, changing an architect, and burnout.

12. Trends and Transformation of the Architect Profession

• Threats and Opportunities: Will AI replace the architect?
• Shift in Competency Profile:

1. Decreased weight of pure coding.
2. Growing importance of systems thinking, Data Science, and ethics.

• New Career Trajectories:

1. AI Architect / AI Solution Architect.
2. Prompt Architect / Engineer.
3. Chief AI Officer (CAIO).

• Learning Strategy: What to learn right now and what can be postponed.
• Working in Hybrid Teams: Interacting with AI agents as new team members.
• Impact on the Job Market: Changing salary ranges, demand for integrator architects.
• Future of Tools: From IDEs to Agentic Development Environments and the role of the architect in setting up the development environment.

Раздел 1. Архитектура и бизнес

1. Контекст работы архитектора

• Суть и контекст: определение архитектуры, виды (Solution, Enterprise, System) и создание ценности.
• Методологии и стейкхолдеры: Адаптация фреймворков (TOGAF, Zachman) и управление ожиданиями стейкхолдеров.
• Смена парадигмы в эпоху AI

1. Code as Liability: сдвиг фокуса с написания на верификацию и интеграцию.
2. Вероятностная архитектура: проектирование недетерминированных систем и управление рисками.
3. Domain Authority: глубокое понимание бизнеса важнее синтаксиса.
4. Guardrails: задание границ для автономных агентов.
5. Новые примитивы: мультиагентные системы, RAG, MCP.
6. AI-Readiness: проектирование систем, понятных для AI (Documentation as Code).

2. Управление требованиями

• Классические требования: функциональные, нефункциональные, ограничения и Utility tree.
• Intent Formulation: формулирование намерений и целей для AI-агентов вместо жестких скриптов.
• Новые NFR для AI-систем

1. Probabilistic outcomes: работа с недетерминированным поведением.
2. Latency & UX: особенности стриминга и длительных операций.
3. Cost constraints: экономика токенов.
4. Safety & Alignment: защита от инъекций и этические ограничения.

3. Технологическая стратегия и архитектура

• Стили и паттерны: монолит, микросервисы, EDA, serverless и паттерны распределенных систем.
• Качество и тактики: обеспечение Availability, Performance, Scalability в распределенных системах.
• Стратегия и развитие: технологическая стратегия, Roadmap и Reference Architecture.
• Управление изменениями: работа со стейкхолдерами, инициативами и внедрение изменений.
• Процесс проектирования: алгоритмы принятия решений и типовые архитектурные решения.

Раздел 2. Архитектура в эпоху AI

4. Архитектурный стек AI: foundation Models и инфраструктура

• Уровни абстракции AI стека

1. Foundation Models (LLM, LMM, SLM): критерии выбора
2. Orchestration Frameworks: роль в архитектуре
3. Vector Databases & RAG Infrastructure: архитектурные паттерны хранения знаний
4. Serving Layer: API Gateway для AI, Caching, Rate limiting

• Паттерны взаимодействия: prompt engineering vs fine-tuning vs RAG — когда и что применять
• Инфраструктурные вызовы: GPU vs CPU inference, quantization, self-hosting vs API
• Data Strategy для AI: подготовка неструктурированных данных, data pipelines для эмбеддингов

5. Проектирование Агентов, Мультиагентных систем и Инструментов (MCP)

• От одиночных промптов к агентам: архитектурный паттерн cognitive architecture: проектирование memory, planning и tools
• Типы агентов: ReAct, Plan-and-Solve, Reflexion
• Оркестрация агентов

1. Паттерны взаимодействия: Hierarchical, Collaborative, Competitive
2. Управление состоянием и передача контекста между агентами

• Model Context Protocol (MCP)

1. Стандартизация подключения данных к LLM
2. Архитектура MCP сервера и клиента
3. Безопасное предоставление инструментов (Tools) агентам

• Сложность и дебаг: Трассировка цепочек рассуждений (Chain of Thought), Observability для агентов

6. Операционная архитектура AI: FinOps, Безопасность и Качество

• AI FinOps

1. Модели ценообразования (per token, per hour, provisioned throughput)
2. Мониторинг и оптимизация расходов (Caching, Routing, Model cascading)
3. Unit economics AI-фичи

• Safety & Security

1. Векторы атак: Prompt Injection, Jailbreak, Data Poisoning
2. Архитектурные паттерны защиты: Input/Output Guardrails, Sanitization layers
3. Privacy Preserving AI: PII masking, Local processing

• Evaluation & Testing

1. Сдвиг парадигмы тестирования: от Unit-тестов к Evals (оценка качества генерации)
2. Метрики: RAGAS, BLEU/ROUGE (где применимы), LLM-as-a-judge
3. Dataset management: создание Golden Datasets для валидации изменений

7. Продвинутые паттерны, Оптимизация и AI-assisted Design

• Architecting with AI: использование AI во время дизайна системы
• Optimization Techniques

1. Prompt optimization и Prompt Caching
2. Speculative decoding и параллелизация запросов
3. Distillation: перенос знаний из большой модели в маленькую для скорости и дешевизны

• Probabilistic Engineering

1. Управление неопределенностью: Retry policies, Fallback strategies
2. Архитектурные антипаттерны: Hallucination amplification, Context overflow
3. Hybrid architectures: Neuro-symbolic approaches (сочетание кода и LLM)

Раздел 3. Организация, коммуникации и культура

8. Анализ организации

• Структура и культура: виды культур, ценности и определение своего места в организации.
• Управление ожиданиями и карьера: цели, договоренности и путь архитектора.
• Работа со стейкхолдерами: выявление ключевых лиц и управление их влиянием.
• Реальность и антипаттерны: проклятые роли, саботаж решений, завышенные ожидания и некомпетентность.

9. Доверие к архитектору и обоснование решений

• Доверие и влияние: границы ответственности, демонстрация кругозора и завоевание доверия.
• Коммуникации: эффективное взаимодействие с бизнесом, командой и инфраструктурой.
• Принятие решений: comparison tables, обоснование выбора и предотвращение лишних вопросов.
• Презентация и продажа: приемы защиты архитектурных решений.
• Pet-проекты: роль личной практики в развитии и авторитете архитектора.

10. Архитектурный процесс

• Артефакты и стандарты: Strategy, Roadmap, ADR, HLD/LLD и шаблоны (Architecture Proposal).
• Совместное проектирование: Event Storming, DDD и Cross-review решений.
• Documentation as Context: cоздание документации, понятной людям и AI-агентам (RAG).
• MCP и инструменты: cтандартизация контекста и инструменты поддержки архитектуры.
• Shift from Creation to Review: cмена роли на валидацию AI-решений и поиск логических ошибок.
• Governance: иерархия архитекторов, Architecture Board и стандарты.
• Процессы в реальности: работа с устаревшей документацией, сопротивлением и знаниями в голове.

11. Эволюция архитектуры в реальном мире

• Эволюция компаний: от стартапа (10-50 инженеров) до энтерпрайза (500+ инженеров).
• Типы проектов: аутсорс, продуктовая разработка, интеграция и цифровая трансформация.
• Legacy и техдолг: стратегии рефакторинга и баланс с новыми фичами.
• AI в реальном мире

1. Legacy + AI: использование AI для рефакторинга (автотесты, объяснение кода).
2. Buy vs Build in AI: стратегия выбора (Proprietary Models vs Open Source).

• Сложные ситуации: конфликты с продуктом/инфрой, смена архитектора и выгорание.

12. Тренды и трансформация профессии Архитектора

• Угрозы и возможности: заменит ли AI архитектора?
• Сдвиг профиля компетенций

1. Снижение веса чистого кодинга
2. Рост важности системного мышления, Data Science и этики

• Новые карьерные траектории

1. AI Architect / AI Solution Architect
2. Prompt Architect / Engineer
3. Chief AI Officer (CAIO)

• Стратегия обучения: что учить прямо сейчас и что можно отложить
• Работа в гибридных командах: взаимодействие с AI-агентами как с новыми членами команды
• Влияние на рынок труда: изменение зарплатных вилок, спрос на архитекторов-интеграторов
• Будущее инструментов: от IDE к Agentic Development Environment и роль архитектора в настройке среды разработки