iSAQB CPSA-A AGENTA

Описание

Участие в курсе iSAQB® CPSA-A Architecture for Agentic Software Engineering Contexts (AGENTA) дает участникам 20 баллов за методологическую компетентность (MC) и 10 баллов за техническую компетентность (TC) в счет 70 баллов, необходимых для допуска к экзамену iSAQB CPSA-A в Brightest. Важно помнить, что в рамках 70 баллов, необходимых для сдачи экзамена iSAQB CPSA-A в Brightest, необходимо набрать не менее десяти баллов компетентности в каждой из следующих областей: 

• Техническая компетентность (TC)
• Методологическая компетентность (MC)
• Коммуникативная компетентность (CC)

Аккредитованный курс iSAQB® AGENTA - Architecture for Agentic Software Engineering Contexts (CPSA-A) основан на актуальной учебной программе iSAQB®:

Часть 1 - Введение и основы

• Понимание взаимосвязей между искусственным интеллектом, машинным обучением, генеративным ИИ и большими языковыми моделями
• Различение программирования с поддержкой ИИ, расширенного с помощью ИИ и агентного программирования
• Понимание оркестрации ИИ, агентных рабочих процессов и агентной инженерии
• Распознавание различий между агентной инженерией и vibe coding
• Понимание возможностей и ограничений больших языковых моделей, включая галлюцинации, предвзятость, ограничения актуальности знаний и контекстного окна
• Объяснение влияния prompt engineering и context engineering на качество результатов, генерируемых ИИ
• Различение ИИ-ассистентов и ИИ-агентов
• Понимание агентных циклов, использования инструментов, управления состоянием, планирования, субагентов и подходов human-in-the-loop
• Классификация различных уровней автономности в агентной инженерии
• Знание таких подходов, как Spec-Driven Development, рои агентов и разговорное программирование
• Определение того, должна ли задача выполняться человеком, традиционным программным инструментом или ИИ-агентом
• Понимание того, как ИИ-ассистенты и агенты могут поддерживать деятельность в области архитектуры программного обеспечения, сохраняя при этом человеческое архитектурное суждение

Часть 2 - Принятие архитектурных решений с поддержкой ИИ

• Понимание жизненного цикла архитектурных решений и влияния на него агентной инженерии
• Создание непрерывных циклов обратной связи между архитектурой, разработкой, тестированием и эксплуатацией
• Использование ИИ для поддержки непрерывного принятия архитектурных решений на основе фактических данных
• Уточнение целей качества до уровня оцениваемых архитектурных драйверов и сценариев качества
• Выявление конфликтов между целями качества, ограничениями и архитектурными намерениями
• Выявление структурных слабых мест, архитектурного дрейфа, технического долга и возникающей сложности
• Сочетание устоявшихся инструментов анализа с архитектурными проверками и оценками при поддержке ИИ
• Использование ИИ для создания, уточнения и сравнения архитектурных альтернатив
• Оценка архитектурных вариантов с учетом драйверов, ограничений, принципов и существующих решений
• Рассмотрение архитектурных решений как проверяемых гипотез с явными предположениями и критериями валидации
• Проектирование легковесных экспериментов, прототипов, симуляций, исследовательских задач (spikes) и параллельных сравнений
• Распознавание ограничений и рисков архитектурного анализа с поддержкой ИИ
• Определение контрольных точек проверки, защитных ограничений и границ для архитектурных решений с существенными последствиями
• Смещение архитектурной работы от предписания деталей реализации к оркестрации целей, ограничений и критериев приемки
• Распознавание и ограничение рисков оркестрации, таких как неконтролируемые агенты, бесконечные циклы и каскадные ошибки
• Учет стоимости и устойчивости при проектировании агентных рабочих процессов

Часть 3 - Предоставление архитектурных знаний агентам

• Понимание того, как доступная ИИ-агенту информация влияет на качество и архитектурную согласованность его результатов
• Рассмотрение предоставления архитектурных знаний агентам как инженерной и проектной задачи
• Определение архитектурных решений, ограничений, целей качества, принципов, концепций предметной области и границ системы, значимых для ИИ-агентов
• Проектирование точных, поддерживаемых и эффективных представлений архитектурных знаний, предназначенных для агентов
• Использование таких форматов, как Architecture Decision Records, архитектурные правила, контекстные файлы, базы знаний, индексы поиска, diagrams-as-code и структурированные ограничения
• Выбор подходящих механизмов для предоставления архитектурных знаний агентам в нужный момент
• Оценка таких стратегий, как Retrieval-Augmented Generation и повторно используемые навыки агентов
• Понимание архитектурных последствий стандартизированных протоколов интеграции агентов с инструментами, таких как Model Context Protocol
• Оценка того, являются ли доступные агентам архитектурные знания достаточными и надлежащим образом структурированными
• Балансирование между полнотой архитектурного контекста и риском наличия нерелевантной или противоречивой информации
• Итеративное улучшение предоставления знаний путем наблюдения и оценки поведения агентов
• Понимание того, что общая документация не создает автоматически общего понимания

Часть 4 - Поддержание соответствия агентов архитектурным целям

• Понимание того, почему ИИ-агентам необходимы явные архитектурные средства контроля и ограничения
• Распознавание того, как неконтролируемая работа, созданная ИИ, может приводить к несогласованности, техническому долгу и архитектурному дрейфу
• Понимание того, почему одних архитектурных знаний недостаточно для управления поведением агентов
• Проектирование превентивных и выявляющих средств контроля, удерживающих результаты работы ИИ в архитектурных границах
• Оценка компромиссов между точностью и охватом, а также скоростью и глубиной анализа
• Выбор подходящих механизмов обеспечения соблюдения структурных правил и более широких характеристик качества
• Использование архитектурных тестов, статического анализа, линтеров, правил зависимостей, проверок политик, контрольных этапов ревью, песочниц и процессов утверждения
• Размещение архитектурных средств контроля в подходящих точках процесса разработки и поставки
• Создание непрерывной архитектурной проверки для быстро изменяющихся кодовых баз, разрабатываемых с поддержкой ИИ
• Оценка пригодности существующей кодовой базы и технологического стека для архитектурного контроля ИИ-агентов
• Постепенное внедрение архитектурных средств контроля в существующие системы
• Балансирование затрат на создание средств контроля и рисков эксплуатации агентов без них
• Использование ошибок в работе, созданной ИИ, для постепенного улучшения архитектурных средств контроля
• Определение того, какие улучшения контроля можно автоматизировать, а где по-прежнему необходимо человеческое суждение

Часть 5 - Извлечение архитектурной информации

• Различение документации текущей архитектуры (as-is) и целевой архитектуры (to-be)
• Различение архитектурной информации, предназначенной для людей, и информации, предназначенной для агентов
• Понимание того, где ИИ может поддерживать архитектурную документацию, а где по-прежнему необходимо взаимодействие между людьми
• Создание кратких и машиночитаемых представлений для рабочих процессов с поддержкой ИИ
• Поддержание архитектурных решений и документации на протяжении агентных циклов разработки
• Выявление случаев, когда агентная разработка неявно изменяет существующие архитектурные решения или отклоняется от них
• Использование Architecture Decision Records для фиксации решений, альтернатив, обоснований и последствий
• Использование ИИ для подготовки черновиков ADR на основе журналов контекста, результатов работы защитных механизмов, разговоров, электронных писем и протоколов встреч
• Создание контрольных точек с участием человека для сохранения прослеживаемости и ответственности
• Извлечение архитектурной информации из исходного кода, репозиториев, интерфейсов, конфигураций, тестов и дескрипторов развертывания
• Сочетание выводов, сформированных ИИ, со статическим и динамическим анализом
• Выявление технологий, фреймворков, архитектурных шаблонов, шаблонов проектирования и потенциальных бизнес-правил
• Выявление пробелов, несогласованностей и неопределенностей в восстановленной архитектурной информации
• Создание и поддержание архитектурных представлений на основе артефактов разработки
• Использование текстовых форматов, таких как Mermaid и Structurizr, для версионируемой живой документации
• Проверка созданной документации на соответствие знаниям разработчиков и фактическому поведению системы

Часть 6 - Управление и контрольные точки качества при использовании ИИ

• Понимание вопросов авторского права и лицензирования программного обеспечения при использовании кода и артефактов, созданных ИИ
• Создание средств контроля, снижающих риски, связанные с авторским правом, при разработке с поддержкой ИИ
• Оценка обработки персональных и чувствительных данных при использовании инструментов ИИ
• Понимание ролей и ответственности в соответствии с требованиями по защите данных
• Применение основных ролей, логики рисков и поэтапных требований EU AI Act к типичным сценариям использования инструментов ИИ
• Определение ситуаций, когда необходимо привлекать специалистов по защите данных, информационной безопасности, юридическим вопросам и других заинтересованных сторон
• Документирование решений, связанных с ИИ, в форме, пригодной для аудита и принятия решений
• Обеспечение прослеживаемости и происхождения результатов, созданных ИИ
• Использование структурированного журналирования, ссылок на контекст, цитирования, версионирования, трассировки и мониторинга
• Последовательное масштабирование управления ИИ между командами и процессами разработки
• Сравнение моделей стоимости ИИ на основе токенов и подписки
• Учет зависимости от поставщика, гибкости выбора провайдера и суверенитета данных при выборе сервисов ИИ
• Использование защитных механизмов, процессов утверждения и списков разрешенных элементов для интеграции агентов и инструментов
• Понимание воздействия разработки с поддержкой ИИ и агентной разработки на окружающую среду
• Разработка стратегий устойчивого использования с учетом размера модели, проектирования рабочих процессов и потребления ресурсов
• Определение безопасных и соответствующих требованиям защиты данных правил выбора и использования инструментов ИИ
• Понимание рисков безопасности, таких как prompt injection, неправильное использование инструментов и атаки confused-deputy
• Применение таких мер, как принцип минимальных привилегий, учетные данные с ограниченной областью действия, явные утверждения и мониторинг
• Выбор подходящих стратегий песочниц на основе контейнеров или виртуальных машин

Часть 7 - Эволюция дисциплины архитектуры программного обеспечения

• Сохранение ответственности и владения кодом, созданным ИИ, и результатами инженерной работы
• Распознавание и устранение риска утраты инженерных навыков из-за чрезмерной зависимости от ИИ
• Использование целенаправленной практики, самостоятельного человеческого мышления и обучения с поддержкой ИИ для сохранения ключевых навыков
• Применение критического мышления при проверке и валидации результатов, созданных ИИ
• Различение рассуждений с поддержкой ИИ и делегированного принятия решений
• Определение архитектурных видов деятельности, которые должны оставаться под ответственностью человека
• Использование общей терминологии и словарей предметной области для повышения согласованности решений агентов
• Оценка того, действительно ли команды повышают свои архитектурные компетенции, а не только быстрее создают результаты
• Внедрение разработки с поддержкой ИИ на основе явных гипотез, контролируемых экспериментов и измеримых результатов
• Понимание внедрения ИИ как непрерывного процесса, включающего получение доступа, внедрение, повышение квалификации, изменение рабочих практик и организационное развитие
• Поддержка внедрения с помощью обучения, экспериментов, четкого распределения ответственности и психологической безопасности
• Использование значимых показателей, таких как lead time, change failure rate, метрики DORA и показатели developer experience
• Применение моделей сотрудничества, объединяющих людей и ИИ при сохранении эффективной коммуникации между членами команды
• Понимание топологий агентов, таких как одиночные агенты, субагенты и команды агентов
• Адаптация ролей, структуры команд, инженерных практик и архитектурной ответственности к разработке с поддержкой ИИ
• Переход от реализации на уровне отдельных строк к более широкому архитектурному, продуктовому и ориентированному на результаты мышлению
• Понимание влияния ИИ на архитектуру программного обеспечения, архитектуру решений и корпоративную архитектуру