Курс: Claude Code In a Day | Udemy Инструктор: Eden Marco Длительность: 8.5 часов, 74 лекции Последнее обновление: Февраль 2026
Курс преследует три основные цели: овладеть Claude Code, изучить агентные рабочие процессы с многоагентными системами и глубокое инженерство контекста. Целевая аудитория — разработчики ПО и специалисты по анализу данных с опытом использования GenAI, хотя будут полезны и для разработчиков, незнакомых с кодом. Необходимые навыки: знание Python/TypeScript, базовые навыки Git и виртуальных окружений.
Ключевой вывод: Курс предлагает гарантию возврата денег в течение 30 дней для всех участников.
Eden Marco — разработчик backend с фоном в кибербезопасности, перешёл в GenAI в 2023 году и теперь позиционирует себя как инженер искусственного интеллекта. Он является амбассадором LangChain и активным спикером на конференциях.
Ключевой вывод: Инструктор имеет практический опыт в современном стеке AI и может поделиться реальными insights из индустрии.
Для учащихся доступен Discord-сервер с активной поддержкой инструктора. Eden Marco отвечает на вопросы в выходные, а также дважды в день в будни. Возможна также связь через LinkedIn и личные сообщения Udemy.
Ключевой вывод: Активное сообщество и доступность преподавателя обеспечивают поддержку на всем пути обучения.
Инженерство контекста — это эволюция обычной инженерии промптов. Промпты статичны, но контекст динамичен, что критично для агентов. Существуют три основные проблемы: загрязнение контекста (галлюцинации попадают в контекст), путаница контекста (ненужный контекст) и конфликты контекста (противоречия в информации).
Ключевой вывод: Инженерство контекста необходимо всем — разработчикам и не-разработчикам для лучших результатов с AI.
Claude Code реализует четыре стратегии инженерства контекста: 1) написание контекста через постоянную память (CLAUDE.md в проекте и ~/.claude/CLAUDE.md), 2) интеллектуальный поиск контекста с автоматическим обнаружением, 3) сжатие контекста через команды /clear и /compact, 4) изоляция контекста через специализированные субагентов.
Ключевой вывод: Claude Code встроенно поддерживает множество инструментов для управления контекстом на разных уровнях.
Системные промпты имеют критическое значение для работы агентов. Лекция разбирает утёкшие системные промпты Claude Code (~200 строк), Cursor (~200 строк) и Devin (~400 строк). Хороший промпт находит золотую середину: не слишком специфичен (чтобы не сковывать LLM), но и не слишком расплывчат. Эффективные промпты дают чёткую идентичность, расширяют возможности вместо ограничения и определяют границы с эвристиками.
Ключевой вывод: Правильный системный промпт — это не алгоритм, а фреймворк рассуждений, который направляет, но не сковывает агента.
Краткое введение в терминологию Claude Code перед практической демонстрацией. В ходе лекции будет создан Next.js проект HookHub и инициализирован Claude Code. Зрители не обязаны следить за всеми деталями — главное увидеть возможности инструмента.
Ключевой вывод: Демонстрация дастав практический вид на рабочий процесс Claude Code.
Инструктор настраивает Next.js проект, запускает /init для генерации файла CLAUDE.md. Claude Code анализирует кодовую базу, демонстрируя систему разрешений для редактирования файлов. Упоминается новый субагент по проверке безопасности, а также автоматические обновления Claude Code.
Ключевой вывод: /init автоматически анализирует проект и создаёт динамический контекст для работы агента.
Устанавливается Playwright MCP для автоматизации браузера через CLI. Демонстрируется открытие CNN.com через Claude Code. Добавляются правила курсоров из Cursor Directory в CLAUDE.md файлы для лучших персон. Объясняется, что не все CLAUDE.md файлы загружаются автоматически — некоторые требуют явного упоминания.
Ключевой вывод: MCP интеграции и CLAUDE.md файлы позволяют динамически расширять возможности агента.
Вместо стихийного кодирования используется Spec-Driven Design — режим планирования (Shift+Tab) для исследования только для чтения. Используются более мощные модели (Opus) для планирования и более лёгкие (Sonnet) для реализации. Создаётся красивый файл спецификации на основе веб-исследований по Claude hooks.
Ключевой вывод: Спецификация, созданная на этапе планирования, значительно улучшает качество финальной реализации.
Переключение на модель Sonnet для реализации (дешевле по стоимости). Критично: управление окном контекста — /compact сжимает историю перед реализацией. Демонстрируется построение HookHub из файла спецификации. Весь код доступен в репозитории.
Ключевой вывод: /compact команда необходима для эффективного управления токенами при работе с большими проектами.
Установка через npm install с ссылкой на официальную документацию Anthropic. Быстрый пошаговый процесс настройки.
Ключевой вывод: Установка Claude Code занимает минимум времени и требует только базовые навыки работы с npm.
Два способа аутентификации: план Claude Pro/Max или Anthropic API ключ. При использовании API ключа,估计 стоимость курса составляет около $10-20 USD. Подробное объяснение моделей выставления счётов и ценообразования для разных операций.
Ключевой вывод: API ключ метод более экономичен, чем подписка, если правильно управлять использованием моделей.
Слеш-команды — основной способ управления Claude Code. /clear удаляет историю разговора, сохраняя память. /compact сжимает историю. /model переключает между моделями. Обсуждение стоимости работы с разными моделями.
Ключевой вывод: Мастерство использования слеш-команд критично для эффективной работы с Claude Code.
Команда /IDE интегрирует Claude Code в Cursor. Многие разработчики используют расширение Cursor для работы внутри IDE. Краткое упоминание hooks и MCPs как ключевых функций.
Ключевой вывод: IDE интеграция делает Claude Code частью привычного рабочего процесса разработчика.
Hooks — это автоматические команды, запускаемые в определённых точках рабочего процесса (до/после инструментов, когда Claude останавливается). Примеры использования: форматирование кода, запуск тестов, блокировка небезопасных редактирований. Каждый субагент имеет собственный контекст и инструменты.
Ключевой вывод: Hooks автоматизируют повторяющиеся задачи и обеспечивают гарантии качества кода.
Практическая демонстрация конфигурации первого hook — системы уведомлений. Показывается пошаговый процесс настройки и использования hooks для автоматизации уведомлений.
Ключевой вывод: Практическая реализация hooks демонстрирует реальную полезность автоматизации в рабочем процессе.
Система памяти позволяет AI сохранять настройки, правила и контекст между сессиями. Управляется через CLAUDE.md файлы. Контекст динамически генерируется релевантно текущей задаче.
Ключевой вывод: Память Claude позволяет агенту учиться на своих действиях и становиться более эффективным со временем.
Практическая демонстрация с использованием проекта парсера LinkedIn. Создание директорий с CLAUDE.md файлами. Показывается, как файлы памяти могут быть специализированы для разных частей проекта (API, фронтенд, компоненты).
Ключевой вывод: Структурированная память в разных CLAUDE.md файлах позволяет контролировать контекст для разных задач.
Claude Code автоматически отслеживает изменения файлов для каждого промпта. Быстрое восстановление после ошибок критично для удобства пользователя. Демонстрируются функции контрольных точек и отката.
Ключевой вывод: Встроенная система контрольных точек позволяет экспериментировать без страха потерять работу.
Создание пользовательских команд, расширяющих функциональность Claude Code. Это даёт разработчикам бесконечные возможности кастомизации. Пошаговое создание собственных команд.
Ключевой вывод: Пользовательские команды позволяют адаптировать Claude Code под специфику конкретного проекта.
Продвинутое инженерство контекста с пользовательскими командами. Пример из документации Claude Code: генерация commit-сообщений с предварительной загрузкой нужного контекста.
Ключевой вывод: Правильная загрузка контекста перед генерацией резко улучшает качество результатов.
LSP интеграция делает Claude Code похожим на обычного разработчика. Использует возможности поиска IDE вместо grep. Поддерживает рефакторинг и навигацию по коду.
Ключевой вывод: LSP интеграция превращает Claude Code в полноценный инструмент разработки, а не просто ассистента.
До MCP нужно было писать пользовательский код инструментов для каждой интеграции AI-агента. MCP стандартизирует, как приложения предоставляют контекст LLM. Это универсальный адаптер для различных источников данных.
Ключевой вывод: MCP решает проблему фрагментации, позволяя использовать один стандарт для всех интеграций.
Архитектура MCP состоит из: хостов, клиентов и серверов. Стандартизирует предоставление контекста LLM. Каждый хост нуждается в нескольких MCP-клиентах для подключения к разным серверам.
Ключевой вывод: Архитектура MCP позволяет гибко управлять множеством инструментов и контекстов.
Демонстрация возможностей MCP — подключение погодного сервиса к Claude. Показывается, как инструменты вызываются и результаты возвращаются. Демонстрируются множественные вызовы инструментов в одном промпте.
Ключевой вывод: MCP позволяет агенту получать доступ к внешним данным в режиме реального времени.
Установка Context7 MCP через CLI. Использование команды "cloud mcp add". Список и проверка MCP подключений.
Ключевой вывод: Установка и настройка MCP требует минимум действий благодаря дружественному CLI.
Практическое использование Context7 MCP. Список инструментов, задание вопросов, демонстрация возможностей. Все артефакты в ветке проекта/MCP.
Ключевой вывод: Context7 MCP демонстрирует реальный потенциал внешних источников контекста.
Инженерство контекста внутри экосистемы MCP. Загрузка проекта-уровня JSON MCP без ненужных инструментов. Оснащение агента только необходимыми инструментами. Всё выполняется через CLI. Оптимизация снижает использование токенов значительно.
Ключевой вывод: Предоставление агенту только нужных инструментов критично для эффективности контекста.
Недавно запущенная функция, которая облегчает добавление пользовательской конфигурации. Следование примерам документации. Компании типа Supabase издают собственные маркетплейсы и плагины.
Ключевой вывод: Экосистема плагинов позволяет разработчикам делиться и переиспользовать конфигурации.
Недостатки: 58 инструментов по серверам потребляют 55K токенов. Перегруженность контекста, увеличенная латентность, деградированная производительность. Описания инструментов не отражают паттерны использования.
Ключевой вывод: Чрезмерное использование MCP может привести к проблемам с производительностью, требуя тщательной оптимизации.
Альтернативный подход Cloudflare к MCP. Вместо стандартного MCP, взять все описания инструментов и оптимизировать их. Уменьшает перегруженность контекста и латентность. Эта идея приживается в индустрии.
Ключевой вывод: Альтернативные подходы к стандартизации могут обеспечить лучшую производительность для специфических сценариев.
Обзор интеграции Claude Code + GitHub. Шаги конфигурации: GitHub CLI, подключение репозиториев. Используется командой Anthropic для маркировки issues в production.
Ключевой вывод: GitHub интеграция позволяет Claude Code автоматизировать весь цикл разработки.
Установка GitHub CLI, запуск слеш-команды /install-github-app. Конфигурация доступа к репозиториям и инструментам для Claude.
Ключевой вывод: Правильная настройка GitHub интеграции требует нескольких шагов, но результат стоит того.
Тегирование Claude Code для решения GitHub issues. Показывается интеграция с GitHub Actions и как Claude обрабатывает и решает issues.
Ключевой вывод: Автоматизированное решение issues демонстрирует реальную ценность AI-агентов в разработке.
Использование /init на GitHub проекте локально. Получение удалённых изменений, запуск Claude на проекте. Проверка commits и merged кода.
Ключевой вывод: Локальная синхронизация с GitHub позволяет агенту работать с актуальным кодом.
План режим (Shift+Tab) для Spec-Driven разработки. Режим исследования только для чтения. Использование более мощных моделей (Opus) для планирования, более лёгких (Sonnet) для реализации. Создание красивых файлов спецификаций для лучших результатов.
Ключевой вывод: Разделение планирования и реализации с разными моделями оптимизирует качество и стоимость.
Запуск нескольких агентов Claude Code одновременно для параллельной разработки. Критическое понимание: оба агента имеют полный доступ на чтение/запись — нужно осторожно управлять зависимостями (например, фронтенд-агенту нужен готовый API).
Ключевой вывод: Параллелизм ускоряет разработку, но требует тщательного управления зависимостями между компонентами.
Теоретическое введение в подагентов, где главный агент делегирует задачи специализированным подагентам. Каждый подагент имеет собственный контекст и набор инструментов. Понимание внутреннего механизма работы агентов дает лучшую способность их использовать.
Ключевой вывод: Подагенты позволяют главному агенту делегировать специализированные задачи без потери контроля.
Конфигурирование первого подагента с использованием команды /agents. Создание и тестирование подагента в действии. Практический подход к настройке взаимодействия между агентами.
Ключевой вывод: Команда /agents является основным инструментом для создания и управления подагентами.
Запуск двух проверок одновременно вместо последовательного выполнения. Создание шаблонного кода и порождение нескольких экземпляров подагентов параллельно. Возможность добавления новых агентов путем создания файлов в директории agents.
Ключевой вывод: Множественные подагенты можно запускать параллельно для ускорения обработки задач.
Глубокий анализ потока контекста при работе с подагентами, где главным преимуществом является предотвращение переполнения контекста в главном потоке. Возможность манипуляции промптом, который главный агент отправляет подагенту, позволяет улучшить результаты. Это очень мощная концепция архитектуры.
Ключевой вывод: Подагенты предотвращают переполнение контекста и позволяют масштабировать сложные системы.
Демонстрация взаимодействия между главным агентом и подагентами, включая создание агента для работы с диаграммами Mermaid. Цель - понять взаимодействие главного агента с подагентами и поток передачи промптов.
Ключевой вывод: Понимание взаимодействия между агентами критично для разработки сложных систем.
Манипуляция промптом, который генерирует главный агент для подагентов. Добавление специфических инструкций, которые изменяют способ взаимодействия главного агента с подагентом. Этот подход дает тонкий контроль над поведением всей системы.
Ключевой вывод: Через манипуляцию промптами можно достичь точного управления поведением подагентов.
Добавление шагов выполнения к агенту, например проверка наличия готовых диаграмм онлайн перед созданием новых. Внедрение эвристик типа "KISS" (Keep It Simple Stupid). Управление логикой подагентов через инженерию промптов.
Ключевой вывод: Промптинг является мощным инструментом для управления логикой и приоритетами подагентов.
Масштабирование разработки путем порождения нескольких параллельных подагентов, работающих одновременно. Оговорка: этот подход потребляет значительное количество токенов. Настройка инфраструктуры для работы с бесконечными подагентами.
Ключевой вывод: Бесконечные подагенты позволяют масштабировать разработку, но требуют внимательного управления ресурсами.
Практическая реализация архитектуры бесконечных подагентов. Выход и перезапуск Claude Code. Запуск рабочего процесса с бесконечными подагентами и наблюдение результатов.
Ключевой вывод: Практическая реализация требует понимания жизненного цикла подагентов и управления ресурсами.
Анализ файла infinite.md как "высокоуровневого промпта" - промпта, который принимает другой промпт на входе. Демонстрация будущего агентного кодирования и разработки ПО. Метапромптинг может решать практически любые задачи.
Ключевой вывод: Метапромптинг открывает возможности создания самоулучшающихся систем и универсального решения задач.
Одна из любимых функций инструктора. Создание стилей вывода из описаний с использованием встроенного агента "output setup". YAML является популярным форматом для конфигурации. Стили очень гибкие и полностью настраиваются.
Ключевой вывод: Пользовательские стили вывода позволяют адаптировать Claude Code под специфические потребности проекта.
Создание стиля вывода HTML с форматированием ASCII-артом. Выбор между уровнем конфигурации на уровне проекта и уровне пользователя. Демонстрация возможностей продвинутой настройки.
Ключевой вывод: Стили вывода уровня проекта обеспечивают согласованность и улучшают читаемость результатов.
Строки статуса в Claude Code показывают текущее состояние работы. Переключение между стилями вывода и создание пользовательских описаний строк статуса. Множество творческих возможностей для визуализации.
Ключевой вывод: Строки статуса могут быть настроены для отображения релевантной информации о текущей задаче.
Папка .claude в домашней директории содержит конфигурации проектов и логи беседы в формате JSON файлов. Продвинутые паттерны использования стилей вывода для создания более агентных рабочих процессов кодирования.
Ключевой вывод: Анализ JSON логов позволяет создавать продвинутые паттерны вывода, зависящие от истории взаимодействия.
Представление концепции переключения между специализированными установками агентов для разных потребностей вывода. Инструктор уверен, что это именно то, что мы увидим в ближайшие месяцы и годы. Разные агенты для разных интерфейсов и стилей работы.
Ключевой вывод: Будущее разработки лежит в использовании специализированных команд агентов с разными стилями работы.
Навыки агентов представлены Anthropic в октябре 2025 года. Позволяют упаковывать возможности в виде пользовательских рабочих процессов и инструкций. Четыре уровня обучения: теория и практическое использование с Claude Code и глубокие агенты LangChain.
Ключевой вывод: Навыки являются новым примитивом для упаковки и переиспользования функциональности агентов.
Навыки в действии - практическая демонстрация. Использование навыков как конечные пользователи. Работа с проектом HookHub. Применение руководства по брендированию через навык Claude Code.
Ключевой вывод: Навыки упрощают применение сложных рабочих процессов и знаний к новым проектам.
Глубокий анализ создания пользовательских навыков со вспомогательными скриптами. Навыки состоят из файлов навыка и исполняемых скриптов. Итеративное совершенствование навыков в соответствии с потребностями. Практическая демонстрация полного цикла разработки.
Ключевой вывод: Вспомогательные скрипты позволяют создавать мощные и гибкие навыки с автоматизацией.
Сравнение навыков агентов с другими примитивами (MCP, подагенты, память, слэш-команды) с точки зрения управления контекстом и потока выполнения. Каждый примитив решает разные архитектурные проблемы.
Ключевой вывод: Выбор примитива зависит от требований управления контекстом и уровня изоляции задачи.
Навыки учат агентов КАК выполнять задачи последовательно, упаковывая рабочие процессы. MCP предоставляет ЧТО инструменты и возможности доступны. Навыки работают в потоке главного агента и решают разные проблемы на разных уровнях архитектуры.
Ключевой вывод: Навыки - для методологии, MCP - для возможностей; они дополняют друг друга.
Ключевое отличие: подагенты имеют изолированные свежие окна контекста, навыки работают в потоке главного агента. Главный агент решает: подагент для изолированных задач, навыки для методологии и рабочих процессов.
Ключевой вывод: Подагенты для паралелизма и изоляции, навыки для последовательного расширения функциональности.
Anthropic интегрировала Claude Code прямо в приложение Claude Desktop. Этот раздел только для демонстрации, без требования к самостоятельному выполнению.
Ключевой вывод: Claude Desktop предоставляет встроенный доступ к Claude Code без дополнительных инструментов.
Установка Claude Code на Claude Desktop через икону в верхнем левом углу. Объяснение локального и облачного режимов работы. Выбор режима зависит от требований проекта и наличия ресурсов.
Ключевой вывод: Локальный режим обеспечивает приватность, облачный - больше вычислительных ресурсов.
Рабочая директория указана на проект. Запуск локальных и облачных агентов одновременно. Предоставление разрешений для работы. Демонстрация параллельной оркестрации локальных и облачных агентов.
Ключевой вывод: Параллельная работа локальных и облачных агентов ускоряет разработку и предоставляет гибкость.
Git worktree: отдельные рабочие директории, связанные с репозиторием, но проверенные на разные ветки. Используются Claude Code для параллельной работы. Рабочий процесс: создание worktree, работа, коммит в ветку. Концепция становится естественной с практикой.
Ключевой вывод: Git worktree позволяет нескольким агентам работать на разных ветках без конфликтов.
Объединение результатов нескольких агентов (локальных и облачных). Практическая работа с git worktree. Использование модели Opus 4.5 для генерации кода с высоким качеством.
Ключевой вывод: Эффективное слияние результатов требует понимания git worktree и стратегии интеграции.
Демонстрация Claude Code, работающего с телефона. Тот же процесс работы агентов применяется на мобильных устройствах. Реализация футера через мобильный промпт.
Ключевой вывод: Claude Code работает не только на десктопе, но и обеспечивает функциональность на мобильных устройствах.
Классификация агентов: поверхностные агенты (одна итерация, простое использование инструментов) vs глубокие агенты (многошаговые, долгоживущие, интенсивное рассуждение). Глубокие агенты: 1) планирование/TODO список 2) подагенты/иерархическая делегация 3) управление контекстом 4) рассуждение. Контекст увеличивается с каждой итерацией.
Ключевой вывод: Глубокие агенты требуют сложного управления контекстом и иерархической архитектуры.
TODO список как ключевая характеристика глубоких агентов. Инструмент планирования показывает прогресс сложных задач. Команда LangChain ввела термин "deep agents". Очень интуитивная концепция.
Ключевой вывод: TODO список визуализирует прогресс и помогает управлять многошаговыми задачами.
Иерархическая делегация: главный агент делегирует специализированные подагентам. Аналогия: нанятие сантехника, который работает независимо со своими инструментами. Вы не должны знать, что происходит внутри. Предотвращает переполнение контекста главного потока.
Ключевой вывод: Иерархическая делегация является элегантным решением проблемы масштабирования контекста.
Глубокий анализ потока контекста. Каждое сообщение подагента увеличивает размер токенов. Возможность манипуляции промптом для лучшей производительности подагента. Элегантная и мощная архитектурная схема.
Ключевой вывод: Тщательное управление контекстом является критичным для эффективности глубоких агентов.
Обсуждение темной стороны агентного кодирования - уязвимостей безопасности в коде, генерируемом ИИ. Ссылки на TenSai (компания AI хакинга). Анализ качества безопасности различных coding agents. Критическая тема для производственных систем.
Ключевой вывод: Безопасность AI-сгенерированного кода требует постоянного аудита и понимания потенциальных уязвимостей.
История: Cursor стал популярным как обертка над AI кодированием, привлек сотни миллионов инвестиций. Anthropic понял, что позволяет кому-то другому захватить ценность. Claude Code дает Anthropic прямой контроль. Cursor доказал, что ценность лежит в базовых AI моделях, а не в обертках.
Ключевой вывод: Фундаментальная ценность лежит в качестве AI моделей, а не в интерфейсах их использования.
Страх упустить возможность в стремительно развивающейся среде AI. Ссылка на блог Andrej Karpathy конца 2025 года. Роль тимлидов и инженеров меняется в эпоху AI. Ключевое сообщение: все испытывают FOMO, включая экспертов. Принимайте это и продолжайте учиться.
Ключевой вывод: Постоянное обучение и адаптация являются необходимостью в быстро развивающемся мире AI разработки.