Ładowanie…
„AI Engineering: workflow i modele” to zaawansowany kurs AI Saver Quest dla osób, które pracują z AI codziennie: dobór modelu do zadania, context engineering, reasoning i meta-prompting, pełny przebieg agenta od ticketu do pull requesta, TDD z agentem, code review, evals i orkiestracja subagentów. 8 lekcji z misjami, w tym kodowymi ocenianymi w sandboxie.
Po opanowaniu struktury promptu wąskim gardłem przestaje być pojedyncze polecenie. Zaczyna być to, co dzieje się wokół: który model dostaje zadanie, co wchodzi do kontekstu, jak zadanie jest pocięte na kroki i jak sprawdzasz wynik, którego nie chcesz czytać w całości. Ten kurs zajmuje się tą warstwą — nie „lepszymi promptami”, ale powtarzalnym procesem.
Przy jednym zadaniu czytasz odpowiedź. Przy stu potrzebujesz rubryki i automatu. Kurs uczy budować LLM-judge z jawnymi kryteriami oraz zestawy testowe, które łapią regresję po zmianie promptu lub modelu — to ta sama mechanika, na której stoi ewaluator tej platformy, opisana na stronie o metodologii oceny.
Część misji tego kursu to zadania CODE i EVAL uruchamiane w sandboxie QuickJS na ukrytym zestawie przypadków. Piszesz na przykład walidator structured output albo rubrykę oceniającą odpowiedzi, a wynik jest binarny: testy przechodzą albo nie. Dobry opis rozwiązania nie wystarcza.
Nie uczy programowania ani podstaw promptowania — zakłada jedno i drugie. Nie jest też przeglądem narzędzi: konkretne środowiska (Cursor) i ekonomia agenta mają osobne kursy, do których ten się odwołuje, zamiast je streszczać.
Jeśli zaczynasz: Prompt Engineering Pro → ten kurs → Agent Economics (koszt) → AI Cost Control w chmurze (architektura). Jeśli pracujesz w Cursorze, kurs o Cursorze zmieści się w dowolnym miejscu tej ścieżki.
Tak. Lekcje da się przeczytać bez kodowania, ale misje CODE i EVAL wymagają pisania JavaScriptu, a tematy (TDD z agentem, code review legacy, evals) zakładają doświadczenie w wytwarzaniu oprogramowania.
Prompt engineering dotyczy treści polecenia. Context engineering dotyczy tego, co jeszcze trafia do modelu obok polecenia: fragmenty kodu, dokumentacja, historia rozmowy, definicje narzędzi. Przy agentach ta druga część zwykle waży więcej — i w kosztach, i w jakości wyniku.
To model oceniający wynik innego modelu według jawnej rubryki. Ufać można mu na tyle, na ile rubryka jest konkretna i skalibrowana przykładami — dlatego kurs uczy pisać kotwice punktowe i weryfikować sędziego zestawem odniesienia, a nie zakładać, że „model oceni”.
1 z 8 lekcji jest otwarta w planie Free. To najbardziej zaawansowana ścieżka na platformie i prawie cała wchodzi w plan Pro — zakres i ceny na stronie z cennikiem.
Nie. Polityka doboru modeli jest opisana przez właściwości zadania (długość kontekstu, potrzeba reasoningu, tolerancja błędu), a nie przez nazwy produktów, które zmieniają się co kwartał.
W planie Pro tak, po egzaminie praktycznym. W przypadku misji kodowych egzamin nie ujawnia zestawu testowego — widzisz tylko nazwy przypadków i to, czy przeszły.