Разработка ИИ-агентов [OTUS]

Складчина: Разработка ИИ-агентов [OTUS]

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