Раньше говорили: чтобы стать программистом, нужны годы. Потом появился AI и все решили: теперь не нужно ничего. Ни то, ни другое не правда. В 2026 году правила изменились, но не так, как принято думать. Принято считать, что с нейросетями код вообще не нужно учить. Сейчас объясню, где именно эта логика рассыпается.
Что узнаете из статьи:
- Почему «просто попросить AI написать код» больше не работает как карьерная стратегия
- Как работает agentic engineering и зачем это знать новичку
- Пошаговый маршрут: что учить и в каком порядке
- Почему Git, безопасность и контейнеры - не скучная теория, а буквально страховка от потери всего
- И где конкретно начать прямо сейчас
Vibe coding умер. Добро пожаловать в agentic engineering
3 февраля 2025 года Андрей Карпаты, один из отцов-основателей современного глубокого обучения, написал пост про «vibe coding». Идея: доверяешь AI полностью, просто говоришь что хочешь и не особо вникаешь в детали. Звучит заманчиво.
Ровно год спустя, 5 февраля 2026, он предложил новый термин: «agentic engineering».
Разница принципиальная. Vibe coding - это «попросил и надеюсь». Agentic engineering - это когда несколько AI-агентов работают параллельно: один пишет backend, второй генерирует тесты, третий делает документацию. А человек управляет всем этим оркестром: ставит задачи, исправляет ошибки, контролирует архитектуру.
Вернее, даже не управляет. Скорее - дирижирует.
И вот здесь кроется ловушка. Дирижёр, который не понимает, что играет каждый инструмент, - это просто человек, машущий палочкой. Нельзя управлять тем, чего не понимаешь. Даже если за тебя всё делает AI.
Почему фундамент всё ещё нужен (даже если AI пишет за вас)
Я регулярно работаю с AI-инструментами в коде, и вот наблюдение из личного опыта: когда не понимаешь базы, ты не можешь объяснить AI что именно идёт не так. Получается разговор двух людей, один из которых не знает языка. Клод что-то пишет, ты смотришь и думаешь «ну, наверное, правильно».
А потом оно падает в продакшне
Tina Huang, бывший дата-сайентист Meta, которая разобрала этот маршрут детально, формулирует просто: AI хорош как pair programmer, но не как замена пониманию. Вы всё ещё должны уметь читать код, замечать архитектурные проблемы и понимать, когда агент несёт чушь.
Без AI освоение всего этого заняло бы 10-12 месяцев плотного буткемпа или несколько лет университета. С правильным подходом и AI как ассистентом - около 6 месяцев при полной загрузке.
Это просто другой способ учиться.
Кстати, если тема интересна - в Telegram-канале пишу о подобном регулярно: инструменты, лайфхаки, конкретные сценарии использования нейросетей в жизни и бизнесе. Там проще задать вопрос и не ждать следующей статьи.
Маршрут: что учить и в каком порядке
Это не случайный список. Это последовательность, где каждый шаг готовит почву для следующего.
Шаг 1. Основы кода
Переменные, типы данных, условия (if/else), циклы, объектно-ориентированное программирование, работа с API. Это фундамент, без которого остальное не держится.
Какой язык выбрать? По данным 2026 года: Python ищут 45,7% рекрутеров, JavaScript - 41,5%. Практически паритет. Python лучше, если интересны AI-агенты и данные. JavaScript - если хочется в веб. Казалось бы, сложный выбор. На деле - берите Python, если нет конкретной причины для JavaScript. AI-направление сейчас активнее.
Шаг 2. Архитектура программного обеспечения
Как устроены проекты изнутри. Как выбирается стек. Что такое системное проектирование. Типы API (REST, GraphQL и другие). Базы данных. Тестирование. Деплой.
Звучит скучно. На практике - это то, что отличает человека, который «немного умеет кодить», от человека, которому платят за код.
Шаг 3. Git и GitHub
Контроль версий. Способность откатиться назад.
И вот история из практики (не моя, но показательная): vibe-кодеры без Git теряли весь код, когда AI-агенты делали ошибки. Просто весь. Потому что не было точки возврата. Git - это не инструмент «для продвинутых». Это базовая страховка.
Шаг 4. Безопасность и приватность
Аутентификация, базовые принципы защиты данных, понимание что можно, а что нельзя доверять AI.
Важный момент: AI плохо справляется с безопасностью. Это его слепое пятно. Агент напишет рабочий код, который при этом будет дырявым как решето. Если не знаешь базы - не заметишь.
Контейнеры: скучно звучит, но спасает нервы
Это бонус-тема, которую стоит разобрать отдельно.
Docker и аналоги - это технология изоляции. Запускаешь AI-агента внутри контейнера, и если он начинает делать что-то странное (а такое бывает чаще, чем кажется) - просто выключаешь контейнер. Никаких последствий для основной системы.
Это не паранойя. Это рабочая практика всех, кто серьёзно работает с агентами.
Как учиться быстрее: работа с ресурсами и проекты
Два инструмента, которые реально ускоряют:
NotebookLM. Загружаете лекции, статьи, документацию - и просите сделать резюме или сгенерировать вопросы для самопроверки. Это не читерство, это умная работа с материалом.
Проекты с AI. Берёте чужой проект на GitHub, разбираете как он устроен, дорабатываете под себя. И просите AI предлагать несколько вариантов реализации - не один. Это заставляет думать, сравнивать, принимать решения. Именно это и есть обучение.
Claude Sonnet, по словам Tina Huang, лучше всего подходит для объяснения кода и работы с ним. Я сам использую Claude Code в своих проектах, и это сильно другой уровень по сравнению с просто чатом.
Главное: проект, в котором что-то пошло не так и вы разобрались почему, стоит десяти идеально написанных туториалов.
Ошибки, которые стоят месяцев
Конкретно и без воды:
- Пропустить Git. Это не «потом», это одновременно с первыми уроками по основам.
- Верить AI в вопросах безопасности. Он не знает, что оставил дыру. Нужно знать вам.
- Учить один язык сразу до совершенства. Основы Python плюс понимание архитектуры дают больше, чем идеальное знание синтаксиса.
- Не делать проектов. Туториал прошли - хорошо. Сделали что-то своё - поняли. Разные вещи.
- Игнорировать контейнеризацию. Особенно если планируете работать с агентами. Это вопрос практической безопасности, не теории.
Когда стоит разобраться глубже
Если маршрут выше кажется понятным и хочется больше конкретики - в инструментах, в том как сейчас реально используют AI в разработке, в автоматизации на n8n и не только - это как раз то, о чём я пишу регулярно.
Ниже оставлю ссылки, там можно начать в любом удобном формате.
Если хочется не просто читать про AI, а реально его применять, у меня есть несколько мест, где это можно делать вместе.
Начать стоит с Telegram-канала. Это наш основной ресурс, где разбираем новые инструменты, кейсы автоматизации и приёмы, которые можно применить уже завтра.
Если зайдёт, залетайте в AI BASE. Это закрытое сообщество, где я делюсь личными наработками по автоматизации, вайб-кодингу и нейросетям.
А если хочется прямо сейчас сесть и попробовать руками, есть два бесплатных курса с нуля: по n8n для автоматизации без кода и по Claude Code для разработки в связке с AI.
FAQ
Сколько времени нужно, чтобы научиться программировать с нуля?
При полной загрузке и правильном подходе с AI - около 6 месяцев. Без AI или с хаотичным подходом - 10-12 месяцев минимум. Полная занятость здесь значит 6-8 часов в день. При параллельной работе - умножайте на 2-3.
Какой язык программирования самый лёгкий для начинающих в 2026?
Python. Читаемый синтаксис, огромное сообщество, и он же используется в большинстве AI-инструментов. JavaScript закрывает больше вакансий в вебе, но как первый язык Python проще.
Где бесплатно научиться программировать?
GitHub с открытыми проектами + NotebookLM для работы с материалами + Claude Sonnet как объясняющий ассистент. Это не полноценная программа, но начать можно без вложений.
Нужно ли понимать математику для программирования?
Для базового программирования - нет. Для машинного обучения и работы с данными - нужна линейная алгебра и статистика. Но это уже шаг два.
Что такое agentic engineering простыми словами?
Несколько AI-агентов работают параллельно над разными частями проекта, а человек ставит задачи и контролирует результат. Это следующая ступень после vibe coding. Разница: здесь нужно понимать что происходит, иначе не можете управлять.