AI Agents PRO: LangGraph, AutoGen и LLMOps в продакшне [stepik] [Алексей Малышкин]

Складчина: AI Agents PRO: LangGraph, AutoGen и LLMOps в продакшне [stepik] [Алексей Малышкин]

Научитесь создавать надёжных AI-агентов с LangGraph, AutoGen и LLMOps. Практика построения агентов для поддержки, продаж и автоматизации данных: от RAG и инструментов до метрик качества, бюджета и продакшн-деплоя. Курс для тех, кто хочет выводить ИИ-проекты за пределы демо.

Чему вы научитесь

• Проектировать архитектуру AI-агентов на основе LangGraph и AutoGen: роли, состояния, инструменты, переходы
• Строить графы задач (DAG/FSM) с ветвлением, параллелизмом, отменой и компенсационными шагами
• Проектировать рабочую память агента: short-term/long-term, entity/summary memory, TTL и эвикцию
• Делать checkpointing состояния и корректное восстановление после падений
• Интегрировать инструменты: HTTP-клиенты, БД (Postgres/Redis), файловые хранилища, почта, внешние API
• Подключать браузерную автоматизацию (Playwright) и управлять побочными эффектами инструментов
• Создавать безопасные инструменты со скоупами, валидацией входов/выходов и песочницей
• Реализовывать RAG-ядро: индексация, чанкинг, hybrid BM25+dense, выбор top-k, перезапросы
• Подключать Qdrant/Weaviate/FAISS, настраивать rerankers и компрессию контекста
• Управлять контекстным окном: selective retrieval, цитирование источников, предотвращение галлюцинаций
• Проектировать планирование действий (tool-use planning) и циклы self-critique/reflection
• Маршрутизировать запросы между моделями по задаче, бюджету, latency и политике данных
• Настраивать бюджет-каппинг: лимиты токенов/запросов/стоимости на пользователя и на пайплайн
• Обеспечивать надежность: таймауты, ретраи с backoff, идемпотентность, саги и dead-letter очереди
• Определять SLI/SLO для агентов: p50/p95 латентность, доля успешных задач, стоимость операции
• Вести структурированное логирование, трассировку и корреляцию событий (correlation IDs)
• Оценивать качество: golden-сеты, LLM-judge, ручная разметка; считать pass@k сценариев
• Строить наблюдаемость (Langfuse/Prometheus/Grafana) и алертинг на деградации/перерасход
• Проводить A/B-тесты ролей, промптов, памяти и Retrieval-стратегий; анализировать uplift и критерии остановки
• Версионировать промпты и пайплайны: семантические версии, changelog, rollback-стратегии
• Проектировать строгий структурированный вывод (JSON/DSL), парсинг и валидацию (Pydantic)
• Строить guardrails: грамматики/регексы/политики, фильтрация опасных действий

Начальные требования

• Уверенно владеть Python 3 (уметь писать функции, классы, работать с пакетами).
• Знать основы работы с REST API и базами данных.
• Базовое понимание LLM.
• Опыт работы с Docker или любыми контейнерами будет плюсом, но не обязателен — всё объясняется в курсе.

Программа курса

• Введение в АI-агентов и продакшн-подход
• Архитектура агентов
• Инструменты и интеграции
• Retrieval-Augmented Generation (RAG)
• Надёжность и безопасность
• LLMOps и качество агентов
• Продакшн-деплой
• Многоагентные системы
• Бизнес-кейсы и RОМI
• Постановка задачи и выбор кейса

Спойлер: Подробная программа

Введение в АI-агентов и продакшн-подход

1. Введение в курс
2. Что такое агент, чем он отличается от чат-бота
3. Почему no-code недостаточно для продакшна
4. Обзор стека: LangGraph, AutoGen, RAG, LLMOps
5. Структурированный вывод LLM: JSON, схемы, детерминизм

Архитектура агентов

1. Роли, состояния, рабочая память агента
2. FSM и DAG: оркестрация шагов
3. Supervisor–Worker и другие паттерны
4. Практика: первый агент с инструментами

Инструменты и интеграции

1. Подключение HTTP и внешних API
2. Работа с БД (Postgres, Redis), файловыми системами
3. Браузерные агенты (Playwright)
4. Sandbox и контроль побочных эффектов
5. Практика: агент с CRM-интеграцией

Retrieval-Augmented Generation (RAG)

1. Зачем агентам RAG
2. Индексация, чанкинг, выбор top-k
3. Qdrant, Weaviate, FAISS: практическое сравнение
4. Rerankers и cost-каппинг
5. Практика: подключаем RAG к агенту

Надёжность и безопасность

1. Ретраи, таймауты, идемпотентность
2. Dead-letter очереди и обработка ошибок
3. Guardrails, регулярки и грамматики
4. Работа с PII и доступами (RBAC/ABAC)
5. Практика: отказоустойчивый агент

LLMOps и качество агентов

1. Метрики: pass@k, precision/recall, cost/latency
2. LLM-judge + golden-сеты
3. Наблюдаемость: Langfuse, Prometheus, Grafana
4. Алёртинг на деградации и перерасход
5. A/B-тестирование промптов и стратегий
6. Практика: quality dashboard агента

Продакшн-деплой

1. Docker и контейнеризация
2. Очереди сообщений: RabbitMQ, Redis Streams, SQS
3. CI/CD и quality-гейты
4. Канареечные релизы и feature-флаги
5. Практика: деплой агента в продакшн

Многоагентные системы

1. Supervisor–Worker, Critic–Executor, Consensus
2. Межагентная коммуникация и deadlock prevention
3. Практика: многоагентный пайплайн

Бизнес-кейсы и RОМI

1. Support-агент: auto-resolve тикетов (40–60%)
2. Sales Ops: ресерч → персонализация → CRM
3. Data/ETL: парсинг, очистка, валидация
4. Как считать ROMI и готовить отчёт «до/после»

Постановка задачи и выбор кейса

1. Постановка задачи и выбор кейса
2. Разработка собственного агента под бизнес-сценарий
3. Защита проекта: метрики качества и ROMI-отчёт

Цена 15990 руб
Скрытая ссылка