Открыто

Разработка ИИ-агентов [OTUS]

Тема в разделе "Курсы по программированию", создана пользователем firstovl, 31 май 2026.

Цена: 90 000р-97%
Взнос: 2 155р

Основной список: 49 участников

  1. 31 май 2026
    #1
    firstovl
    firstovl ЧКЧлен клуба

    Складчина: Разработка ИИ-агентов [OTUS]

    20260531_19-24-34.jpg

    Для кого этот курс:
    • Backend- и Fullstack-разработчики на Python или JavaScript, которые хотят перейти от работы с LLM API к разработке полноценных ИИ-агентов
    • Team Lead и Tech Lead, желающие выстроить архитектуру агентных систем для рабочих сценариев и продакшена
    • ML/DS-инженеры, которым нужно научиться собирать агентные системы с инструментами, памятью, RAG и оценкой качества
    Необходимые знания:
    • Опыт разработки на Python или JavaScript
    • Базовые знания API
    • Понимание основ БД
    Что даст вам этот курс:
    • Научитесь проектировать ИИ-агента как полноценную систему: разберете агентный цикл (ReAct), принципы контролируемого рассуждения и соберете базового агента
    • Сможете выбирать и подключать модели под задачу: освоите подходы к роутингу, fallback/HA и базовые принципы выбора модели на основе ограничений и метрик
    • Сможете интегрировать агента с инструментами и внешними системами: реализуете Function Calling и кастомные инструменты (API/SQL/SaaS), включая безопасную работу с токенами и доступами
    • Освоите протоколы и real-time взаимодействие: примените MCP, WebSockets/Streaming и Realtime API; разберете связность и сценарии агент–агент (A2A)
    • Научитесь строить память и RAG для агентных сценариев: реализуете управление контекстом, векторную/графовую память и гибридный поиск (Agentic RAG)
    • Сможете оркестрировать одиночные и мультиагентные решения: освоите LangGraph, n8n, SDK и handoffs (передача управления между агентами), включая типовые ошибки и особенности мультиагентных систем
    • Поймете, как довести агента до продакшена: внедрите оценку качества (evals) и наблюдаемость (observability), добавите guardrails (ограничители и защитные механизмы), лимиты стоимости, retries/circuit breakers и защиту от prompt injection/злоупотребления инструментами
    Курс позволит комплексно изучить ключевые инженерные темы разработки ИИ-агентов. Начиная с того, как устроено агентское «мышление», как выбирать и подключать модели, как проектировать работу с инструментами, протоколами реального времени и памятью, до того, как собирать устойчивые сценарии оркестрации от одиночного агента до мультиагентных систем.

    Программа

    Фундамент агентных систем
    При использовании LLM как простого инструмента генерации возникает ограничение в создании автономных, надежных и масштабируемых решений. Изучение архитектуры агентного мышления, инфраструктуры моделей и data-driven роутинга позволит проектировать полноценные ИИ-агенты для production-среды;
    Тема 1: Архитектура агента
    Тема 2: Инфраструктура агентов
    Тема 3: Бенчмарки и data-driven роутинг: от теории к коду // ДЗ

    Инструменты агента
    Без подключения внешних инструментов, API и автоматизации ИИ-агент остается ограниченным в выполнении реальных бизнес-задач. Изучение function calling, agent skills и кастомных интеграций позволит разрабатывать функциональных агентов, способных взаимодействовать с корпоративными системами, сервисами и рабочими процессами.
    Тема 1: Function Calling: как дать агенту руки
    Тема 2: Продуктивность разработчика и Agent Skills
    Тема 3: Кастомные инструменты и автоматизация // ДЗ

    Протоколы и коммуникация агентных систем
    При отсутствии стандартизированного подключения инструментов, контекста и каналов взаимодействия агентные системы становятся ограниченными, медленными и плохо масштабируются. Изучение протоколов подключения, real-time коммуникации и межагентного взаимодействия позволит проектировать гибкие, расширяемые и высокопроизводительные агентные платформы.
    Тема 1: Model Context Protocol (MCP)
    Тема 2: Real-time коммуникация
    Тема 3: OpenAI Realtime API и A2A взаимодействие // ДЗ

    Хранилище и контекст
    Ответы агента становятся неточными, когда не хватает памяти, фактов и связей между данными. Освоение векторных баз, Agentic RAG и графовой памяти дает агенту управляемый доступ к знаниям и позволяет повысить точность решений, работать с долгосрочным контекстом в сложных предметных областях;
    Тема 1: Векторная память и Agentic RAG
    Тема 2: Графовая память и сложный контекст // ДЗ

    Оркестрация и логика агентных систем
    Без управляемой логики и оркестрации ИИ-агенты не справляются со сложными задачами, теряют контроль над процессом выполнения и не масштабируются. Изучение методов планирования, фреймворков и мультиагентных подходов позволит проектировать устойчивые и управляемые агентные системы для сложных сценариев;
    Тема 1: Декомпозиция задач и самокоррекция
    Тема 2: Агентные фреймворки: OpenAI и Anthropic SDK
    Тема 3: Продвинутая оркестрация: LangGraph
    Тема 4: Low-code оркестрация: n8n
    Тема 5: Мультиагентные системы и Swarm // ДЗ

    Оценка, наблюдаемость и безопасность ИИ-агента
    Непонятно, действительно ли агент решает задачу или просто тратит токены и создает риски? Внедрение evals, observability и guardrails делает качество, стоимость и поведение агента измеримыми. Это позволяет контролировать надежность, безопасность и бюджет агентной системы в продакшене.
    Тема 1: Оценка (Evals) и Observability
    Тема 2: Безопасность и Guardrails // ДЗ

    Цена 90000 руб
    Скрытая ссылка
     
    Последнее редактирование модератором: 1 июн 2026
    2 пользователям это понравилось.
  2. Последние события

    1. udk100
      udk100 участвует в складчине.
      22 июн 2026 в 10:41
    2. alexander_watsup
      alexander_watsup участвует в складчине.
      20 июн 2026 в 12:17
    3. Lilla My
      Lilla My участвует в складчине.
      18 июн 2026 в 19:24
    4. windir
      windir участвует в складчине.
      18 июн 2026 в 16:15

    Последние важные события

    1. skladchik.com
      Назначен организатор складчины.
      4 июн 2026