Курсовые материалы для серии лекций AI-Augmented Software Engineering.

Наброски курса и учебный план находятся на сайте курса.

Этот репозиторий собирает заметки, слайды, примеры кода, задания и ресурсы, изучающие, как современные инструменты ИИ меняют способ проектирования, создания, тестирования и обслуживания программного обеспечения.

Обзор курса

AI-дополненная разработка программного обеспечения - это практика использования систем ИИ - помощников кода, агентов и инструментов на основе LLM - в качестве активных сотрудников на протяжении всего жизненного цикла разработки программного обеспечения. Этот курс охватывает как «как» (практическое использование этих инструментов), так и «почему» (их сильные стороны, пределы и последствия для инженерной практики).

Лекции

1. Setup Environments — установите Git, GitHub, Python и кодирующий агент перед остальной частью курса.
2. Specs-Driven Development — агентный SDLC, когда подходит SDD, режим плана, уровни зрелости SDD, хорошие спецификации и SDD фреймворки.
3. Анатомия кодирующих агентов — как работают LLM, модельный ландшафт, почему LLM хороши в кодировании и кодирующие агенты под капотом.
4. Agentic Codebase Structure — навыки, правила и ограждения; CLAUDE.md / AGENTS.md / SKILL.md / intent.md; крючки; и субагентные шаблоны.

AI-Augmented Software Engineering

Course materials for the AI-Augmented Software Engineering lecture series.

The course outline and syllabus are on the course website.

This repository collects lecture notes, slides, code examples, assignments, and resources exploring how modern AI tools change the way software is designed, built, tested, and maintained.

Course Overview

AI-augmented software engineering is the practice of using AI systems — code assistants, agents, and LLM-based tooling — as active collaborators across the software development lifecycle. This course covers both the how (practical use of these tools) and the why (their strengths, limits, and implications for engineering practice).

Lectures

1. Setup Environments — install Git, GitHub, Python, and a coding agent before the rest of the course.
2. Specs-Driven Development — the agentic SDLC, when SDD fits, Plan Mode, SDD maturity levels, good specs, and SDD frameworks.
3. Anatomy of Coding Agents — how LLMs work, the model landscape, why LLMs are good at coding, and coding agents under the hood.
4. Agentic Codebase Structure — skills, rules, and guardrails; CLAUDE.md / AGENTS.md / SKILL.md / intent.md; hooks; and subagent patterns.
5. Advanced Context Management — a taxonomy of context, context assembly and discovery, the agent runtime pipeline, session management, and MCP fundamentals.
6. Agentic Code Review and Testing — deterministic guardrails, LLM-based review, safe deployment, runtime safety, and monitoring agents.
7. Agent Orchestration — the generator-critic loop, the goal pattern, the Ralph loop, running multiple agents, and the subagent pattern.
8. Security in the Age of AI — SAST/SCA and secret leaks, prompt injection and agent attack surfaces, and agent-assisted triage.
9. Software Factory and the Future of Software Engineering — self-running, self-improving systems and where AI software engineering goes next.
10. AI-Native Engineering Teams — how AI-native teams work, the standardized team stack, and LLM gateways, model routing, and cost optimization.

Midterm

The midterm (25 multiple-choice questions, 1 hour, 30% of the grade) covers Lectures 1–5 and their required readings. See the Midterm Study Guide.

Repository Structure

.
├── lectures/       # Lecture notes and slides, one folder per session
├── assignments/    # Homework and project briefs, one folder per lecture