AI Engineering & MCP
Industrial AI engineering: developing custom Model Context Protocol (MCP) servers, Spec-Driven Development for LLMs, autonomous multi-agent teams, and RAG.
Topic Sections3 topics
Choose a specialization section to explore practical scenarios.
Model Context Protocol (MCP)
Developing custom MCP servers in TypeScript for Claude and Cursor
Building AI model extensions: registering Schema-validated tools, dynamic contextual resources, and local connection setup.
Autonomous Agents & Gemini SDK
Streaming SSE output, Tool Calling, and structured JSON with @google/genai
Integrating multimodal agents: real-time token streaming, automated function calling, and strictly typed JSON output generation.
Enterprise RAG & Vector Databases
Supabase pgvector, hybrid search (BM25 + Dense), and Re-ranking
Corporate RAG pipelines: document chunking, HNSW vector indexing, Cohere reranking, and LLM hallucination mitigation.
All Practical Scenarios6 workflows
Complete list of production blueprints from scratch to advanced architecture.
Построение промышленного MCP-сервера (Model Context Protocol) на TypeScript: регистрация типизированных инструментов (Tools), динамических ресурсов (Resources), валидация через Zod и подключение к Claude Desktop, Cursor и Antigravity.
Построение автономного AI-ассистента на официальном Google GenAI SDK (@google/genai): двусторонний цикл Tool Calling, потоковая передача токенов через SSE в Next.js, структурированный JSON-вывод со схемами и Human-in-the-loop подтверждение действий.
Практическое руководство по подключению и оркестрации серверов Model Context Protocol (MCP) с нуля: конфигурирование Cursor IDE и Claude Desktop, архитектура транспортов (stdio vs SSE), реализация собственного легковесного MCP-клиента на TypeScript и обеспечение безопасности вызовов (Human-in-the-loop).
Полноценный production-конвейер Enterprise RAG: семантическое чанкование документов, векторный HNSW индекс в PostgreSQL, гибридный поиск с Reciprocal Rank Fusion (RRF) и финальный кросс-энкодер реранкинг.
Архитектурный конвейер построения автономных мультиагентных систем: циклические графы состояний (StateGraph), агент-исследователь, критик-редактор, циклы саморефлексии и контроль оператора (Human-in-the-loop).
Фундаментальный воркфлоу построения Retrieval-Augmented Generation (RAG) с нуля: стратегии разбиения текста на фрагменты (Recursive Chunking c перекрытием), генерация плотных векторных представлений (Embeddings), расчет косинусного сходства и организация индекса HNSW.