Преподает Lead разработки AI-агентов, Группа Сбер (АБТ) Научимся с нуля создавать и внедрять в процессы сложных AI-агентов на примере pet-проекта — мультиагентной системы с production-архитектурой: памятью, стейтом, автономностью и мониторингом. Без low-code решений. Как это все будет пошагово: Урок № 1 Введение в концепцию агентов: AI-агенты — самая хайповая концепция, но именно поэтому этим словом называют все подряд: и простого чат-бота с промптом, и любой скрипт с вызовами LLM. Агенты гораздо глубже и сложнее. В этом модуле разбираемся, что такое агент на самом деле, почему это не фреймворк и не SDK, и закладываем архитектурный фундамент, на котором будет стоять все остальное Урок № 2 Как агент думает и действует: «Агент работает, но так себе» — мы не уверены, что задача вообще закончится успехом. В этом уроке строим когнитивный и execution-слой как инженерные компоненты Урок № 3 Автономность: память, стейт и контроль поведения: Добавляем агенту все, чтобы отправить его в свободное плавание: память, состояние и контроль. Здесь мы превращаем реактивную систему в управляемую и автономную Урок № 4 Катим в прод: надежность, безопасность и остановка: Демо прощает все, а прод — нет. В этом уроке делаем агента, которому можно доверять: ошибки, безопасность, наблюдаемость, стоимость, измеримость и обязательные stop conditions Урок № 5 Сложные задачи: мультиагентность и координация
Программа подробно:
Урок №1. Введение в концепцию агентов AI-агенты — самая хайповая концепция, но именно поэтому этим словом называют все подряд: и простого чат-бота с промптом, и любой скрипт с вызовами LLM. Агенты гораздо глубже и сложнее. В этом модуле разбираемся, что такое агент на самом деле, почему это не фреймворк и не SDK, и закладываем архитектурный фундамент, на котором будет стоять все остальное Что такое агент и что им не является: как мы вообще здесь оказались и почему перестало хватать просто LLM агент vs чат-бот vs pipeline vs workflow decision framework: когда агент действительно нужен, а когда это оверинжиниринг анатомия агентов и agent loop Паттерны: ReAct, Plan→Execute (PlanSolve) критерии выбора + антипаттерны Бонусом: кратко пройдемся по внутреннему устройству популярных агентов: Cursor, Claude Code, Deep Research разберемся, что у них общего архитектурно Практика: разбираем архитектуру реального агента по слоям собираем наивный прототип Projects Health Agent, который постарается навести порядок в вашем GitLab Результат: понимаешь, где кончается «чат» и начинается агент есть рабочий и простой прототип, который будем прокачивать Урок №2. Как агент думает и действует «Агент работает, но так себе» — мы не уверены, что задача вообще закончится успехом. В этом уроке строим когнитивный и execution-слой как инженерные компоненты Когнитивный слой: основы инференса LLM как рычаги: на что мы можем влиять как выбрать модель под задачу context engineering: как не впихивать все, что у вас есть structured outputs: заставляем модель ответить так, как нам надо Execution-слой: tools: разбираем из чего они состоят проблемы дизайна инструментов: «слишком мало/слишком много» коротко про MCP: как стандартизировать доступ к тулзам Практика: подключаем GitLab API как tools вводим строгие схемы output + валидацию/repair loop делаем стратегию чтения: агент сам решает, какие MR раскрывать глубже Результат: предсказуемые структурированные инсайты вместо безумной генерации агент умеет выбирать контекст и инструменты, а не пихать все в промпт Урок №3. Автономность: память, стейт и контроль поведения Добавляем агенту все, чтобы отправить его в свободное плавание: память, состояние и контроль. Здесь мы превращаем реактивную систему в управляемую и автономную Память: краткосрочная / долгосрочная / эпизодическая history management и компактизация: хранить / сжимать / забывать State engineering & persistence: жизненный цикл состояния персистентность: падение / рестарт без потери параллелизм и консистентность Идемпотентность и детерминизм: повторяемость действий и политики идемпотентность операций детерминизм, где возможно Контроль автономности: HITL (Human-in-the-Loop): когда действуем сами, а когда спрашиваем confidence как уровни автономности self-reflection как адаптация Практика: добавляем память и реализуем state-машину вводим idempotency keys и учимся не повторяться учимся адаптироваться к суровому окружению Результат: агент не забывает, не повторяется, ведет задачу как процесс автономность становится более управляемой Урок №4. Катим в прод: надежность, безопасность и остановка Демо прощает все, а прод — нет. В этом уроке делаем агента, которому можно доверять: ошибки, безопасность, наблюдаемость, стоимость, измеримость и обязательные stop conditions Error handling: API 500 / таймауты: retry / backoff / fallback / graceful degradation ошибки LLM: отказ, галлюцинации, невалидный output → repair / abort Guardrails: запрет деструктивных действий без подтверждения политика алертов и настройка порогов работа с prompt injection / adversarial inputs Stop conditions или когда агент обязан остановиться: cost / time / tool control mistools и другие ошибки инструментов низкая уверенность, отсутствие HITL … и другие Observability & Evals: строим трейсинг и health check что такое evals, как их строить и почему в агентах это так важно Практика: добавляем guardrails + запреты + политики алертов внедряем stop conditions (бюджеты, circuit breaker, abort правила) пишем минимальный eval suite Результат: агент безопасно останавливается и сжигает бюджет маленькой страны есть наблюдаемость и постоянная оценка качества Урок №5. Сложные задачи: мультиагентность и координация Когда один агент не тянет по широте своей души функциональности, появляется мультиагентность (несколько агентов сразу). Как следствие — неизбежность координации и взаимодействия внутри команды агентов Когда мультиагентность нужна / когда нет: компетенции, параллелизм, сложность решений цена координации Топологии и роутинг: supervisor / hierarchical, peer-to-peer роутинг: статический / динамический / условный Multi-agent state: shared vs isolated конфликтность состояний и findings + dedup / merge-политики Практика: финализируем нашу систему Результат: понимаешь, когда мультиагенты оправданы умеешь проектировать их координацию и целеполагание
Из чего состоит курс: 5 онлайн-уроков в ZOOM. Живые созвоны — длятся по 1.5−2 часа и проходят раз в неделю в свободное от работы время. Есть запись. Домашние задания: Пишем агента самостоятельно, ошибаемся, пробуем еще раз и сравниваем свои действия с действиями преподавателя. Обучение через ошибки — лучший способ обучаться и закреплять материал практике. Q&A-сеccии: Online-встречи для ответов на вопросы. Фидбек дает преподаватель — никаких кураторов и помощников. Продажник: ↓ Скачать: ↓
Курс Дмитрий Антипов, balun.courses - Иженерия AI-агентов: с нуля до запуска в prod (2026)
Текущее время: Сегодня 05:40
Часовой пояс: GMT + 4
Вы не можете начинать темы Вы не можете отвечать на сообщения Вы не можете редактировать свои сообщения Вы не можете удалять свои сообщения Вы не можете голосовать в опросах Вы не можете прикреплять файлы к сообщениям Вы не можете скачивать файлы