От чата к агенту

Модуль 0 — Фундамент 80% практика

Программа обучения системных аналитиков работе с ИИ-агентами
Инструмент: opencode.ai

Чат — то, что вы уже знаете

Вы

→

Вопрос

→

LLM

→

Ответ

→

Вы

Нет доступа к файлам

Чат не видит ваш проект. Вы вручную копируете куски кода

Нет памяти

Каждая сессия — с чистого листа. Контекст теряется

Один вопрос = один ответ

Не может выполнить цепочку действий сам

Агент — новый уровень

Задача

→

Reason

→

Act
bash, files, API

→

Observe

→

Reason

→

…

→

Результат

Агент не просто отвечает — он действует: читает файлы, запускает команды, пишет результаты, проверяет себя

Формула агента

🧠

LLM

Рассуждает, планирует,
генерирует

🛠

Инструменты

bash, file read/write,
search, MCP

📂

Контекст

Файлы проекта,
история, промпт

🔄

Цикл

Reason → Act →
Observe → Repeat

Агент = LLM + Tools + Context + Loop

Давайте разложим агента на компоненты. Первый — LLM, мозг. Claude, GPT-4o, Gemini — он рассуждает и генерирует. Второй — инструменты, «руки». bash для команд, чтение/запись файлов, поиск по коду, MCP-серверы для внешних систем. Третий — контекст, «зрение». Агент видит файлы проекта, историю диалога и системный промпт — но есть ограничения (контекстное окно). Четвёртый — цикл. Reason-Act-Observe — это то, что отличает агента от чата. Он итерирует, пока задача не решена. Эта формула — ваша ментальная модель на весь курс.

Чат vs Агент: одна задача

Задача: «Опиши все API-эндпоинты проекта DigitalWallet в виде таблицы»

Через чат

Открываете GitHub, ищете контроллеры
Копируете код в ChatGPT по частям
Спрашиваете «какие тут эндпоинты?»
Получаете неполный список — чат не видел все файлы
Повторяете для каждого контроллера

⏱ ~40 мин, результат неполный

Через агента

Одна инструкция: «Найди все контроллеры, сформируй таблицу эндпоинтов: путь, метод, описание, модель. Сохрани в analysis.md»
Агент сам находит все файлы
Парсит контроллеры, модели, маршруты
Формирует полную таблицу
Сохраняет в файл

⏱ ~3 мин, результат полный

Вы — аналитик с агентом

Аналитик не задаёт вопросы — он формулирует задачи

1 Постановка задачи

Не «расскажи про API», а «найди все эндпоинты, проверь валидацию, сохрани отчёт»

2 Контроль качества

Проверять: агент нашёл всё? формат правильный? нет галлюцинаций?

3 Управление контекстом

Направлять агента: «смотри в /src/Controllers», «используй формат Markdown»

4 Валидация результата

Агент — инструмент. Ответственность за результат — на аналитике

Важнейший сдвиг мышления: вы больше не пользователь чата, вы — аналитик с агентом. Как пилот дрона, а не пассажир такси. Четыре зоны ответственности: 1. Постановка задачи — промпт-инжиниринг на уровне задач, не вопросов. Этому будет посвящён целый Модуль 2. 2. Контроль качества — агент может ошибаться, нужно проверять. 3. Управление контекстом — направлять на нужные файлы, ограничивать скоуп. 4. Валидация — финальная ответственность за результат всегда на вас.

Наш проект для практики

E-Commerce Wallet Service — управление кошельками, мультивалютность, пополнение/списание средств, переводы, история транзакций

ASP.NET Core EF Core Swagger Docker Кошелёк / Платежи ~3–8K LOC

💱MultiCurrency
Создание, курсы

👛UserWallet
Баланс, статус

💸Transactions
Пополнение, перевод

Практика: чат vs агент

Задание на 15 минут: решить одну задачу двумя способами

Задание A — через чат

Откройте репозиторий на GitHub
Найдите контроллеры вручную
Скопируйте код в ChatGPT/Claude
Попросите: «Опиши API-эндпоинты в виде таблицы»
Зафиксируйте результат и время

Задание B — через агента

Клонируйте:
git clone https://github.com/thisisnabi/DigitalWallet.git
Запустите opencode в корне проекта
Одна инструкция:
«Найди все API-эндпоинты, сформируй таблицу: путь, метод, описание. Сохрани в analysis.md»
Зафиксируйте результат и время

Обсуждение результатов

Что заняло больше времени?
Где результат оказался полнее и точнее?
Что удивило в работе агента?
Где агент ошибся? Заметили ли вы это сразу?
Какие задачи из вашей практики хотите попробовать с агентом?

Давайте обсудим. Кто хочет поделиться? Ключевые инсайты, которые я жду: — Агент быстрее, потому что видит весь проект. — Результат полнее, потому что агент не зависит от того, что вы скопировали. — Но! Агент может ошибиться, и это нормально — поэтому валидация важна. — Формулировка инструкции напрямую влияет на результат — этому посвящён Модуль 2. Запишите на доске задачи из реальной практики, которые хотите попробовать с агентом — пригодится в следующих модулях.

Итоги Модуля 0

Агент ≠ чат: цикл Reason-Act-Observe, доступ к файлам и терминалу, многошаговое исполнение
Формула: LLM + Tools + Context + Loop
Роль аналитика: постановка задачи агенту, контроль, валидация результата

Далее → Модуль 1: Среда и инструменты opencode — настраиваем рабочее окружение, глубже погружаемся в DigitalWallet

Три ключевых вывода: 1. Агент — это не просто чат с доступом к файлам. Это принципиально другая модель работы. Цикл Reason-Act-Observe — основа. 2. Запомните формулу: LLM + Tools + Context + Loop. Она поможет понимать, почему агент работает так, а не иначе. 3. Вы теперь не пользователи чата, а аналитики с агентом. Ваша задача — грамотно формулировать, контролировать и валидировать. В следующем модуле мы настроим рабочее окружение opencode, разберём архитектуру и инструменты агента, и продолжим практику на DigitalWallet — уже глубже. А пока — домашнее задание на следующем слайде.

Домашнее задание

Подготовка к Модулю 1 — сделать до следующего занятия

Установить Opencode TUI

Терминальная версия — основной инструмент курса
curl -fsSL https://opencode.ai/install | bash

или через Homebrew:

brew install anomalyco/tap/opencode

💡 Если возникнут проблемы — попросите GPT в чате помочь с установкой

Установить Opencode Desktop

Десктопная версия с графическим интерфейсом
opencode.ai → скачать для своей ОС

Зарегистрироваться в Opencode Zen

Получить API-ключ и подключить его в Opencode
Инструкция: opencode.ai/docs/providers/#opencode-zen

Домашнее задание — три шага, чтобы к следующему занятию у всех было настроенное рабочее окружение. Первое — установить терминальную версию Opencode. Это TUI — text user interface. Два варианта установки: через curl-скрипт или через Homebrew. Оба работают. Если возникнут проблемы — не стесняйтесь попросить GPT в чате помочь разобраться. Это, кстати, первый практический навык работы с ИИ: использовать чат для решения своих проблем с установкой. Второе — установить десктопную версию Opencode. Она с графическим интерфейсом, может быть удобнее для тех, кто не привык к терминалу. На курсе мы будем использовать оба варианта. Третье — зарегистрироваться в Opencode Zen. Это облачный сервис, который предоставляет API-ключ. По ссылке — пошаговая инструкция: как зарегистрироваться, получить ключ и прописать его в конфиге opencode. Без этого ключа агент не сможет работать, так что это обязательный шаг. Если у кого-то будут сложности — напишите в чат группы, поможем до следующего занятия.