AI Engineering & MCP
Промышленное применение ИИ: разработка собственных серверов Model Context Protocol (MCP), Spec-Driven Development для LLM, автономные мультиагентные команды и RAG.
Тематические разделы3 тем
Выберите интересующий раздел специализации для перехода к практическим сценариям.
Model Context Protocol (MCP)
Разработка собственных серверов MCP на TypeScript для Claude и Cursor
Создание расширений для AI-моделей: регистрация Schema-валидированных инструментов (tools), динамических контекстных ресурсов (resources) и локальное подключение.
Автономные агенты & Gemini SDK
Потоковый SSE-вывод, Tool Calling и структурированный JSON на @google/genai
Интеграция передовых мультимодальных агентов: потоковая передача токенов в реальном времени, автоматический вызов функций (Function Calling) и генерация строгого JSON.
Enterprise RAG & Векторные БД
Supabase pgvector, гибридный поиск (BM25 + Dense) и Re-ranking
Корпоративные RAG-пайплайны: семантическое чанкование документов, векторный поиск HNSW, реранкинг через Cohere и предотвращение галлюцинаций LLM.
Все практические сценарии6 воркфлоу
Полный перечень производственных рецептов от нуля до сеньор-архитектуры.
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.