AI Agents Engineering

Здобудьте навички, достатні для роботи на позиції AI / LLM Developer, Backend Developer з поглибленою GenAI спеціалізацією, GenAI RAG Engineer, AI Product Engineer (Feature Development).

Протягом 6 тижнів навчіться:

Розробляти AI-агентів на Google ADK 2.0 Go SDK
 Проєктувати workflow-графи та багатоагентні системи
 Обирати архітектурний механізм під задачу
 Будувати Advanced RAG-конвеєри для складних документів
 Створювати coding agents із multi-critic feedback loops
 Працювати зі structured output, function calling і JSON-схемами

Зареєструватися

AI Agents Engineering

Старт курсу: 17 вересня

lecturer

Курс-upskill

  • Live Hands-on Series
  • Google ADK Go 2.0 (GA 30.06.2026)
  • 3 масштабні портфоліо-артефакти

До закінчення ранніх цін залишилося:

00 днів
00 годин
00 хвилин
00 секунд

Кому підійде курс?

  • Go-розробникам

    які хочуть увійти в AI-інженерію без зміни основної мови розробки та працювати з агентськими системами на Go ADK 2.0.

  • Backend-розробникам (Java, Rust, Python, TypeScript)

    які будують мікросервіси й хочуть інтегрувати ШІ в бізнес-логіку продуктів.

  • AI/LLM Engineers початкового рівня

    які створюють прості Python-скрипти або рішення на LangChain і хочуть перейти до проєктування типізованих, тестованих, production-ready агентських архітектур.

  • Data Engineers і Data Scientists

    які хочуть вийти за межі аналізу, ноутбуків і RAG-прототипів та застосовувати свою експертизу в розробці автономних AI-продуктів.

  • Platform Engineers з AI-амбіціями

    які працюють з інфраструктурою, Kubernetes та Istio і хочуть додати agent-платформи до своєї експертизи.

Станьте розробником, який проєктує логіку AI-агентів

Від backend-розробки до AI Agents Engineering

Класична backend-розробка змінюється: ШІ вже пише CRUD-код, а роль інженера зміщується від написання окремих фрагментів коду до проєктування систем, у яких AI стає частиною бізнес-логіки.

AI Agent Engineer — це фахівець, який не просто надсилає запити до LLM, а проєктує агентські архітектури: типізовані, тестовані, керовані та передбачувані.

Саме тому курс побудований на Google ADK 2.0 Go SDK. Цей стек дає інструменти, які потрібні для розробки AI-агентів не як окремих скриптів, а як керованих інженерних систем:

Передбачуваність даних — строга статична типізація Go, примусова генерація structured output з JSON-схемами на вузлах графа.
Архітектура управління — декларативна workflow-graph модель, event-sourced стан StateDelta та відтворюваність кожного кроку.
Продуктивність та деплой — один статичний бінарний файл Go, мінімальний runtime-слід, легка контейнеризація (~15MB image).
Обробка помилок — ідіоматична обробка помилок Go, вбудовані per-node ретраї/таймаути та семантичне самовідновлення (self-healing).

⚠️ Курс створено для розробників із досвідом в одній із бекенд-мов: Go, Java, Rust, Python, TypeScript.

Формат курсу

01

icon

6 навчальних модулів: програма охоплює 6 тижнів інтенсивної роботи

02

icon

12 занять: живі 90-хвилинні воркшопи разом із hands-on лабораторними

03

icon

12 мікроартефактів: практичне завдання після кожного заняття

04

icon

3 портфоліо-проєкти , які залишаються у вашому GitHub-репозиторії

05

icon

Додаткові матеріали для самостійного опрацювання

06

icon

Чат у Slack для взаємодії з навчальною спільнотою, викладачами та командою курсу

07

icon

Сертифікат англійською мовою

Переваги курсу

Максимум практики

Курс побудований за принципом learning by doing: ви не просто слухаєте про AI-агентів, а працюєте з кодом, workflow-графами, інструментами, RAG-конвеєрами та механізмами обробки помилок.

Упродовж навчання ви створюватимете практичні артефакти: багатоагентну систему на Go ADK 2.0, Agentic GraphRAG Engine і Self-Evolving Coding Agent.

Фокус на новому Go-стеку для AI-агентів

Курс зосереджений на Google ADK 2.0 Go SDK — стеку для розробки агентів, інструментів і функцій як вузлів workflow-графа.

Це не курс про базовий промптинг чи прості AI-скрипти. Ви працюватимете з підходами, які допомагають проєктувати AI-агентів як керовані інженерні системи: з типізацією, structured output, JSON-схемами, event-sourced станом, ретраями, таймаутами й тестованими вузлами.

Економіка та оптимізація AI-рішень

Курс вчить свідомо обирати моделі на основі вартості інференсу, латентності та контекстних обмежень. Окрема увага приділяється токеновій економіці й прихованим факторам вартості — зокрема тому, як зміни в токенізації можуть впливати на фактичну ціну роботи з моделлю.

Підготовка агентів до Enterprise-деплою

Створені на курсі агенти пакуються в ультра-легкі Docker-контейнери на базі образу Scratch (розмір ≈ 15MB) і можуть запускатися як HTTP-сервіси зі streaming-відповідями, health checks та graceful shutdown.

Це допомагає підготувати агентські рішення до запуску в сучасних production-середовищах, зокрема Kubernetes, і краще зрозуміти вимоги до роботи AI-агентів у продуктових командах.

Навчання у практика platform engineering

Автор і спікер курсу Дмитро Рашко має 25 років досвіду в IT, понад 5 років працює з Platform Engineering, Kubernetes, Istio та AIOps, а також має досвід Digital Transformation для T-Mobile, Telefónica, Vodafone та AT&T.

Зручна оплата частинами

Ви можете оплатити курс частинами — від 2 до 6 платежів на вибір. Це дозволяє комфортно інвестувати у своє професійне зростання.

Упізнаєте себе? Ось що змінить курс

Ерозія навичок через AI

Спроєктуєте архітектуру AI-систем тими самими інструментами, які вже знаєте (Go, статична типізація, CI/CD), замість написання рутинного коду.

Непередбачуваний текст LLM

Налаштуєте роботу з типізованими відповідями LLM через Go-структури з JSON-схемами замість парсингу довільного тексту.

Imperative-спагеті замість архітектури

Перейдете на графову модель ADK 2.0, де агенти й інструменти — тестовані вузли з умовною маршрутизацією, а не ланцюжки if-ів.

Агент має сам еволюціонувати

Опануєте динамічні workflow ADK 2.0 і формалізований, аудитований паттерн self-improvement.

RAG вашого продукту «галюцинує»

Побудуєте Advanced RAG-конвеєр і навчитеся визначати потрібний щабель retrieval maturity ladder під задачу.

Хочете лишитися в Go

Пройдете весь курс і всі лабораторні виключно на Go, без переходу в Python.

А на якому етапі зараз ви?

Шукаєте новий сенс і напрямок
і прагнете переосмислити цілі, щоб спрямувати енергію на щось по-справжньому цінне для вас.
Будуєте життя або кар’єру з нуля
і прагнете знайти опору та створити гнучку систему досягнення цілей, що працюватиме в новій країні чи зовсім в іншому контексті.
Хочете систематизувати життя та роботу
і впевнено ухвалювати власні рішення, поєднувати внутрішні прагнення з реальністю та ефективно адаптуватися до нових викликів.
 
Досягли перших успіхів
і хочете з менторською підтримкою прискорити розвиток, уникнути типових помилок і закласти міцний фундамент для зростання.
Прагнете професійного прориву
і вам важливо рухатися вгору швидко, усвідомлено та без вигорання, зберігаючи баланс між роботою, життям і власною стійкістю.
Маєте власний бізнес або проєкт
і шукаєте нові стратегії, щоб вийти з рутини, реалізувати амбітні ініціативи та ефективно розвивати команду чи продукт.

Програма курсу

12 занять 12 лабораторних робіт 3 портфоліо-артефакти
Тиждень 1. Фундамент: API, типізація та ландшафт фреймворків 2026

2 вебінари ·

Вебінар 1. LLMs as a Runtime: Models, Agents, and Frameworks in 2026

Розбираєте токенову економіку (FinOps), оптимізацію системних промптів і контекстних вікон, детальний аналіз сучасного модельного ряду та спеціалізоване порівняння сучасних фреймворків.

Практика: Cross-Model Benchmark Harness (Go) — конкурентний бенчмарк моделей із калькулятором вартості запиту.


Вебінар 2. Stop Parsing Hope: Typed Outputs, Function Calls, and Tool Contracts

Вчитеся отримувати строго типізовані відповіді LLM замість парсингу довільного тексту.

Практика: Strict Schema Enforcer — валідатор відповідей на Go-структурах і JSON Schema.

Тиждень 2. Google ADK 2.0: workflow-граф та деплой

2 вебінари ·

Вебінар 3. Agent Anatomy in Go ADK: Tools, Nodes, and Workflow Graphs as Data

Збираєте першого агента ADK 2.0 як граф із типізованими вузлами-інструментами.

Практика: ADK 2.0 First Agent (Go) — мінімальний workflow з табличними тестами вузлів.


Вебінар 4. Ship the Agent: One Binary, One API, One Production Boundary

Пакуєте агента в один статичний бінарник і деплоїте як HTTP-сервіс зі стрімінгом.

Практика: ADK Agent Service — контейнеризований агент-сервіс, готовий до Kubernetes.

Тиждень 3. Agentic GraphRAG, Онтології та Корпоративні Дані

2 вебінари ·

Вебінар 5. Від PDF до графа знань: lossless parsing, ontology-driven chunking та entity resolution

Парсите багатотабличні PDF без втрати структури, перш ніж віддати їх у RAG.

Практика: Hierarchical Data Chunker — пайплайн парсингу складних корпоративних документів.


Вебінар 6. Agentic GraphRAG: hybrid retrieval, multi-hop planning, re-ranking та semantic cache

Підвищуєте точність пошуку re-ranking’ом і визначаєте, коли достатньо вектора, а коли потрібен GraphRAG.

Практика: High-Precision RAG Engine — RAG-конвеєр з re-ranker і семантичним кешем.

Тиждень 4. Когнітивні автономні цикли та обробка відмов

2 вебінари ·

Вебінар 7. Inside the ReAct Loop: When Reasoning Becomes a Control System

Розбираєте механіку ReAct-циклу й бачите, що саме бере на себе workflow-рушій, а що лишається вашою відповідальністю.

Практика: Native ReAct Agent Core (Go) — безфреймворкова реалізація циклу та її аналог у графі ADK.


Вебінар 8. When Tools Fail: Recovery, Guardrails, and the Lethal Trifecta

Відрізняєте транзієнтні збої від логічних помилок і будуєте самокорекцію інструментів.

Практика: Fault-Tolerant Tool Harness — обв’язка інструментів, що передає помилки назад у модель.

Тиждень 5. Пам'ять, стан та колаборативні workflow в ADK 2.0

2 вебінари ·

Вебінар 9. The Second Brain Is a Repo: event-sourced стан, context engineering та LLM Wiki/OKF

Проєктуєте пам’ять агента на event-sourced стані та керованому контекстному вікні.

Практика: Event-Sourced Agent Memory — модуль керування станом і пам’яттю на сесіях ADK.


Вебінар 10. Agents as Teams: Coordinator Patterns, Human Approval, and Write-Safe Workflows

Координуєте кількох агентів через Plan-Execute і ставите workflow на паузу для схвалення ризикових дій.

Практика (портфоліо-артефакт): ADK 2.0 Collaborative Workflow Engine — багатоагентна система з approval-паузою.

Тиждень 6. Динамічні workflow, self-evolving агенти та безпечний self-improvement

2 вебінари ·

Вебінар 11. Beyond One Agent: Dynamic Subagents, Multi-Critic Loops, and Programmatic Dispatch

Будуєте динамічний граф, де агент породжує підагентів-критиків і сам ухвалює рішення про наступний крок.

Практика: Multi-Critic Coding Agent — кодінг-агент із паралельними критиками на динамічному графі.


Вебінар 12. Autoresearch in Practice: Agents That Improve Under a Budget, Not by Magic

Формалізуєте безпечне самополіпшення агента за фіксованим бюджетом і єдиною метрикою.

Практика (портфоліо-артефакт, фінальний демо-день): Self-Improving Coding Agent Engine — з логом експериментів і артефактом стратегії.

Розклад

  • Тривалість:6 тижнів
  • Формат:живі вебінари
  • Доступ до матеріалів:2 роки

Що ви вивчите

Slide Image

Hard skills

Google ADK 2.0 (Go SDK): графовий workflow-рушій, collaboration agents, єдиний agent.Context і тестування через agent.StrictContextMock, event-sourced state management, сесії.

Agent Workflow Architecture: обґрунтований вибір механізму (статичний граф vs code-driven динаміка vs collaboration agents) під задачу, проєктування self-evolving агентних систем, порівняльна орієнтація в LangGraph/DeepAgents та ADK Python.

Agentic GraphRAG Systems: lossless parsing багатотабличних PDF, ontology-driven chunking, entity extraction і resolution, vector + knowledge-graph indexes, hybrid і multi-hop retrieval, агентна маршрутизація, re-ranking, semantic cache та retrieval evals.

Structured Output Validation: строго типізовані відповіді LLM через Go-структури з JSON-схемами, function calling та валідацію схем на вузлах графа.

Self-Improving Agent Patterns: multi-critic feedback loops, autoresearch-паттерн (bounded mutable surface, fixed evaluation budget, single fitness metric, auditable strategy artifact).

Slide Image

Артефакти у портфоліо

 GitHub-репозиторій багатоагентної системи на Go ADK 2.0: повністю робочий Go-код (єдиний статичний бінарник) із колаборативним workflow (coordinator + підагенти), Plan-Execute маршрутизацією у графі, event-sourced станом та захистом від збоїв інструментів (Fault-Tolerant Tool Harness).

 Agentic GraphRAG Engine: підсистема роботи з неструктурованою документацією з lossless parsing, мінімальною онтологією, vector + knowledge-graph indexes, агентною маршрутизацією retrieval, re-ranking, semantic cache та eval-набором для порівняння з vector-RAG baseline.

 Self-Evolving Coding Agent на динамічних workflow ADK 2.0: кодінг-агент із multi-critic циклом і формалізованою autoresearch-style стратегією самополіпшення (окремий людино-читабельний артефакт стратегії + повний лог експериментів).

Slide Image

Стек технологій

 Google ADK Go v2.0.0 (GA 30.06.2026) — графовий workflow-рушій

 Google ADK Python v2.3.0 (17.06.2026) — референс для Python-охочих

 MCP (специфікація 2025-11-25)

 A2A протокол v1.0.1 (26.05.2026)

 Модельний ряд: Claude Opus 4.8 / Sonnet 5 / Haiku 4.5, GPT-5.6 (Sol / Terra / Luna, limited preview), Gemini 3.5 Flash (3.1/3.5 Pro), Grok 4.3; open-weight: GLM-5.2, Gemma 4, DeepSeek V4, Qwen 3.7 Max, MiniMax 3

Slide Image

Результат навчання

 GitHub-репозиторій багатоагентної системи на Go ADK 2.0: coordinator + підагенти, Plan-Execute маршрутизація, event-sourced стан, Fault-Tolerant Tool Harness

 Advanced RAG Engine: парсинг багатотабличних документів, re-ranking, семантичне кешування

 Self-Evolving Coding Agent: multi-critic цикл, autoresearch-стратегія самополіпшення з логом експериментів

 Резюме з конкретними hard skills: ADK 2.0 (Go SDK), Advanced RAG Pipelines, Structured Output Validation, Self-Improving Agent Patterns

 Аргументований вибір архітектури під задачу: статичний граф, динамічний граф чи collaboration agents — замість рішення «на смак»

Відеовідгуки наших випускників:

Відгуки про курс

Кар’єрний шлях

За даними DOU у 2026 році

«DevOps та Kubernetes. Практичний інтенсив+»

Ви тут

Junior DevOps Engineers — до року

до року
медіанна з/п — $1100

Middle DevOps Engineers

1-3 роки
медіанна з/п — $2900

Senior DevOps Engineers

4-7 років
медіанна з/п — $5000

DevOps Team Lead

7+ років
медіанна з/п — $6300

Наші випускники працюють

partner logo
partner logo
partner logo
partner logo
partner logo
partner logo
partner logo

Дмитро Рашко

Автор, ментор

 Software Architect, Lead Developer та Open-Source Contributor
 Open-Source & Agentic AI: maintainer of KAgent CNCF sandbox project, contributor AgentGateway
 Спеціалізації: Platform Engineering, Architecture & Design, Kubernetes Operators, Service Mesh, System Integration, SDLC/Performance Optimization, Observability, Multi-Agent Systems

  • 25 + років

    у розробці складних програмних систем, cloud-native платформ, enterprise-рішень

  • 5+ років Platform Engineering

    Kubernetes Operators, Istio Service Mesh, AgentGateway

  • 8 років Telco Digital Platforms

    флагманські програми для T-Mobile, Telefónica, Vodafone, AT&T

  • 15+ років Professional Services

    CRM, middleware integration, production rollouts, performance tuning

Оберіть найкращу програму для себе

Standard

  • 12 живих інтерактивних воркшопів/hands-on сесій
  • 3 артефакти у портфоліо: GitHub-репозиторій багатоагентної системи на Go ADK 2.0; Оптимізований Engine пошуку знань (Advanced RAG); Self-Evolving Coding Agent на динамічних workflow ADK 2.0
  • Практика на GitHub Codespaces
  • Практичні завдання
  • Додаткові матеріали, шаблони після кожного вебінару
  • Підтримка ментора й куратора у Slack
  • Сертифікат Prometheus англійською мовою
  • Доступ до матеріалів курсу 2 роки
Бестселер

Mentor

  • Усе, що в Standard, плюс:
  • Перевірка автором портфоліо-артефактів на відповідність Enterprise-стандартам оптимізації та безпеки.
  • Детальний фідбек по кожному артефакту
  • Участь у фінальній демо-сесії з публічним запуском self-improving агента
  • Аналіз та адаптація резюме під конкретну позицію: AI/LLM Developer, GenAI RAG Engineer тощо

Спосіб оплати на вибір: вся сума одразу або оплата частинами.

До 31 липня діють ранні ціни на курс!

Залиште заявку

Ми зв’яжемось з вами та допоможемо визначитись, чи цей курс вам підходить.

Популярні запитання

Що таке курс-upskill?
Курс-upskill — це навчання для людей, які хочуть покращити свої навички, освоїти нові інструменти та підвищити свою кваліфікацію у вибраній галузі.

Курс-upskill орієнтований на практичні знання, що допомагають швидко адаптуватися до змін на ринку праці та збільшити шанси на кар'єрне зростання.
Чи потрібні знання з Go?
Потрібний досвід в одній із бекенд-мов (Go, Java, Rust, Python, TypeScript). Попереднє впевнене володіння Go не потрібне: код створюватимемо за допомогою coding agents із підготовленими skills. Потрібне агентне середовище розробки: Cursor або Google Antigravity, чи coding agent на кшталт Claude Code або Codex.
Чи потрібна вища математика або досвід тренування нейромереж?
Ні, цього не вимагається. Попереднє розуміння LLM та AI-агентів не потрібне: у першому модулі розберемо токени, ролі повідомлень, базові параметри генерації, tools/function calling і відмінність звичайного LLM-виклику від агентного циклу.
Які початкові знання та технічні навички (prerequisites) необхідні для успішного старту на курсі?
1. Програмування та мовні конструкції
Рівень: досвід в одній із бекенд-мов (Go, Java, Rust, Python, TypeScript).
Специфіка Go (єдиний трек): лабораторні та стартові шаблони написані на Go 1.25+. Попереднє впевнене володіння Go не потрібне: код створюватимемо за допомогою coding agents із підготовленими skills. Потрібне агентне середовище розробки: Cursor, Google Antigravity, Claude Code або Codex.
Конкурентність (критично): розуміння goroutines, каналів та sync/errgroup — паралельні виклики моделей і агентів побудовані на конкурентності Go, а графи ADK 2.0 виконує конкурентний планувальник.

2. Робота з даними та веб-архітектурою
Формати даних: впевнене володіння JSON (глибоко вкладені структури, серіалізація/десеріалізація) та JSON Schema.
Протоколи: REST API, HTTP-методи, статус-коди, заголовки, авторизація через токени (Bearer/API keys).

3. Робоче оточення та інфраструктура
Термінал & CLI: впевнене користування командним рядком, змінними оточення .env, запуск скриптів.
Залежності: Go modules (go mod).
Контроль версій: Git/GitHub (гілки, коміти, робота в GitHub Codespaces).

4. Базовий AI-контекст (Prompt Engineering)
Не вимагається: вища математика, статистика чи досвід тренування нейромереж.
Попереднє розуміння LLM та AI-агентів не потрібне: у першому модулі розберемо токени, ролі повідомлень, базові параметри генерації, tools/function calling і відмінність звичайного LLM-виклику від агентного циклу.
Чи достатньо цього курсу, щоб почати шукати роботу AI Agents Engineer?
Так, курс дає практичну базу й hard skills, з якими можна починати рух у напрямі AI Agent Engineering: працювати з Google ADK 2.0 Go SDK, workflow-графами, Advanced RAG, structured output, function calling, JSON-схемами та багатоагентними системами. Після навчання ви зможете додати ці навички в резюме й претендувати на позиції AI / LLM Developer, Backend Developer з поглибленою GenAI спеціалізацією, GenAI RAG Engineer, AI Product Engineer (Feature Development).
Як проходить навчання?
Після придбання курсу ви отримаєте доступ до особистого кабінету на платформі Prometheus. Там зберігатимуться записи вебінарів, матеріали курсу та практичні завдання.

Навчання проходить у форматі живих воркшопів і hands-on сесій, де ви працюватимете з кодом, workflow-графами та лабораторними завданнями. Розклад зустрічей учасники отримають на старті курсу.
Чи отримаю я сертифікат після проходження курсу?
Так, після успішного проходження курсу ви отримаєте сертифікат англійською мовою, який можна додати до резюме та викласти на LinkedIn.
Скільки часу матеріали курсу будуть доступні після його завершення?
Матеріали будуть доступні для слухачів після завершення курсу протягом 2-х років.
Чи можна оплатити курс частинами?
Ви можете оплатити курс частинами — від 2 до 6 платежів на вибір. Це дозволяє комфортно інвестувати у своє професійне зростання.
Чи можливо повернути курс? Які правила повернення коштів?
Повернення коштів за всі курси, придбані на Prometheus PLUS, можливе протягом 14 днів. Запит на повернення направляється на пошту [email protected]; у ньому вказуються email, на який зареєстровано акаунт, ПІБ та курс, за який ви хочете повернути кошти.

Процедура повернення коштів займає 30 календарних днів з моменту схвалення заявки. Щоб уникнути зловживань з боку слухачів, ми залишаємо за собою право обмежити або відхилити запити на повернення коштів у випадках, коли:
Значна частина курсу була використана або завантажена студентом до того, як було оформлено заявку на повернення коштів
Студент подав кілька запитів на повернення коштів за один і той самий курс
Студент вимагає повернути зайву суму
Користувачі порушили Умови або Правила платформи

Не знайшли відповідь?

Центр допомоги