Теория:

• Вы узнаете, чем настоящий ИИ‑агент отличается от обычного чат‑бота и «просто большой модели».
• Разберём, как выбирать модели под задачу: по качеству, стоимости, длине контекста, скорости ответа и возможностям вызова инструментов.
• Поймёте, где агенты реально приносят бизнес‑результат: в автоматизации браузера и десктопа, оркестрации API и рутинных операциях.
• Также посмотрим на актуальные бенчмарки.

Практика: На практике вы запустите локальные модели (Llama, Mistral) через Ollama или vLLM, настроите режимы работы и выберете подходящие инструменты под конкретную задачу.

Сможете решать задачи: Понимать, когда нужен агент, а когда достаточно обычного LLM.Самостоятельно собирать и тестировать локальный агент‑стек и оценивать его экономику и эффективность.

Результат: умеете запускать локальные модели (Llama, Mistral) через Ollama/vLLM и выбирать режимы/инструменты под задачу

Теория:

• Вы научитесь управлять тем, «насколько сильно» агент думает над задачей: когда нужен глубокий анализ, а когда достаточно быстрого ответа.
• Разберём, как задавать лимиты по шагам, времени и стоимости, чтобы агент не уходил в бесконечные циклы и не сжигал бюджет.
• Поймёте, как строить авто‑маршрутизацию: сначала дешёвая модель, а при необходимости — более «умная» и дорогая.

Практика: На практике вы настроите лимиты и маршрутизацию между моделями, отладите цепочки рассуждений и точки, где агент «переходит на следующий уровень» качества.

Сможете решать задачи: Держать качество ответов при жёстких ограничениях по стоимости и времени. Защищать систему от бесконечных циклов и перерасхода токенов.

Результат: агент держит качество и не сжигает бюджет

Теория:

• Узнаете, что такое Agentic RAG и GraphRAG, и разберётесь, зачем они нужны именно вам.
• Освоите техники, выходящие за рамки обычного векторного поиска: расширение запросов, многоэтапный поиск, поиск по исходникам документов.
• Научитесь грамотно обрабатывать данные перед загрузкой: добавлять метаданные, управлять версиями, убирать дубли готовить даннные «как для продакшена».
• Обсудим работу с «грязными» источниками: скан-копиями, таблицами, плохо распознаваемым текстом. Вы поймёте, как правильно разбивать контент на фрагменты («чанки») и восстанавливать правильный контекст.
• Разберемся с векторными хранилищами: Supabase/Postgres (pgvector), Qdrant/Weaviate, Redis (для кеша, сессий, ограничений).
• Отдельно поговорим о LlamaIndex как удобной альтернативе для сложных RAG-решений.

Практика: Соберёте полноценный рабочий пайплайн для RAG на больших неоднородных данных и сможете сравнить разные подходы: самостоятельный векторный поиск, использование LlamaIndex и другие инструменты

Сможете решать задачи:
Будете уверенно создавать RAG-системы, способные стабильно работать с реальными корпоративными данными. Выбирать и комбинировать стеки под требования по скорости, точности и стоимости.

Результат: RAG-система работает на больших и неоднородных данных, а вы понимаете несколько стеков реализации

Теория:

• Познакомитесь с принципами построения агентов по заранее заданным схемам: научитесь определять типы и структуры ответов, избавившись от ручного парсинга JSON.
• Изучите методику рассуждений внутри заданной схемы (schema-guided reasoning).
• Получите знания о передаче контекста, прав и ключей через зависимости API, минуя прямое вмешательство в промпт.
• Освоите построение механизмов проверки и коррекции: как реализовать автоматическое исправление ошибок, если полученный ответ не соответствует требованиям.

Практика: Самостоятельно опишете схемы взаимодействия для инструментов и ответов агента. Настроите циклы валидации и самокоррекции результатов.

Сможете решать задачи: Сможете гарантировать надёжный обмен данными в строгом формате между вашим агентом и бэкендом. Минимизируете риски сбоев систем

Результат: агент не ломает бэкенд неверным форматом данных

Теория:

• Узнаете, как эффективно управлять веб-интерфейсом и рабочим столом без встроенных API — через legacy-софт
• Освоите методы добавления визуальных предупреждений перед потенциально опасными операциями и изучите принципы безопасной активации агентов: изоляция процессов, минимально необходимые разрешения, фильтрация разрешенных доменов и действий.

Практика: Создадите своего первого робота-агента, способного автоматически выполнять повседневные задачи в браузере или на рабочем столе компьютера. Настроите механизм визуального подтверждения и ограничения опасных операций, обеспечив безопасность автоматизированных процессов.

Сможете решать задачи: Ваш агент сможет воспроизводить «человеческие» действия там, где отсутствует стандартное API, сохраняя полный контроль над выполнением операций и обеспечивая высокий уровень безопасности.

Результат: автоматизация «как человек», но безопасно и контролируемо.

Теория:

• Расскажем, как оперативно создать прототип агента в LangFlow без написания кода, чтобы быстро проверить гипотезу.
• Разберем, как перейти от прототипа к готовому решению на LangGraph: рассмотрим моделирование состояний, ветвления и повторы.
• Покажем, как интегрировать вашего агента с внешними системами посредством триггеров, веб-хуков и расписаний, превратив его в гибкий инструмент связи между различными сервисами для быстрого запуска MVP.
• Представим готовые инструменты для разработки агентов: OpenAI Agent Builder, Yandex AI Studio, и рассмотрим аналоги — Vertex AI Agent Builder, Bedrock Agents, Copilot Studio, Dify/Flowise.

Практика: Соберем MVP-агента в визуальном конструкторе, затем перенесем его логику в исполняемый код на LangGraph и подключим к внешним сервисам через триггеры и интеграции.

Сможете решать задачи: Запустите MVP вашего агента и поймете процесс перевода идеи из стадии визуального прототипирования в рабочую реализацию с возможностью подключения к актуальным бизнес-процессам.

Результат: MVP агента на нескольких инструментах и понимание перехода от прототипа к коду.

Теория:

• Вы узнаете, чем настоящий ИИ‑агент отличается от обычного чат‑бота и «просто большой модели».
• Разберём, как выбирать модели под задачу: по качеству, стоимости, длине контекста, скорости ответа и возможностям вызова инструментов.
• Поймёте, где агенты реально приносят бизнес‑результат: в автоматизации браузера и десктопа, оркестрации API и рутинных операциях.
• Также посмотрим на актуальные бенчмарки.

Практика: На практике вы запустите локальные модели (Llama, Mistral) через Ollama или vLLM, настроите режимы работы и выберете подходящие инструменты под конкретную задачу.

Сможете решать задачи: Понимать, когда нужен агент, а когда достаточно обычного LLM.Самостоятельно собирать и тестировать локальный агент‑стек и оценивать его экономику и эффективность.

Результат: умеете запускать локальные модели (Llama, Mistral) через Ollama/vLLM и выбирать режимы/инструменты под задачу.

Теория:

• Вы научитесь управлять тем, «насколько сильно» агент думает над задачей: когда нужен глубокий анализ, а когда достаточно быстрого ответа.
• Разберём, как задавать лимиты по шагам, времени и стоимости, чтобы агент не уходил в бесконечные циклы и не сжигал бюджет.
• Поймёте, как строить авто‑маршрутизацию: сначала дешёвая модель, а при необходимости — более «умная» и дорогая.

Практика: На практике вы настроите лимиты и маршрутизацию между моделями, отладите цепочки рассуждений и точки, где агент «переходит на следующий уровень» качества.

Сможете решать задачи: Держать качество ответов при жёстких ограничениях по стоимости и времени. Защищать систему от бесконечных циклов и перерасхода токенов.

Результат: агент держит качество и не сжигает бюджет

Теория:

• Узнаете, что такое Agentic RAG и GraphRAG, и разберётесь, зачем они нужны именно вам.
• Освоите техники, выходящие за рамки обычного векторного поиска: расширение запросов, многоэтапный поиск, поиск по исходникам документов.
• Научитесь грамотно обрабатывать данные перед загрузкой: добавлять метаданные, управлять версиями, убирать дубли готовить даннные «как для продакшена».
• Обсудим работу с «грязными» источниками: скан-копиями, таблицами, плохо распознаваемым текстом. Вы поймёте, как правильно разбивать контент на фрагменты («чанки») и восстанавливать правильный контекст.
• Разберемся с векторными хранилищами: Supabase/Postgres (pgvector), Qdrant/Weaviate, Redis (для кеша, сессий, ограничений).
• Отдельно поговорим о LlamaIndex как удобной альтернативе для сложных RAG-решений.

Практика: Соберёте полноценный рабочий пайплайн для RAG на больших неоднородных данных и сможете сравнить разные подходы: самостоятельный векторный поиск, использование LlamaIndex и другие инструменты

Сможете решать задачи:
Будете уверенно создавать RAG-системы, способные стабильно работать с реальными корпоративными данными. Выбирать и комбинировать стеки под требования по скорости, точности и стоимости.

Результат: RAG-система работает на больших и неоднородных данных, а вы понимаете несколько стеков реализации

Теория:

• Познакомитесь с принципами построения агентов по заранее заданным схемам: научитесь определять типы и структуры ответов, избавившись от ручного парсинга JSON.
• Изучите методику рассуждений внутри заданной схемы (schema-guided reasoning).
• Получите знания о передаче контекста, прав и ключей через зависимости API, минуя прямое вмешательство в промпт.
• Освоите построение механизмов проверки и коррекции: как реализовать автоматическое исправление ошибок, если полученный ответ не соответствует требованиям.

Практика: Самостоятельно опишете схемы взаимодействия для инструментов и ответов агента. Настроите циклы валидации и самокоррекции результатов.

Сможете решать задачи: Сможете гарантировать надёжный обмен данными в строгом формате между вашим агентом и бэкендом. Минимизируете риски сбоев систем

Результат: агент не ломает бэкенд неверным форматом данных

Теория:

• Узнаете, как эффективно управлять веб-интерфейсом и рабочим столом без встроенных API — через legacy-софт
• Освоите методы добавления визуальных предупреждений перед потенциально опасными операциями и изучите принципы безопасной активации агентов: изоляция процессов, минимально необходимые разрешения, фильтрация разрешенных доменов и действий.

Практика: Создадите своего первого робота-агента, способного автоматически выполнять повседневные задачи в браузере или на рабочем столе компьютера. Настроите механизм визуального подтверждения и ограничения опасных операций, обеспечив безопасность автоматизированных процессов.

Сможете решать задачи: Ваш агент сможет воспроизводить «человеческие» действия там, где отсутствует стандартное API, сохраняя полный контроль над выполнением операций и обеспечивая высокий уровень безопасности.

Результат: автоматизация «как человек», но безопасно и контролируемо.

Теория:

• Расскажем, как оперативно создать прототип агента в LangFlow без написания кода, чтобы быстро проверить гипотезу.
• Разберем, как перейти от прототипа к готовому решению на LangGraph: рассмотрим моделирование состояний, ветвления и повторы.
• Покажем, как интегрировать вашего агента с внешними системами посредством триггеров, веб-хуков и расписаний, превратив его в гибкий инструмент связи между различными сервисами для быстрого запуска MVP.
• Представим готовые инструменты для разработки агентов: OpenAI Agent Builder, Yandex AI Studio, и рассмотрим аналоги — Vertex AI Agent Builder, Bedrock Agents, Copilot Studio, Dify/Flowise.

Практика: Соберем MVP-агента в визуальном конструкторе, затем перенесем его логику в исполняемый код на LangGraph и подключим к внешним сервисам через триггеры и интеграции.

Сможете решать задачи: Запустите MVP вашего агента и поймете процесс перевода идеи из стадии визуального прототипирования в рабочую реализацию с возможностью подключения к актуальным бизнес-процессам.

Результат: MVP агента на нескольких инструментах и понимание перехода от прототипа к коду.

Теория:

• Узнаете, как подключить внешние сервисы (GitHub, Slack, Google Drive, базы данных) через MCP-серверы, обеспечивая безопасное взаимодействие.
• Научитесь разрабатывать собственные MCP-серверы на языках Python и TypeScript для интеграции внутренних корпоративных систем.
• Освоите основы RBAC-моделей (управление ролями и правами доступа), механизма scope (ограничение области полномочий) и аудита активности агентов.

Практика: Реализуете интеграцию внешнего сервиса через MCP-сервер, создадите собственного агента, взаимодействующего с внутренними ресурсами вашей организации.

Сможете решать задачи: Создадите агента, способного видеть внутренние рабочие системы и действовать строго в пределах назначенных ему прав доступа.

Результат: MVP агента на нескольких инструментах и понимание перехода от прототипа к коду.

Теория:

• Вы познакомитесь с концепцией описания поведения агента через конечные автоматы (state machines): состояния, ветвления, условия, повторения и чекпойнты.
• Освоите способы включения узлов контроля человеком (human-in-the-loop): создание точек остановки и подтверждений от человека для важных или опасных этапов.
• Также мы подробно обсудим методики отладки агентов:, восстановление предыдущих состояний и ведение журнала ошибок.

Практика: На практике вы спроектируете управляемые воркфлоу с четкими состояниями и контрольными точками.

Сможете решать задачи: Проектировать надежные воркфлоу для агентов, которые удобно тестировать и поддерживать.Интегрировать контрольные точки для контроля со стороны человека в важные этапы процесса.

Результат: управляемый и воспроизводимый воркфлоу агента, удобный для диагностики и отладки.

Теория:

• Вы узнаете ключевые различия между AutoGen, LangGraph и CrewAI и научитесь выбирать подходящую технологию для конкретных ситуаций.
• Подробно разберемся с парадигмой AutoGen: когда агенты действуют как полноценные собеседники в диалоге, а не как узлы графа.
• Изучим эффективные шаблоны взаимодействия агентов: распределение обязанностей, последовательность коммуникаций, принятие совместных решений и достижение консенсуса.
• Также рассмотрим, как расширить систему своими агентами и моделями, адаптируя AutoGen под специфические задачи и технологический стек.

Практика: На практике вы реализуете простейшую мультиагентную систему на AutoGen, распределив роли среди агентов и задав им конкретные задачи. Организуете взаимодействие агентов через диалог, наблюдая, как они координируют действия и приходят к общим выводам.

Сможете решать задачи: Определять ситуации, когда AutoGen является предпочтительной архитектурой по сравнению с LangGraph или CrewAI. Строить мультиагентные системы, в которых агенты ведут осмысленный диалог и коллективно достигают целей.

Результат: четкое представление о том, когда технология AutoGen оптимальна для решения поставленных задач.

Теория:

• Вы узнаете, как организовать виртуальную команду агентов с ролями, снабдив её механизмами совместного принятия решений.
• Поймете, как структурировать задачи, запускать агентов одновременно и внедрить роль критика или ревьюера для повышения качества результата.
• Мы детально разберём, как хранить контекст и предпочтения пользователей между сеансами с использованием долгосрочной памяти (long-term memory, Mem0 и аналогичные решения).

Практика: На практике вы развернете систему агентов, работающих вместе над решением сложной задачи. Реализуете сохранение и передачу контекста между отдельными запусками, сохранив всю необходимую информацию.

Сможете решать задачи: Создавать комплексные системы, успешно решающие поставленные задачи. Использовать долговременную память для хранения и повторного использования контекста и предпочтений пользователей.

Результат: виртуальная команда агентов, эффективно завершающая задачи и сохраняющая накопленную историю и контекст.

Теория:

• Вы узнаете, как наблюдать за работой агентов с помощью специализированных платформ вроде LangSmith и Langfuse: трассировка шагов, вызовов инструментов, отслеживание изменений версий и выявление причин сбоев
• Поймете, как настраивать оценку производительности (eval-contour) с использованием инструментов RAGAS, DeepEval и как проводить регрессионные тесты до и после каждого выпуска.
• Разберетесь, как минимизировать расходы: применение кэширования, установка лимитов и выбор оптимальной стратегии обработки запросов («дешевая модель → дорогая»).

Практика: На практике вы развернете мониторинг качества и затрат, настроите сбор полезных метрик, оценочные контуры и процедуры оценки качества релизов. Разработаете стратегию защиты от ухудшения показателей.

Сможете решать задачи: Отслеживать эффективность и экономичность агентов в рабочей среде. Автоматически блокировать выпуск обновлений при снижении основных метрик качества и надежности.

Результат: набор эффективных метрик качества и расходов плюс надежная система предотвращения снижения уровня обслуживания (SLA).

Теория:

• Вы изучите распространенные угрозы безопасности и меры противодействия.
• Освоите методы изоляции выполнения кода и команд с помощью песочниц (sandbox): Docker, виртуальные машины (VM), E2B.
• Разберете, как выстраивать барьеры безопасности (guardrails): фильтры, правила безопасности, ограничение действий и форматов ввода-вывода.

Практика: На практике вы настроите окружение с песочницами и защитными слоями вокруг агента.Проведете тестирование на устойчивость к типовым атакам и уязвимостям.

Сможете решать задачи: Создавать безопасные архитектуры агентов, готовых к промышленному применению.Предупреждать утечки данных и предотвращать нежелательные действия.

Результат: безопасный агент, готовый к эксплуатации в производственной среде и защите чувствительных данных.

Теория:

• Вы пройдете весь путь: от постановки задачи до детального анализа, разработки действий/кода, тестирования и финального оформления.
• Выясните, какие элементы являются ключевыми: управление вычислительными мощностями (MCP), структура связей агентов (LangGraph), инструменты мониторинга и управления жизненным циклом (AgentOps), чеклисты безопасности.
• Научитесь представлять свою разработку реалистично, демонстрируя надежность системы: метрики эффективности, бюджет потребления ресурсов, обеспечение безопасности и полную воспроизводимость всех шагов.

Практика: Вы самостоятельно осуществите реальный проект по созданию полноценного агентного решения под реальную задачу и представите итоговую документацию, пригодную для демонстрации заказчику или коллегам.

Сможете решать задачи: Собирать реальные кейсы высокого профессионального уровня. Показывать способность качественно внедрять агентные системы в коммерческом секторе.

Результат: портфельный кейс инженерного уровня, готовый к презентации потенциальным работодателям или заказчикам.

Теория:

• Вы выясните, каким образом агенты способны учиться на собственных достижениях и неудачах, а также изучите сценарии реального применения этих методов.
• Поймете концепцию world models — симуляции возможных последствий действий ещё до их выполнения.
• Оцените влияние таких моделей на современные агентские системы: поймете как снижать риски и избегать дорогостоящих ошибок.

Практика: Вы проведете экспериментальное обучение агентов и моделирование сценариев. Спроектируете базовую архитектуру с расчетом на дальнейшее масштабирование возможностей самообучения с применением reinforcement learning (RL).

Сможете решать задачи: Определять направления дальнейшего развития агентных систем. Создавать архитектуру, допускающую постепенное внедрение элементов самообучения и адаптации.

Результат: Фундаментальное понимание перспектив эволюции агентных систем.