Рекомендуемое чтение
Отобранные ресурсы для углубления в темы агентной инженерии. Этот список будет обновляться по мере развития области.
Основы
Section titled “Основы”Фундаментальные книги по AI, ML-системам и архитектуре данных.
- Artificial Intelligence: A Modern Approach (4th ed.) – Stuart Russell & Peter Norvig (2020). Авторитетный учебник по AI, охватывающий принципы интеллектуальных агентов, алгоритмы поиска, рассуждение и основы машинного обучения.
- Software Engineering at Google – Titus Winters, Tom Manshreck & Hyrum Wright (2020). Практические инженерные практики для поддержания больших кодовых баз — актуально для команд, внедряющих AI-ассистированные рабочие процессы.
- The Pragmatic Programmer (20th Anniversary Edition) – Andrew Hunt & David Thomas (2019). Вечные советы по написанию чистого, гибкого кода, которые остаются актуальными даже с появлением AI-инструментов.
- Designing Machine Learning Systems – Chip Huyen (2022). Холистический гид по построению надёжных ML-приложений — от обработки данных до развёртывания и мониторинга.
- AI Engineering – Chip Huyen (2025). Практический фреймворк для построения приложений с базовыми моделями, связывающий традиционную инженерию и современную AI-разработку.
- Designing Data-Intensive Applications – Martin Kleppmann (2017). Глубокое погружение в надёжные, масштабируемые системы — критически важные архитектурные знания перед добавлением AI-функций.
Манифесты и философия
Section titled “Манифесты и философия”Фреймворки для мышления об AI-ассистированной разработке на более высоком уровне.
- The o16g Manifesto – Cory Ondrejka (2025). “Инженерия результатов” — 16 принципов для переориентации разработки вокруг результатов, а не кода. Аргументирует управление стоимостью (токенами), а не мощностью (человеко-часами), измерение успеха проверенным влиянием и рассмотрение бэклога как пережитка человеческих ограничений. От CTO Onebrief, со-создателя Second Life и бывшего руководителя инженерии в Google и Meta.
Контекстная инженерия
Section titled “Контекстная инженерия”Появляющаяся дисциплина предоставления агентам правильной информации в правильное время.
- Context Engineering for AI Agents – Tobi Lutke - CEO Shopify о том, почему контекстная инженерия — новый навык
- Context Engineering – Andrej Karpathy - “Промпт-инженерия мертва, контекстная инженерия — король”
- AGENTS.md - Открытый формат для постоянного контекста агентов, используется 60k+ open-source проектами
Промпт-инженерия
Section titled “Промпт-инженерия”Гиды по эффективному промптингу и взаимодействию с AI.
- Google Cloud Prompt Engineering Guide – Комплексный официальный гид, охватывающий формат промптов, примеры, мульти-turn взаимодействия и лучшие практики.
- DAIR Prompt Engineering Guide – Mostafa Samir et al. Обширный open-source гид, агрегирующий последние техники — от базового дизайна до продвинутых стратегий типа многошагового рассуждения и использования инструментов.
- Learn Prompting – Sander Schulhoff et al. (2024). Бесплатный курс, охватывающий основы и продвинутые техники, используется 3M+ пользователями, включая команды Fortune 500.
- The Ultimate Guide to Prompt Engineering – Lakera (2025). Современные лучшие практики с фокусом на реальное использование и безопасность, включая защиту от prompt injection.
- Prompt Engineering for Generative AI – James Phoenix & Mike Taylor (2023). Практическая книга о принципах и паттернах в разных доменах — NLP, генерация изображений и генерация кода.
- Prompt Engineering for LLMs – John Berryman & Albert Ziegler (2024). Продвинутые стратегии от разработчиков GitHub Copilot, охватывающие управление токенами, few-shot промптинг и рабочие паттерны.
Программная инженерия
Section titled “Программная инженерия”Классические и современные тексты по software engineering, релевантные AI-ассистированной разработке.
- Clean Code – Robert C. Martin (2008). Классический мануал по поддерживаемому коду — критичен для распознавания и рефакторинга AI-сгенерированного кода в хорошо структурированные дизайны.
- Refactoring (2nd ed.) – Martin Fowler (2018). Семейный гид по систематическому реструктурированию кода, незаменимый для постоянного улучшения AI-написанного кода.
- Accelerate – Nicole Forsgren, Jez Humble & Gene Kim (2018). Data-driven исследование высокопроизводительных команд, представляющее DORA-метрики — важная базовая линия при интеграции AI в рабочие процессы.
- Agentic AI Engineering – Yi Zhou (2025). Футуристический гид, переосмысливающий software engineering для AI-агентов, охватывающий Agentic Stack и модели зрелости для масштабирования агентов до продакшена.
- The LLM Engineering Handbook – Paul Iusztin & Maxime Labonne (2024). Операционный гид, охватывающий промпт-инженерию, fine-tuning, RAG и паттерны для внедрения LLM в продакшен.
- A Philosophy of Software Design (2nd ed.) – John Ousterhout (2021). Лаконичные эссе об управлении сложностью — уроки, которые дополняют AI-инструменты, помогая разработчикам формировать архитектуру и держать сложность под контролем.
Исследовательские статьи
Section titled “Исследовательские статьи”Ключевые статьи об агентах
Section titled “Ключевые статьи об агентах”Академические статьи, определяющие агентные системы и паттерны.
- ReAct: Synergizing Reasoning and Acting in Language Models – Yao et al. (2022). Представила парадигму чередования рассуждений с действиями, позволяя LLMs собирать информацию и корректировать планы на лету. Основа для многих агентных фреймворков.
- HuggingGPT: Solving AI Tasks with ChatGPT and its Friends – Shen et al. (2023). LLM-powered контроллер, оркестрирующий специализированные модели для сложных мультимодальных задач, используя естественный язык как связующее звено между инструментами.
- Toolformer: Language Models Can Teach Themselves to Use Tools – Schick et al. (2023). Метод Meta AI для LLMs самообучаться на использовании API, учась когда и как стратегически вызывать внешние инструменты.
- Generative Agents: Interactive Simulacra of Human Behavior – Park et al. (2023). Архитектура для правдоподобных симулированных агентов с долгосрочной памятью и планированием, демонстрирующая человеческое поведение в течение extended периодов.
- Voyager: An Open-Ended Embodied Agent with Large Language Models – Wang et al. (2023). Первый LLM-driven агент с непрерывным обучением в Minecraft, непрерывно исследующий и накапливающий навыки без человеческого вмешательства.
- Reflexion: Language Agents with Verbal Reinforcement Learning – Shinn et al. (2023). Фреймворк, позволяющий агентам учиться на ошибках через саморефлексию на естественном языке, без формального fine-tuning.
Языковые модели для кода
Section titled “Языковые модели для кода”Исследования по генерации, пониманию и синтезу кода.
- StarCoder: may the source be with you! - Open-source Code LLM с 8K контекстом и возможностями infilling
Человеко-AI коллаборация
Section titled “Человеко-AI коллаборация”Исследования о том, как люди и AI-системы эффективно работают вместе.
- Experimental Evidence on the Productivity Effects of Generative AI – Noy & Zhang (2023, Science). Переломное исследование, показывающее, что пользователи ChatGPT завершали задачи примерно на 40% быстрее с качеством на 18% выше — наименее квалифицированные участники получили больше всего пользы.
- The Productivity Effects of Generative AI: Evidence from GitHub Copilot – Cui et al. (2024). Полевой эксперимент в Microsoft/Accenture, показывающий на 12–22% больше PR в неделю с доступом к Copilot.
- When Humans and AI Work Best Together – MIT Sloan (2025). Мета-анализ, находящий, что коллаборация сияет, когда люди превосходят AI по отдельности — успех требует калибровки, когда доверять AI.
- Coding on Copilot: Data Suggests Downward Pressure on Code Quality – GitClear (2023). Анализ 153M строк, показывающий, что code churn удвоился с использованием AI — командам нужны практики для поддержания качества.
- GitHub Copilot: Asset or Liability? – Moradi Dakhel et al. (2023). Copilot ценен для экспертов, которые могут проверять вывод, но потенциальная ответственность для новичков, которые принимают неисправные предложения.
Онлайн-ресурсы
Section titled “Онлайн-ресурсы”Блоги и рассылки
Section titled “Блоги и рассылки”Регулярные источники понимания AI и разработки.
- 2025: The year in LLMs – Simon Willison - Комплексный ежегодный обзор LLM-разработок
Подкасты
Section titled “Подкасты”Аудиоконтент об агентной разработке.
- The RPI workflow - Build Wiz AI Show (Podcast) - Аудиообсуждение продвинутого AI-кодинга
Видеоконтент
Section titled “Видеоконтент”Туториалы, выступления и демонстрации.
- The Complete AI Coding Course (2025) - Практический курс по Cursor и Claude Code
Сообщества
Section titled “Сообщества”Места для связи с другими, работающими в этом пространстве.
- Kilo Code Discord - Наше сообщество для обсуждения агентной инженерии
- GitHub Discussions - Более длинные разговоры об этом руководстве
Добавление ресурсов
Section titled “Добавление ресурсов”Знаете отличный ресурс, который мы должны включить? Этот список растёт через вклад сообщества.
Как добавить ресурс:
- Откройте PR с вашим дополнением
- Включите краткое описание, почему это ценно
- Поместите его в соответствующую секцию
Мы особенно ищем:
- Книги и статьи, которые сформировали ваше понимание
- Туториалы, которые реально помогли вам начать
- Сообщества, где вы нашли хорошие обсуждения
- Примеры из практики реальных реализаций
Присоединяйтесь к разговору в Discord, если хотите обсудить, что должно быть включено.
Этот список активно поддерживается сообществом. Ваши рекомендации помогают другим учиться быстрее.