Разбираемся, как устроены большие языковые модели: токены, контекстное окно, температура, reasoning-модели и tool use. Обсуждаем, как выбирать модель под задачу и почему поведение LLM нельзя воспринимать как полностью детерминированное.

Результат:

• Познакомитесь с устройством больших языковых моделей: токены, контекстное окно, семплинг, температура — и тем, как эти параметры влияют на поведение агента;
• Разберёте разницу между базовыми, instruction-tuned и reasoning-моделями и поймёте, по каким критериям обычно выбирают модель: качество, цена, latency, поддержка tool use;
• Изучите подходы к промпт-инжинирингу: zero-shot, few-shot, chain-of-thought, role prompting;
• Поймёте, откуда берутся галлюцинации и почему «верни JSON» в промпте ещё не означает надёжный контракт;
• Познакомитесь с tier-моделями (Haiku/Sonnet/Opus, Nano/Mini/Pro) и сервисами, где сравнивают цены и бенчмарки;
• Посмотрите на запуск локальной модели через Ollama и сравните его с облачным сценарием.

Разбираем, чем AI-агент отличается от чат-бота и workflow-систем. Обсуждаем архитектурные паттерны, Agent Charter и подходы к проектированию агентных систем без лишнего оверинжиниринга.

Результат:

• Разберёте, чем агент отличается от чат-бота и LLM+RAG, и в каких задачах нужен каждый подход;
• Обсудите четыре компонента агента: модель, инструменты, оркестрация, инфраструктура;
• Познакомитесь с паттернами ReAct, planner+executor, reflection и multi-agent;
• Поймёте, чем agentic workflow отличается от полноценного агента и когда задачу можно решить проще;
• Посмотрите, как проектируют архитектурную схему агента и фиксируют решения через ADR (Architecture Decision Record);
• Разберёте анти-паттерны: когда multi-agent становится оверинжинирингом и почему single-agent часто стоит пробовать первым.

Практика — модуль «Архитектура агента».
Сформулируете задачу агента, соберёте первую компонентную схему и зафиксируете ключевые инженерные решения.

Изучаем structured output, Pydantic-схемы, validation loops и способы контроля вывода LLM. Разбираемся, почему «верни JSON» не считается полноценным контрактом.

Результат:

• Разберёте, почему «верни JSON» не является полноценным контрактом и как использовать Pydantic-схемы для структурного вывода;
• Познакомитесь с тремя уровнями контроля вывода LLM: prompt engineering, function calling, constrained decoding;
• Изучите Schema-Guided Reasoning и роль схемы не только как валидатора, но и как способа направлять рассуждение модели;
• Поймёте, почему LLM ломает JSON в production-сценариях и как работают validation loops;
• Посмотрите на dependency injection в PydanticAI: как передавать контекст, права и ключи через зависимости;
• Разберёте уровни валидации: schema, field_validator, output_validator.

Практика — модуль «Каркас агента».
Соберёте базовый каркас AI-сервиса, подключите LLM, вынесете промпты в отдельный слой и поработаете со структурированной валидацией ответов.

Разбираем function calling, MCP, проектирование инструментов и обработку ошибок. Обсуждаем безопасность tool use и ограничения, которые помогают контролировать поведение агента.

Результат:

• Разберёте, как LLM принимает решение о вызове инструмента и как устроен function calling;
• Изучите дизайн tool’ов: контракты, типизация входов и выходов, описание поведения;
• Познакомитесь с подходами к обработке ошибок: тайм-ауты, retry, idempotency;
• Разберёте MCP (Model Context Protocol) и случаи, когда он действительно полезен;
• Поймёте, какие риски появляются при tool use: prompt injection через tool output, runaway agent, Token DoS;
• Посмотрите на базовые механизмы ограничения вызовов и контроля доступа.

Практика — модуль «Tool Use».
Подключите внешние инструменты и сервисы к агенту, разберёте retry, тайм-ауты, лимиты вызовов и обработку нештатных сценариев.

Изучаем Agentic RAG, GraphRAG, retrieval-подходы и подготовку данных для AI-систем. Разбираем работу с векторными хранилищами, чанкингом и сложными источниками данных.

Результат:

• Познакомитесь с Agentic RAG и GraphRAG и обсудите, в каких сценариях они действительно нужны;
• Разберёте техники, выходящие за рамки обычного векторного поиска: расширение запросов, многоэтапный retrieval, поиск по структуре документов;
• Поймёте, как подготавливать данные перед загрузкой: метаданные, версии, дедупликация;
• Изучите работу с неидеальными источниками: сканами, таблицами, плохо распознанным текстом;
• Разберётесь с подходами к chunking и восстановлению контекста;
• Познакомитесь с популярными векторными хранилищами и инструментами для построения RAG-систем, включая LlamaIndex.

Практика — модуль «RAG».
Соберёте RAG-пайплайн на неоднородных данных и сравните несколько подходов к retrieval и оркестрации поиска.

Разбираем state machine-подход, LangGraph, checkpointing, human-in-the-loop и observability. Обсуждаем, как делать AI-агентов воспроизводимыми и удобными для отладки.

Результат:

• Разберёте state machine в контексте AI-агентов: состояния, ветвления, переходы, чекпойнты;
• Познакомитесь с LangGraph как фреймворком оркестрации: StateGraph, узлы, рёбра, conditional edges;
• Изучите checkpointer и восстановление агента после сбоев;
• Поймёте, где используют human-in-the-loop узлы и зачем нужны interrupt_before;
• Разберёте типичные проблемы и ограничения LangGraph в production-сценариях;
• Посмотрите на time-travel debugging и воспроизведение выполнения агента по шагам.

Практика — модуль «Оркестрация и надёжность».
Перенесёте агента в LangGraph, поработаете с типизированным state, retry, тайм-аутами и трассировкой выполнения.

Изучаем evals, LLM-as-Judge, golden datasets, guardrails и threat modeling. Разбираемся, как измерять качество AI-систем и смотреть на них с точки зрения безопасности и эксплуатации.
Результат:

• Обсудите, почему обычных логов недостаточно для AI-агентов и что входит в AgentOps;
• Разберёте разные типы evals: программные ассерты, LLM-as-Judge, end-to-end метрики;
• Познакомитесь с метриками для AI-агентов: tool correctness, success rate, faithfulness, latency, cost per run;
• Изучите threat model: prompt injection, tool hijacking, data exfiltration, jailbreak через память;
• Разберёте guardrails: input-фильтры, output-валидаторы, sanitization, sandboxing;
• Поймёте, как обычно организуют контроль стоимости: бюджеты, cascade routing, кэширование.

Практика — модуль «Eval, Security, упаковка».

Соберёте базовые evals для проекта, поработаете с sanitization, тестами на prompt injection и упаковкой сервиса.

Обсуждаем multi-agent архитектуры, supervisor-паттерны, long-term memory и типичные анти-паттерны сложных агентных систем.

Результат:

• Разберёте, когда single-agent архитектуры перестаёт хватать;
• Познакомитесь с supervisor-паттерном в LangGraph и сравните его с CrewAI и AutoGen;
• Изучите различия между A2A и MCP-подходами;
• Поймёте, в каких случаях нужна long-term memory между сессиями;
• Разберёте анти-паттерны мультиагентных систем и случаи, когда они только усложняют архитектуру.

Разбираемся, как устроены большие языковые модели: токены, контекстное окно, температура, reasoning-модели и tool use. Обсуждаем, как выбирать модель под задачу и почему поведение LLM нельзя воспринимать как полностью детерминированное.

Результат:

• Познакомитесь с устройством больших языковых моделей: токены, контекстное окно, семплинг, температура — и тем, как эти параметры влияют на поведение агента;
• Разберёте разницу между базовыми, instruction-tuned и reasoning-моделями и поймёте, по каким критериям обычно выбирают модель: качество, цена, latency, поддержка tool use;
• Обсудите подходы к промпт-инжинирингу: zero-shot, few-shot, chain-of-thought, role prompting;
• Поймёте, откуда берутся галлюцинации и почему «верни JSON» в промпте ещё не означает надёжный контракт;
• Познакомитесь с tier-моделями (Haiku/Sonnet/Opus, Nano/Mini/Pro) и сервисами, где сравнивают цены и бенчмарки;
• Посмотрите на запуск локальной модели через Ollama и сравните его с облачным сценарием.

Практика: установочная встреча. Обсуждаем программу, форматы финальной работы и возможные направления проектов. Знакомимся с преподавателями и группой.

Разбираем, чем AI-агент отличается от чат-бота и workflow-систем. Обсуждаем архитектурные паттерны, Agent Charter и подходы к проектированию агентных систем без лишнего оверинжиниринга.

Результат:

• Разберёте, чем агент отличается от чат-бота и LLM+RAG, и в каких задачах нужен каждый подход;
• Обсудите четыре компонента агента: модель, инструменты, оркестрация, инфраструктура;
• Познакомитесь с паттернами ReAct, planner+executor, reflection и multi-agent;
• Поймёте, чем agentic workflow отличается от полноценного агента и когда задачу можно решить проще;
• Посмотрите, как проектируют архитектурную схему агента и фиксируют решения через ADR (Architecture Decision Record);
• Разберёте анти-паттерны: когда multi-agent становится оверинжинирингом и почему single-agent часто стоит пробовать первым.

Практика — Воркшоп «Архитектура агента».
Работаем над архитектурой проекта. Формулируем задачу агента, собираем первую компонентную схему и фиксируем ключевые инженерные решения.

Изучаем structured output, Pydantic-схемы, validation loops и способы контроля вывода LLM. Разбираемся, почему «верни JSON» не считается полноценным контрактом.

Результат:

• Разберёте, почему «верни JSON» не является полноценным контрактом и как использовать Pydantic-схемы для структурного вывода;
• Познакомитесь с тремя уровнями контроля вывода LLM: prompt engineering, function calling, constrained decoding;
• Обсудите Schema-Guided Reasoning и роль схемы не только как валидатора, но и как способа направлять рассуждение модели;
• Поймёте, почему LLM ломает JSON в production-сценариях и как работают validation loops;
• Посмотрите на dependency injection в PydanticAI: как передавать контекст, права и ключи через зависимости;
• Разберёте уровни валидации: schema, field_validator, output_validator.

Практика — Воркшоп «Каркас агента».
Собираем базовый каркас AI-сервиса, подключаем LLM, выносим промпты в отдельный слой и работаем со структурированной валидацией ответов.

Разбираем function calling, MCP, проектирование инструментов и обработку ошибок. Обсуждаем безопасность tool use и ограничения, которые помогают контролировать поведение агента.

Результат:

• Разберёте, как LLM принимает решение о вызове инструмента и как устроен function calling;
• Обсудите дизайн tool’ов: контракты, типизация входов и выходов, описание поведения;
• Познакомитесь с подходами к обработке ошибок: тайм-ауты, retry, idempotency;
• Разберёте MCP (Model Context Protocol) и случаи, когда он действительно полезен;
• Поймёте, какие риски появляются при tool use: prompt injection через tool output, runaway agent, Token DoS;
• Посмотрите на базовые механизмы ограничения вызовов и контроля доступа.

Практика — Воркшоп «Tool Use».
Подключаем внешние инструменты и сервисы к агенту. Работаем с retry, тайм-аутами, лимитами вызовов и обработкой нештатных сценариев.

Изучаем Agentic RAG, GraphRAG, retrieval-подходы и подготовку данных для AI-систем. Разбираем работу с векторными хранилищами, чанкингом и сложными источниками данных.

Результат:

• Познакомитесь с Agentic RAG и GraphRAG и обсудите, в каких сценариях они действительно нужны;
• Разберёте техники, выходящие за рамки обычного векторного поиска: расширение запросов, многоэтапный retrieval, поиск по структуре документов;
• Поймёте, как подготавливать данные перед загрузкой: метаданные, версии, дедупликация;
• Обсудите работу с неидеальными источниками: сканами, таблицами, плохо распознанным текстом;
• Разберётесь с подходами к chunking и восстановлению контекста;
• Познакомитесь с популярными векторными хранилищами и инструментами для построения RAG-систем, включая LlamaIndex.

Практика — Воркшоп «RAG».
Собираем RAG-пайплайн на неоднородных данных и сравниваем несколько подходов к retrieval и оркестрации поиска.

Разбираем state machine-подход, LangGraph, checkpointing, human-in-the-loop и observability. Обсуждаем, как делать AI-агентов воспроизводимыми и удобными для отладки.
Результат:

• Разберёте state machine в контексте AI-агентов: состояния, ветвления, переходы, чекпойнты;
• Познакомитесь с LangGraph как фреймворком оркестрации: StateGraph, узлы, рёбра, conditional edges;
• Обсудите checkpointer и восстановление агента после сбоев;
• Поймёте, где используют human-in-the-loop узлы и зачем нужны interrupt_before;
• Разберёте типичные проблемы и ограничения LangGraph в production-сценариях;
• Посмотрите на time-travel debugging и воспроизведение выполнения агента по шагам.

Практика — Воркшоп «Оркестрация и надёжность».
Переносим агента в LangGraph, работаем с типизированным state, retry, тайм-аутами и трассировкой выполнения.

Изучаем evals, LLM-as-Judge, golden datasets, guardrails и threat modeling. Разбираемся, как измерять качество AI-систем и смотреть на них с точки зрения безопасности и эксплуатации.

Результат:

• Обсудите, почему обычных логов недостаточно для AI-агентов и что входит в AgentOps;
• Разберёте разные типы evals: программные ассерты, LLM-as-Judge, end-to-end метрики;
• Познакомитесь с метриками для AI-агентов: tool correctness, success rate, faithfulness, latency, cost per run;
• Обсудите threat model: prompt injection, tool hijacking, data exfiltration, jailbreak через память;
• Разберёте guardrails: input-фильтры, output-валидаторы, sanitization, sandboxing;
• Поймёте, как обычно организуют контроль стоимости: бюджеты, cascade routing, кэширование.

Практика — Воркшоп «Eval, Security, упаковка».
Собираем базовые evals для проекта, работаем с sanitization, тестами на prompt injection и упаковкой сервиса.

Обсуждаем multi-agent архитектуры, supervisor-паттерны, long-term memory и типичные анти-паттерны сложных агентных систем.

Результат:

• Разберёте, когда single-agent архитектуры перестаёт хватать;
• Познакомитесь с supervisor-паттерном в LangGraph и сравните его с CrewAI и AutoGen;
• Обсудите различия между A2A и MCP-подходами;
• Поймёте, в каких случаях нужна long-term memory между сессиями;
• Разберёте анти-паттерны мультиагентных систем и случаи, когда они только усложняют архитектуру.

Финальная встреча: разбираем проекты участников, обсуждаем архитектурные решения, ограничения и возможные направления развития AI-систем.

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.