Роадмап AI-инженера: что реально в awesome-artificial-intelligence

Роадмап AI-инженера - это подборка курсов, книг, статей и фреймворков, которая ведёт разработчика от базовых понятий до боевых агентных систем. Один из самых аккуратно собранных списков на эту тему - awesome-artificial-intelligence Оуэна Льюиса на GitHub: 16 052 звезды, MIT-лицензия, обновляется каждую неделю. Разобрал, что там правда есть, кому подходит, а кому нет, и как пройти подборку с Claude Code, не утонув в англоязычном README.

Ссылка на оригинал: github.com/owainlewis/awesome-artificial-intelligence. Официальный сайт автора: aiengineer.co.

Что реально внутри подборки

Список разложен на три большие части.

1. Learn. Книги (14 позиций), курсы (10 позиций), базовые статьи (10 позиций).
2. Build AI systems. Гайды и плейбуки, LLM-инжиниринг, протоколы (Model Context Protocol и Agent2Agent), фреймворки для агентов, ретривал и данные, evals и надёжность, деплой и наблюдаемость.
3. Agentic software engineering. Кодовые агенты (Claude Code, Codex CLI, Gemini CLI, Cursor CLI, Aider, OpenHands, Cline, Continue и другие), агентные скиллы, software factories.

Автор в README прямо оговаривает: это не каталог всего подряд. Каждая позиция проходит порог по глубине, доказательствам и практической ценности. Проверку делает еженедельная evidence-backed автоматизация - результат виден по объёму: 220 КБ README, ни одной дубли, ни одной строки для галочки.

Чего в подборке НЕТ, вопреки рекламным описаниям: пошагового роадмапа от нуля до senior, готового чеклиста под собеседование, отдельного раздела "поиск удалёнки с высокой зарплатой". Это ссылки на первичные материалы, а не курс с плечом.

Кому подойдёт, а кому нет

Подойдёт, если ты разработчик, который уже пишет код и хочет собрать первое agentic-приложение, разобраться с RAG, evals или MCP. Здесь есть всё, чтобы за месяц перестать пугаться слов "фреймворк для агентов".

Не подойдёт, если ты хочешь учиться программированию с нуля, потому что "хочу в ИИ". Книг "Python для чайников" в списке нет и не будет - фильтр автора отсеет. Для базы бери отдельно (например, Project Based Learning на GitHub).

Не подойдёт и "подтянуть математику с нуля". "Deep Learning" Гудфеллоу и "Reinforcement Learning" Саттона-Барто - высокий порог, эти книги предполагают, что базовый матанализ и линейную алгебру ты уже прошёл.

С чего начать, если ты не с нуля, но и не сеньор

Реальный порядок, который сработает у разработчика с уровнем "уверенный Python и умею читать API-доки":

1. Прочитать "Building Effective Agents" от Anthropic и "A Practical Guide to Building Agents" от OpenAI. Обе бесплатны, обе задают язык, на котором говорит вся индустрия.
2. Пройти плейлист Карпаты "Neural Networks: Zero to Hero" на YouTube. Там он руками собирает нейросеть с нуля. Без него дальше половина обсуждений будет звучать как магия.
3. Взять один агентный фреймворк: Pydantic AI для типизированных агентов, LangGraph для сложных состояний или OpenAI Agents SDK, если уже сидишь на OpenAI. Не пытайся осваивать сразу все три.
4. Написать одного своего агента под свою задачу - парсер счетов, ассистент по документации, что угодно с реальной болью.
5. Только после этого лезть в evals (Promptfoo или Ragas) и observability (Langfuse).

Все перечисленные ресурсы в подборке есть. Собрать этот пайплайн можно за месяц вечерних часов.

Книги, которые правда стоит открыть

Из четырнадцати книг в подборке я бы вытащил три:

• AI Engineering Чип Хайен. Про то, как собирать приложения на foundation models в проде, без академического балласта.
• Hands-On Large Language Models Джея Аламмара - визуальная и практическая, идеальна для тех, кто лучше воспринимает через диаграммы.
• Build a Large Language Model from Scratch Себастьяна Рашки. Если хочешь понять, что происходит внутри трансформера, а не только его использовать.

Остальные книги мощные, но требуют больше свободного времени, чем есть у человека с работой.

Фреймворки для агентов, актуальные в 2026

В подборке подтверждены: Pydantic AI, LangGraph, OpenAI Agents SDK, Google Agent Development Kit, Microsoft Agent Framework (пришёл на смену AutoGen и Semantic Kernel). Отдельно - разделы Durable Agents (агенты, которые не падают на длинных задачах) и Human-in-the-Loop (когда агент останавливается и ждёт согласования от человека).

Из кодовых агентов упомянуты: Claude Code, Codex CLI, Gemini CLI, Cursor CLI, GitHub Copilot coding agent, Aider, OpenCode, OpenHands, Cline, Continue, Neo (собственный проект автора подборки). Если ты только выбираешь - Claude Code сегодня самый вылизанный из терминальных, Aider - самый минималистичный и без вендор-лока.

Как пройти подборку с Claude Code за месяц

Чтобы не сидеть неделю над английским README и не проваливаться в каждую ссылку, отдай его агенту как источник и попроси построить персональный роадмап.

В Claude Code вставь запрос:

Открой README из репозитория https://github.com/owainlewis/awesome-artificial-intelligence
и построй мне персональный роадмап AI-инженера на 8 недель.

Мой контекст:
- уровень: <новичок / уверенный разработчик / senior>
- цель: <собрать своего агента / войти в найм / разобраться в LLM для своего бизнеса>
- время в неделю: <5-10 часов>
- бэкграунд: <языки, что уже читал>

Задача:
1) выбери 6-10 ключевых ресурсов из подборки под мою цель и уровень
2) разложи по 8 неделям с конкретной задачей на каждую
3) в каждой неделе: что читаем/смотрим, что руками собираем, чем закрываем неделю
4) не бери всё подряд, отсекай то, что мне не нужно
5) в конце - один pet-проект, который логично собрать после роадмапа

Формат: markdown, по одной неделе на блок.

Дальше по ходу можно возвращаться и уточнять - Claude Code видит README целиком и работает с ним как со справочником. Хочешь глубже погрузиться в конкретный ресурс - просишь агента разжевать его пошагово, тоже в Claude Code.

Куда ходить за апдейтами

Список обновляется еженедельно, поэтому раз в месяц имеет смысл открывать репозиторий и смотреть последние коммиты. YouTube-канал автора @owainlewis выкладывает практические разборы по агентам и AI-инжинирингу - там же лежит "Build Your Own Coding Agent Like Pi" на час.

Отдельно автор бесплатно раздаёт AI Engineer starter pack на своём сайте aiengineer.co/start - агентные скиллы и туториалы. Полный курс AI Engineer у него платный, я его не проходил, поэтому мнения не даю.

FAQ

Это роадмап для дата-сайентиста или для AI-инженера? Именно AI-инженера - то есть разработчика, который строит приложения на LLM и агенты. Классический Data Science (feature engineering, продакшн ML-модели, DS-стек) тут в меньшинстве.

Нужно ли платить за что-то из подборки? Нет. Большая часть материалов бесплатна. Платные - книги в издательствах и курс AI Engineer самого Оуэна Льюиса.

Насколько это актуально в 2026 году? Подборка обновляется каждую неделю evidence-backed автоматизацией. Устаревшие фреймворки уходят, свежие приходят. Последний push в репозиторий - 15 августа 2026, живой.

Что читать первым, если вообще ничего не понимаю? "Building Effective Agents" от Anthropic. Статья на 20 минут, задаёт вокабуляр, на котором говорит вся индустрия.

Есть аналоги на русском? Полного аналога нет. Отдельные материалы разобраны в наших гайдах - например, бесплатные курсы Anthropic Academy и бесплатный курс Google по вайбкодингу.

Итог

Awesome-artificial-intelligence - не универсальный роадмап для всех, кто хочет "в ИИ". Это отфильтрованная подборка под одну конкретную роль: AI-инженер, который строит приложения на моделях и агенты. В этой рамке она лучшая, что сейчас есть на GitHub. Всё остальное - обещания.

Что дальше

Если хочешь собрать такую систему у себя - у меня есть курс по вайбкодингу и работе с нейросетями в клубе Мандарин Лаб: mandarinedu.ru. Первые уроки открыты бесплатно.

Если нужно внедрить ИИ в бизнес - процессы, агентов, автоматизацию под вашу задачу - пишите мне напрямую: t.me/Philigranchik. Разберу задачу и скажу, что реально автоматизируется, а что нет.