Чеклист AI-инженера AI-инженер - это специалист по разработке агентных приложений. Это тот же бекендер / фуллстак, только не для CRUD'ов, а для агентов. Я не понимаю, откуда взялось убеждение, что для этого нужны навыки ML / DS. Разработка агентов - это чисто инженерная задача и отличный трек для развития Python Backend дальше. Обычные задачи AI инжеренера, с которыми я сталкиваюсь: - разработка агента, интегрированного с внешними системами (OAuth / CRM / тасктрекеры / инструменты мониторинга / базы данных) - разработка пользовательского интерфейса агента. Желательно с Generative UI и тд - аудит безопасности агентного приложения на предмет утечки данных (пользователей и секретов), RCE, промпт инъекций - разработка набора метрик и приемочных тестов для измерения качества агентого приложения - оптимизация промптов и описания тулов для повышения этих же метрик 🙂 - разработка RAG систем - разработка мультиагентных систем И все в том же духе. Для выполнения всех этих задач нужны не навыки ML / DS, а отличное понимание того, как работает инфраструктура сейчас. Тебе нужно интегрировать агента в существующий IT ландшафт, поэтому понимание всех процессов, потоков данных, знание протоколов, умение в System Design будет весьма к месту. Но помимо этого нужно кое-что и подучить, поэтому вот краткий чеклист: - Понимание OpenAI API - это стандарт работы с LLM и нужное тонкое понимания, что представляет собой цикл взаимодействия агента с моделью, устройства контекста, работы инструментов. Это не сложно, но необходимо - Понимание MCP - что это за протокол, как он функционирует, как использовать его в качестве связки Agent <-> Существующие инструменты. Но также нужно понимать его ограничения и слабые стороны - Понимание A2A протокола - очень скоро распределенные мультиагентные системы будут повсеместно. Нужно понимать, как наладить общение агентов по сети. - Понимание AG-UI и A2UI протоколов - это единственный способ прикрутить интерфейс к вашему агенту. Не важно, пишите вы серверную или клиентскую часть - это понимание необходимо. И различные паттерны мультиагентной кооперации в придачу - Уметь в "промптинг" - это некий магический навык, который вырабатывается эмпирически. Со временем ты начинаешь чувствовать, как LLM понимает твои инструкции и учишься их лучше формулировать. Сейчас есть даже официальный оптимизатор промптов от OpenAI Этого набора навыков уже хватит, чтобы свичнуться, но индустрия быстро развивается и постоянно появляются новинки. Чем больше протоколов и паттернов вы знаете - тем дороже вы как специалист. Поэтому продолжим: - Устройство "памяти" агента - как создавать механизмы самообучения и коррекции поведения агента - Понимание работы со skills - новая штука, которая хайпует как "замена MCP" - Алгоритм работы deep agent - штуки по типу Cursor, Claude code, MoltBot (который сейчас в тренде). Довольно сложная штука, которая сама планирует свое поведение, догружает навыки по мере необходимости, создает сабагентов на лету, имеет долговременную память и управляет своим же контекстом - Понимание AP2, UCP протоколов - у меня есть стойкое ощущение, что в ближайший год у нас организуется "интернет агентов" и знание этих протоколов будет равносильно умению прикрутить платежку / сделать публичный API сейчас. @fastnewsdev