Готовы обсудить все детали и ответить на вопросы
Начните обучение с демо-доступа!
На демо-уроке вы познакомитесь с форматом обучения: посетите 3 урока, изучите полезные лонгриды и выполните практические задания, чтобы сразу применить новые знания.
Посмотри 2 лекции бесплатно и прими решение!
Нажимая "Отправить", вы соглашаетесь с политикой конфиденциальности персональных данных.
Что создадите за 8 недель
Работает с API
Использует память
Выполняет цепочки действий
Подключается к внешним сервисам
Готов к внедрению
Какую рутину можно автоматизировать
Поиск информации
{4}
Обработку обращений
{3}
Анализ документов
{2}
Создание контента
{6}
Когда nocode-конструкторов не хватает
{7}
Работу с базой знаний
{5}
Подготовку отчетов
{1}
Кому подойдёт курс
Курс даёт практические навыки построения и переноса AI‑агентов в продакшен с контролем стоимости и стабильности. Вы научитесь быстро прототипировать агентов и интегрировать их в реальные сервисы.
Разработчикам
Курс помогает понять, где агенты оправданы, а где хватит обычного LLM, и грамотно планировать roadmap.
Тимлидам
Курс показывает, как превратить LLM в агентные пайплайны для аналитики и бизнес‑задач с использованием API, RAG и инструментов.
Дата сайентистам
Разберем, когда мультиагентные системы действительно необходимы, а когда усложняют решение без ощутимой пользы.
Рассмотрим практические архитектурные подходы, типичные ошибки и реальные ограничения современных ИИ-агентов.
Дмитрий занимается развитием сервисов GenAI, инфраструктуры для обучения больших языковых моделей и внедрением интеллектуальных агентов.
Является экспертом по масштабированию и оптимизации вычислительных ресурсов для задач ML. Спикер на отраслевых конференциях, преподаватель СберУниверситета.
Руководитель AI/ML-направления в Cloud.ru, развивает Evolution AI Factory
Мультиагентные системы: почему большинство архитектур переусложнены
Дмитрий Юдин
при партнерстве с
Мультиагентные системы: почему большинство архитектур переусложнены
Бесплатный вебинар в партнерстве с Cloud.ru
Программа обновляется под рынок AI
Разбираем инструменты и подходы, которые используются в индустрии сейчас, а не полгода назад
1. LLM и промпт-инжиниринг
Установочная встреча. Обсуждаем программу, форматы финальной работы и возможные направления проектов. Знакомимся с преподавателями и группой.
Для всех тарифов
Практика
Результат
- Поймёте, как LLM генерируют текст: токены, контекстное окно, семплинг, temperature, top-p и другие параметры, влияющие на качество и предсказуемость ответов;
- Освоите ключевые техники промпт-инжиниринга: zero-shot, few-shot, Chain-of-Thought (CoT) и In-Context Learning, а также научитесь проектировать эффективные системные промпты;
- Разберётесь, откуда берутся галлюцинации и почему требование «верни JSON» не гарантирует стабильный и валидный результат;
- Научитесь выбирать модели по ключевым критериям: качество, цена, latency и поддержка инструментов, а также сравнивать proprietary, open-source и reasoning-модели;
- Сравните облачные API и локальный хостинг через Ollama, разберёте экономику обоих подходов и познакомитесь с моделями OpenAI, Anthropic, Qwen и DeepSeek;
- На практике соберёте промпт-пайплайн для автоматической разметки данных, используя few-shot, CoT и структурированный JSON-вывод.
Разбираемся, как устроены большие языковые модели: от токенизации и параметров генерации до промпт-инжиниринга и выбора модели под бизнес-задачу. Обсуждаем, почему поведение LLM нельзя считать полностью детерминированным, как получать предсказуемые результаты и когда выгоднее использовать API, а когда — локальный хостинг.
2. Архитектура AI-агентов и надёжный вывод
Работаем над архитектурой проекта. Формулируем задачу агента, собираем первую компонентную схему и фиксируем ключевые инженерные решения. Собираем базовый каркас AI-сервиса, подключаем LLM, выносим промпты в отдельный слой и работаем со структурированной валидацией ответов.
Практика — Воркшоп «Архитектура агента и первый каркас»
Для Практического и VIP
Практика в записи «Архитектура агента и первый каркас»
Для Самостоятельного
Практика
Результат
- Разберёте ключевые компоненты AI-агента: модель, инструменты, оркестрацию и инфраструктуру, а также поймёте роль памяти, состояния и RAG в агентных системах;
- Научитесь проектировать инструменты как API-контракты, избежите распространённых анти-паттернов и поймёте, как качество tools влияет на качество работы агента;
- Сравните архитектурные паттерны ReAct и Plan-and-Execute, разберётесь в агентных циклах, планировании и механизмах контроля стоимости и бесконечных итераций;
- Познакомитесь с production-инфраструктурой агентов: guardrails, tracing, observability, управление состоянием и безопасностью;
- Разберётесь, почему «верни JSON» не является надёжным контрактом, и сравните современные подходы к структурированному выводу: Function Calling, Structured Output и Constrained Decoding;
- Научитесь описывать ответы модели через Pydantic-схемы, использовать валидацию данных и строить validation loops для автоматического исправления ошибок генерации;
- Освоите подходы Schema-Guided Reasoning и Dependency Injection для безопасной передачи контекста, прав доступа и служебных данных агенту;
- На практике соберёте production-ready агента с инструментами, структурированным выводом, валидацией и мониторингом качества работы.
Разбираемся, как устроены современные AI-агенты: из каких компонентов они состоят, как взаимодействуют с инструментами, памятью и внешними системами, а также как превратить вероятностный ответ LLM в надёжный контракт для production-разработки. Обсуждаем архитектурные паттерны агентных систем, проектирование инструментов, структурированный вывод и механизмы контроля качества генерации.
3. LangGraph: профессиональная оркестрация
Переносим агента в LangGraph, работаем с типизированным state, retry, тайм-аутами и трассировкой выполнения.
Практика — Воркшоп «Оркестрация и надёжность»
Для Практического и VIP
Практика в записи «Оркестрация и надёжность»
Для Самостоятельного
Практика
Результат
- Поймёте, почему для production-агентов нужны state machine и графы состояний, а не линейные цепочки, и освоите ключевые сущности LangGraph: State, Node, Edge и Reducers;
- Научитесь проектировать агентные workflow с условными переходами, циклами, маршрутизацией и контролем выполнения через Retry Policy;
- Реализуете персистентность состояния и восстановление после сбоев с помощью checkpoint-механизмов и PostgresSaver;
- Разберётесь, как проектировать идемпотентные узлы и предотвращать ошибки при повторном выполнении, прерываниях и восстановлении состояния;
- Освоите паттерны Human-in-the-Loop для подтверждения, редактирования и контроля критических действий агента;
- Научитесь использовать replay, fork и tracing для отладки агентных систем и познакомитесь с инструментами LangGraph Studio и Langfuse;
- Соберёте production-ready workflow с персистентностью, HITL, обработкой ошибок и наблюдаемостью.
Разбираемся, как строить AI-агентов не как набор хрупких цепочек, а как управляемые графы состояний. Изучаем LangGraph, механизмы управления состоянием, восстановление после сбоев, Human-in-the-Loop и инструменты наблюдаемости, которые необходимы для production-систем.
4. Tool Use и внешние интеграции
Подключаем внешние инструменты и сервисы к агенту. Работаем с retry, тайм-аутами, лимитами вызовов и обработкой нештатных сценариев.
Практика — Воркшоп «Tool Use»
Для Практического и VIP
Практика в записи «Tool Use»
Для Самостоятельного
Практика
Результат
- Разберёте, как LLM принимают решение о вызове инструментов и как проектировать tools для предсказуемого поведения агента;
- Освоите Model Context Protocol (MCP), его архитектуру и сценарии использования по сравнению с классическим function calling;
- Научитесь подключать внешние API, обрабатывать ошибки, таймауты, rate limits и оптимизировать дорогостоящие вызовы;
- Разберётесь в угрозах tool use: prompt injection, runaway agent, неконтролируемые расходы и утечки данных;
- Научитесь реализовывать контроль доступа и проверки прав на уровне кода инструментов, а не через промпты;
- Освоите практики безопасной интеграции агентов с внешними системами и механизмами Human-in-the-Loop;
- На практике подключите внешние сервисы через MCP и обычные инструменты, отработав типовые production-сценарии и сбои.
Разбираемся, как подключать AI-агентов к внешним сервисам, API и корпоративным системам. Изучаем function calling, MCP, вопросы безопасности и контроля доступа, а также типовые риски, возникающие при взаимодействии агента с реальным миром.
5. RAG-системы
Собираем RAG-пайплайн на неоднородных данных и сравниваем несколько подходов к retrieval и оркестрации поиска.
Практика — Воркшоп «RAG»
Для Практического и VIP
Практика в записи Воркшоп «RAG»
Для Самостоятельного
Практика
Результат
- Поймёте, когда стоит использовать RAG, а когда задачу эффективнее решает long-context модель;
- Освоите полный цикл построения RAG-систем: подготовка данных, чанкинг, эмбеддинги, поиск и генерация ответа;
- Разберётесь, почему naive RAG часто ломается в продакшене, и научитесь проектировать advanced retrieval-пайплайны;
- Научитесь использовать гибридный поиск, метафильтрацию и reranking для повышения качества извлечения данных;
- Познакомитесь с выбором векторных баз данных: Chroma, Faiss, Qdrant, Milvus и pgvector;
- Освоите оценку качества через RAGAS, LLM-as-a-Judge и построение golden datasets;
- Разберёте практики RAGOps, мониторинга и наблюдаемости, а также познакомитесь с направлениями Agentic RAG и GraphRAG.
Разбираемся, как строить Retrieval-Augmented Generation системы, которые работают на реальных корпоративных данных и сохраняют качество после выхода в продакшен. Изучаем современные подходы к поиску, оценке качества и мониторингу RAG-архитектур.
6. AgentOps: observability и evals
Собираем базовые evals для своего проекта в Langfuse и настраиваем трейсинг и алерты.
Практика — Воркшоп «Observability и Eval»
Для Практического и VIP
Практика в записи «Observability и Eval»
Для Самостоятельного
Практика
Результат
- Поймёте, почему классический мониторинг не подходит для агентных систем и какие данные необходимо отслеживать в AI-приложениях;
- Научитесь анализировать трейсы агентов, диагностировать галлюцинации, бесконечные циклы, ошибки инструментов и проблемы с памятью;
- Освоите инструменты observability: LangSmith и Langfuse, их возможности и сценарии использования;
- Разберётесь в подходах к оценке качества: deterministic checks, LLM-as-a-Judge и end-to-end evals;
- Научитесь строить метрики для агентных систем: task accuracy, completion rate, tool misuse, latency и стоимость выполнения;
- Освоите построение eval-контура с golden datasets, edge-кейсами, A/B-тестированием и контролем качества перед релизом;
- Научитесь выявлять деградацию моделей и агентных систем на основе данных, а не субъективной оценки результатов.
Разбираемся, как измерять качество AI-агентов и наблюдать за их работой в продакшене. Изучаем трейсинг, мониторинг, eval-фреймворки и подходы, позволяющие обнаруживать деградацию качества до того, как её заметят пользователи.
7. Мультиагентные системы и интероперабельность агентов
Превращаем агента в работающий прототип: разбираем базовый деплой и упаковку сервиса. Получаем финальную обратную связь по проекту и дорабатываем агента.
Превращаем агента в работающий прототип: разбираем базовый деплой и упаковку сервиса.
Практика — Воркшоп «Архитектура агента и первый каркас»
Для Практического и VIP
Практика в записи «Интерфейс агента и доработка проекта»
Для Самостоятельного
Практика
Результат
- Определите границы single-agent: когда одного агента с RAG перестаёт хватать и почему опасно начинать сразу с мультиагента (over-engineering, рост токенов и latency, каскадные ошибки);
- Сравните CrewAI, AutoGen и LangGraph и освоите паттерны параллелизма (Fan-out/Fan-in, Pipeline, Map-Reduce) и контроля качества (Critic/Reviewer) для снижения latency и разрыва цепи ошибок;
- Спроектируете слой долгосрочной памяти на базе Mem0: чем он отличается от RAG, 4 типа памяти и альтернативы (Zep, LangMem, Cognee);
- Освоите протокол A2A: Agent Card, объекты Task и Artifact, паттерны запрос-ответ / делегирование / переговоры и корпоративную безопасность (OAuth2 / OIDC, аудит, human-in-the-loop) — и по decision guide выберете нужный уровень: функция, MCP или A2A.
- Практический кейс: B2B sales follow-up для автоматизации корпоративных продаж. Пошагово усложняете архитектуру — от одного агента к команде на CrewAI с ролями и параллелизмом, затем добавляете долгосрочную память Mem0 и замеряете эффект.
Разбираемся, как перейти от одиночного агента к команде, которая параллелит работу, перепроверяет себя и помнит контекст между сессиями. Изучаем фреймворки мультиагентной оркестрации, слой долгосрочной памяти и протокол A2A для координации с «чужими» агентами — с акцентом на то, когда мультиагент действительно нужен, а когда хватает одного.
8. Безопасность и финальный проект
Финальная встреча: разбираем проекты участников, обсуждаем архитектурные решения, ограничения и возможные направления развития AI-систем.
Для Практического и VIP
Практика
Результат
- Разберётесь, как устроен DLP для агентов под российское регулирование (ФЗ-152, ФСТЭК): трёхэтапная фильтрация (pre-prompt scanning, retrieval filtering, output redaction), маскирование PII через Presidio с кастомными распознавателями (паспорт РФ, ИНН, СНИЛС) и реакция на утечку (уведомление РКН за 24/72 часа);
- Изучите threat model агента и защиту от атак: prompt injection (прямая и косвенная — через документы, веб и RAG), jailbreak, prompt leaking, data exfiltration и отравление памяти;
- Поймёте, как работает многослойный guardrails-контур по принципу наименьших привилегий: input-валидация, проверка намерений (NeMo Guardrails / Llama Guard), secure prompting, песочница (Docker / E2B), allowlist tool-доменов и human-in-the-loop на критические действия.
- Практический кейс: банковский AI-ассистент — DLP + детект инъекций дают 0 инцидентов с утечкой и 100% заблокированных атак при +80 мс latency.
Разбираемся, как выстроить сквозной контур безопасности ИИ-приложений: защита корпоративных данных по российскому законодательству, оборона от prompt injection и jailbreak, многослойные guardrails и принцип наименьших привилегий. По прогнозу Gartner к 2027 году 40% компаний ограничат ИИ-агентов из-за проблем с governance — разбираемся, как этого избежать.
Основы ML: регрессия, kNN, деревья, Random Forest
Эмбеддинги: Word2Vec, GloVe, Sentence-BERT
Поиск по смыслу: косинусное сходство, FAISS
API, HTTP, requests, авторизация
Работа с данными: numpy, pandas
NLP: токенизация, BoW, TF-IDF
Гайд закрывает всё, что требуется для прохождения курса. От REST API до эмбеддингов — с кодом и примерами.
Нужна база перед курсом по AI-агентам?
Гайд по API и ML
Ваши материалы для подготовки к курсу по AI-агентам станут доступны после заполнения формы.
Эксперты
Роман Барлос
На курсе:
Роман выступает консультантом программы. Помогает формировать содержание курса с опорой на актуальные инженерные практики и требования индустрии.
Роман выступает консультантом программы. Помогает формировать содержание курса с опорой на актуальные инженерные практики и требования индустрии.
Экспертиза:
Senior Software Engineer / Team Lead, Yandex Cloud
- Более 12 лет опыта в разработке программных продуктов и облачных платформ
- Team Lead в Yandex Cloud, занимается разработкой cloud-сервисов и AI-инструментов для разработчиков
- Эксперт в cloud-native архитектуре, DevOps-практиках и масштабируемых распределённых системах
- Работает на стыке software engineering, облачных технологий и AI
- Сертифицированный инженер Yandex Cloud
Дмитрий Антипов
На курсе:
Подготовил теоретический блок по архитектуре AI-агентов. Разберет ключевые компоненты agentic systems: модели, инструменты, оркестрацию и инфраструктуру, а также основные паттерны разработки: ReAct, planner-executor и memory-based подходы.
Подготовил теоретический блок по архитектуре AI-агентов. Разберет ключевые компоненты agentic systems: модели, инструменты, оркестрацию и инфраструктуру, а также основные паттерны разработки: ReAct, planner-executor и memory-based подходы.
Экспертиза:
Мастер спорта по AI-first разработке в Сбере, спикер Highload++
- 16+ лет в разработке, из них 6 лет в AI
- Спикер Highload++, AI Journey и Yandex PML
- Участник программного комитета AIConf и куратор ODS
- Разрабатывает AI- и speech-системы, работает с agentic workflows и AI infrastructure
- Автор собственного agentic harness для создания проектов через голосовые интерфейсы
- Пишет статьи на Habr и ведет канал про разработку и AI
Дмитрий Барсуков
На курсе:
Будет вести проектную часть: вместе со студентами по шагам соберет AI-агента, разберет ключевые решения и даст обратную связь по проектам.
Будет вести проектную часть: вместе со студентами по шагам соберет AI-агента, разберет ключевые решения и даст обратную связь по проектам.
Экспертиза:
Главный аналитик ЦТИИ, Газпромбанк
- Разрабатывает RAG- и LLM-системы для клиентского сервиса банка
- Специализируется на прикладном использовании LLM и NLP-систем • Лектор МГИМО по AI и NLP в финтехе
- Ведет практические воркшопы по сборке AI-агентов
Алексей Яндутов
На курсе:
Подготовил теоретический блок по устройству больших языковых моделей и основам prompt engineering. Расскажет, как работают современные LLM, как правильно ставить задачи моделям и какие подходы помогают снижать количество галлюцинаций.
Подготовил теоретический блок по устройству больших языковых моделей и основам prompt engineering. Расскажет, как работают современные LLM, как правильно ставить задачи моделям и какие подходы помогают снижать количество галлюцинаций.
Экспертиза:
Senior ML/DL инженер, Яндекс Поиск
- Работает над генеративными моделями и RAG-системами в Яндекс Поиске
- Отвечает за оркестрацию: когда и какие модели должны отвечать на запросы пользователей
- Улучшает качество и достоверность AI-ответов в «Нейро» и «Поиске с Алисой»
- Спикер HighLoad++ и DataFest по теме генеративных моделей и LLM evaluation
- Эксперт по prompt engineering и production-использованию LLM
Александр Алфимцев
На курсе:
Подготовил теоретический блок о самообучающихся AI-агентах и обучении с подкреплением. Объяснит, как агенты учатся на собственных действиях, что такое модели мира и как современные AI-системы прогнозируют последствия решений ещё до их выполнения. Покажет, как проектировать архитектуру AI-агентов с возможностью постепенного внедрения самообучения и адаптации.
Подготовил теоретический блок о самообучающихся AI-агентах и обучении с подкреплением. Объяснит, как агенты учатся на собственных действиях, что такое модели мира и как современные AI-системы прогнозируют последствия решений ещё до их выполнения. Покажет, как проектировать архитектуру AI-агентов с возможностью постепенного внедрения самообучения и адаптации.
Экспертиза:
Доктор технических наук, заведующий кафедрой МГТУ им. Н.Э. Баумана
- Возглавляет кафедру «Информационные системы и телекоммуникации» МГТУ им. Баумана
- Специализируется на ML, intelligent systems и multi-agent architectures
- Автор научных публикаций по reinforcement learning и интеллектуальным AI-системам
- Исследует подходы к самообучению и адаптации агентных систем
- Совмещает академическую экспертизу и прикладной инженерный подход к разработке AI
Екатерина Трофимова
На курсе:
Подготовила теоретический блок об интероперабельности AI-агентов и архитектуре мультиагентных систем. Расскажет, как организовать взаимодействие между агентами разных платформ, какие протоколы и правила помогают избежать хаоса в распределенных агентных экосистемах, а также как обеспечить безопасность, контроль и прозрачность таких решений.
Подготовила теоретический блок об интероперабельности AI-агентов и архитектуре мультиагентных систем. Расскажет, как организовать взаимодействие между агентами разных платформ, какие протоколы и правила помогают избежать хаоса в распределенных агентных экосистемах, а также как обеспечить безопасность, контроль и прозрачность таких решений.
Экспертиза:
Научный сотрудник, Центр ИИ, LAMBDA, к.к.н НИУ ВШЭ
- Научный сотрудник Центра ИИ Сколтеха
- Научный сотрудник лаборатории LAMBDA НИУ ВШЭ
- Специализируется на ML, NLP и интеллектуальных системах
- Разрабатывает и преподает курсы по LLM, генеративным моделям и AI
- Публикуется в международных журналах (PeerJ, Journal of Physics)
- Исследует генерацию ML-пайплайнов и кодогенерацию
- Участвует в прикладных и образовательных проектах (в том числе Сбер)
Эмиль Сатаев
На курсе:
Будет вести проектную часть курса. Вместе со студентами по шагам соберет AI-агента, разберет ключевые решения и даст обратную связь по проектам.
Будет вести проектную часть курса. Вместе со студентами по шагам соберет AI-агента, разберет ключевые решения и даст обратную связь по проектам.
Экспертиза:
Backend Platform Developer, SMIT.Studio
- Backend Platform Developer, SMIT.Studio
- Ex-HSE AI Institute, NUS
- Более 8 лет в разработке (backend и frontend)
- Ex-Researcher in Institute for Functional Intelligent Materials, National University of Singapore
- Ex-Исследователь в Институте И И и цифровых наук НИУ ВШЭ
- Ex-Fullstack Developer в Uno Foundation
- Ведет семинары в НИУ ВШЭ, в том числе по агентским системам
Владислав Прошинский
На курсе:
Владислав подготовил теоретический блок о проектировании надёжных AI-агентов для production-среды. Разберtт управление «мышлением» агента, контроль качества и затрат, а также подходы к структурному выводу и типизации через PydanticAI.
Владислав подготовил теоретический блок о проектировании надёжных AI-агентов для production-среды. Разберtт управление «мышлением» агента, контроль качества и затрат, а также подходы к структурному выводу и типизации через PydanticAI.
Экспертиза:
AI-консультант, ex-СРО в Деловые Линии, SOKOLOV, ex-Lead Product в Ozon, ex-Head of Mobile в RUTUBE
- Более 10 лет опыта в IT, digital- и продуктовых командах
- Запускал и развивал продукты в Ozon, SOKOLOV, «Деловых Линиях», RUTUBE и Газпромбанке
- Работал в ролях Lead Product, CPO и CPO/СРО в крупных технологических компаниях
- Специализируется на внедрении AI-решений, AI-first процессов и трансформации продуктовых команд
- Основатель PROSHINSKY AI — компании по внедрению AI в бизнес-процессы
- Эксперт по применению AI-агентов и генеративного ИИ в продуктовой разработке и операционных процессах
- Выступает на конференциях по AI, продуктовой разработке и цифровой трансформации
Применишь в своей работе
Разбираем кейсы из разных индустрий – сможешь адаптировать под свои задачи
Тарифы курса «Разработка ИИ-агентов»
Ближайший старт — 30 июня
Самостоятельный
8 недель обучения
Разбор архитектур и кейсов AI-агентов
Самостоятельная разработка AI-агента
Поддержка в чате комьюнити разработчиков
Мультиагентная система под ваши рабочие задачи или пет-проекты
Доступ к материалам 6 месяцев
Без разбора проекта
Без воркшопов
Без индивидуальных консультаций
Результат
Соберете собственного AI-агента по готовой методологии
Соберете собственного AI-агента по готовой методологии
Для тех, кто умеет учиться самостоятельно
{Осталось 19 мест}
Практический
Для тех, кто хочет довести проект до результата
8 недель обучения
Разбор архитектур и кейсов AI-агентов
Разработка AI-агента с сопровождением эксперта
Поддержка в чате комьюнити-разработчиков
Мультиагентная система под ваши рабочие задачи или пет-проекты
Доступ к записям на 12 месяцев
Ответы на технические вопросы по проекту
Обратная связь по финальному AI-агенту
6 практических воркшопов
Ревью вашего ИИ-агента
Без индивидуальных консультаций
Без Q&A-сессий
Результат
Создадите AI-агента под свою задачу и получите экспертное ревью перед запуском
Создадите AI-агента под свою задачу и получите экспертное ревью перед запуском
{Осталось 12 мест}
VIP
Результат
Создадите AI-агента под свою задачу, получите экспертное ревью и поработаете индивидуально с наставником-практиком
Создадите AI-агента под свою задачу, получите экспертное ревью и поработаете индивидуально с наставником-практиком
8 недель обучения
Разбор архитектур и кейсов AI-агентов
Разработка AI-агента с сопровождением эксперта
Поддержка в чате комьюнити-разработчиков
Мультиагентная система под ваши рабочие задачи или пет-проекты
Доступ к записям на 12 месяцев
Ответы на технические вопросы по проекту
Обратная связь по финальному AI-агенту
6 практических воркшопов
Ревью вашего ИИ-агента
4 индивидуальные консультации с наставником
2 Q&A-сессии в мини-группе
Для тех, кто хочет работать индивидуально
{Осталось 2 места из 5}
Выстави счёт и оплати как юридическое лицо
Компании, которые отправляют учиться своих сотрудников к нам
Вопросы – ответы
Да. Организаторы помогают получить доступ, а также предусмотрена траектория импортозамещения с отечественными моделями и open-source решениями.
Да, все занятия записываются и остаются доступными в течение 6 месяцев после окончания курса для Самостоятельного трека и в года для Практического.
Базовое знание Python на уровне работы с библиотеками и API. Опыт работы с любым backend-фреймворком (FastAPI / Flask / Django) — желательно, но не обязательно. Знание ML или Docker не требуется: всё, что нужно из этих областей, разбираем на курсе.
Формат обучения зависит от выбранного тарифа.
- Самостоятельный трек включает доступ к теоретическим материалам, демонстрациям и записям практических разборов.
- Практический трек дополнительно включает живые воркшопы с экспертами, разборы проектов студентов, возможность задавать технические вопросы в ходе курса и проверку финального проекта
LangFlow, LangGraph, AutoGen, CrewAI, MCP, а также инструменты эксплуатации: Langfuse, LangSmith и др. Для advanced RAG дополнительно рассматриваем LlamaIndex.
Да. Курс ориентирован на практическое применение: архитектурные паттерны и типовые ошибки, а финальный проект можно адаптировать под реальную задачу вашей компании.
Что говорят наши студенты
Остались вопросы?
Оставьте заявку, и мы свяжемся с вами для консультации
Я ничего не понял, у меня есть вопрос, куда писать как быть, что делать????
{???}