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
Кейсы студентов
Константин Рядов
Software Engineer, Security & AI R&D
Пришел с опытом:
Backend-разработка, кибербезопасность, AI Research. Имел опыт использования AI-агентов в личных проектах.
Ксения Ларионова
Backend-разработчик
Пришла с опытом:
Разработка серверных приложений и работа с базами данных. До курса не работала с ИИ-агентами, но имела опыт в области компьютерного зрения и ML.
Евгений Тимофеев
Разработчик
Пришел с опытом:
Действующий разработчик. Использовал AI-инструменты в работе и хотел освоить создание собственных AI-агентов.
Никита Козодий
Fullstack-разработчик
Пришел с опытом:
Fullstack-разработка на JavaScript и Java. До курса не работал с Python и AI-агентами.
Сергей Щербаков
Аналитик данных
Пришел с опытом:
Работает аналитиком данных в Билайне. Имел опыт использования AI-агентов в личных проектах.
Константин Рядов
AI-агент для поиска публичной информации
ИИ-агент находит человека по имени в открытых источниках.
Достаточно назвать имя — агент сам ищет подходящие профили в LinkedIn, GitHub и X. Если находит несколько совпадений, уточняет, о каком человеке идёт речь, а затем собирает удобную карточку со ссылками на источники. Работает только с публичной информацией и автоматически исключает лишние персональные данные из результата.
Достаточно назвать имя — агент сам ищет подходящие профили в LinkedIn, GitHub и X. Если находит несколько совпадений, уточняет, о каком человеке идёт речь, а затем собирает удобную карточку со ссылками на источники. Работает только с публичной информацией и автоматически исключает лишние персональные данные из результата.
Максим Овчинников
AI-агент для планирования путешествий
Собирает поездку по одному запросу.
Достаточно указать город, даты и точку отправления. Агент подберёт варианты билетов, предложит несколько маршрутов с достопримечательностями и даст рекомендации по поездке. Если какой-то раздел не подходит, его можно пересобрать отдельно, не создавая план заново. В маршрутах используются реальные локации и ссылки на сервисы бронирования.
Достаточно указать город, даты и точку отправления. Агент подберёт варианты билетов, предложит несколько маршрутов с достопримечательностями и даст рекомендации по поездке. Если какой-то раздел не подходит, его можно пересобрать отдельно, не создавая план заново. В маршрутах используются реальные локации и ссылки на сервисы бронирования.
Ксения Ларионова
AI-агент для работы с SQL через обычный язык
AI-агент для навигации по базе данных
Отвечает на вопросы к базе данных обычным языком.
Можно спросить: «Где хранятся статусы заказов?» или «Покажи клиентов с долгом». Агент сам находит нужные таблицы, составляет SQL-запрос и возвращает результат. Если запрос не сработал с первого раза, он самостоятельно исправляет ошибку и пробует снова. Работает только в режиме чтения: изменять или удалять данные агент не может.
Отвечает на вопросы к базе данных обычным языком.
Можно спросить: «Где хранятся статусы заказов?» или «Покажи клиентов с долгом». Агент сам находит нужные таблицы, составляет SQL-запрос и возвращает результат. Если запрос не сработал с первого раза, он самостоятельно исправляет ошибку и пробует снова. Работает только в режиме чтения: изменять или удалять данные агент не может.
Ян Умов
AI-агент для управления умным домом
Персональный домашний AI-агент
Управляет умным домом и помогает находить игры из личной коллекции.
Через Telegram агент может включать свет, управлять медиаплеером и искать игры в домашней библиотеке. Если нужной игры нет, он найдет информацию в интернете. Все данные и нейросеть работают локально на домашнем компьютере без передачи информации в облачные сервисы.
Управляет умным домом и помогает находить игры из личной коллекции.
Через Telegram агент может включать свет, управлять медиаплеером и искать игры в домашней библиотеке. Если нужной игры нет, он найдет информацию в интернете. Все данные и нейросеть работают локально на домашнем компьютере без передачи информации в облачные сервисы.
Никита Козодий
Мультиагентный SQL-аналитик
Получает данные из базы по запросам на обычном языке.
Пользователь задаёт вопрос по-русски, а внутри работает команда AI-агентов: один определяет нужные таблицы, второй создает и выполняет SQL-запрос, третий формирует понятный ответ. Агент понимает уточняющие вопросы в ходе диалога и при необходимости строит графики для анализа данных. На тестировании корректно ответил на 9 из 10 запросов.
Пользователь задаёт вопрос по-русски, а внутри работает команда AI-агентов: один определяет нужные таблицы, второй создает и выполняет SQL-запрос, третий формирует понятный ответ. Агент понимает уточняющие вопросы в ходе диалога и при необходимости строит графики для анализа данных. На тестировании корректно ответил на 9 из 10 запросов.
Евгений Тимофеев
Разработчик
AI-агент для учета расходов по чекам. Персональный AI-помощник для ведения семейного бюджета
Пользователь может отправить фотографию чека, голосовое сообщение или переслать электронный чек из почты. Агент самостоятельно извлекает данные о покупках, определяет категории расходов и сохраняет информацию для дальнейшего анализа.
Если часть данных не распознана, агент не принимает решение самостоятельно, а запрашивает подтверждение у пользователя через мессенджер.
Агент объединяет несколько каналов получения информации в единый интерфейс и автоматизирует рутинный учет расходов без необходимости вручную переносить данные из чеков в таблицы или приложения.
Пользователь может отправить фотографию чека, голосовое сообщение или переслать электронный чек из почты. Агент самостоятельно извлекает данные о покупках, определяет категории расходов и сохраняет информацию для дальнейшего анализа.
Если часть данных не распознана, агент не принимает решение самостоятельно, а запрашивает подтверждение у пользователя через мессенджер.
Агент объединяет несколько каналов получения информации в единый интерфейс и автоматизирует рутинный учет расходов без необходимости вручную переносить данные из чеков в таблицы или приложения.
Сергей Щербаков
AI-агент для согласования плана рекламного размещения
Помогает автоматизировать процесс согласования рекламных кампаний.
Редактор может запросить текущий план размещения, внести изменения и отправить их на согласование. Агент проверяет корректность правок, автоматически пересчитывает прогнозы по заявкам и формирует сравнительный анализ изменений. После этого руководитель принимает решение об утверждении или отклонении корректировок, а итоговая версия плана сохраняется в системе.
Редактор может запросить текущий план размещения, внести изменения и отправить их на согласование. Агент проверяет корректность правок, автоматически пересчитывает прогнозы по заявкам и формирует сравнительный анализ изменений. После этого руководитель принимает решение об утверждении или отклонении корректировок, а итоговая версия плана сохраняется в системе.
Программа курса
Теория:
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.
- 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.
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:
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
- 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.
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:
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
- 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.
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:
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
- 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.
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:
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.
- 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.
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:
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.
- 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.
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:
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.
- 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.
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:
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.
- 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.
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:
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.
- 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.
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:
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.
- 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).
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:
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).
- 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»).
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:
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.
- 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.
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:
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.
- 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.
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:
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.
- 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.
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.
Теория:
Результат: Получите рабочую рамку, через которую можно смотреть на AI-сервис как на продукт: с экономикой, ограничениями и зонами ответственности.
- Разберетесь, чем production-агент отличается от демо или прототипа: цена ошибки, границы доверия, реальные ожидания бизнеса;
- Изучите unit-экономику AI-сервиса: стоимость токенов, ценность действия, цена поддержки и разработки;
- Поймёте, какие ошибки можно откатить, а какие — нет, и как это влияет на архитектуру;
- Познакомитесь с подходом Agent Charter: SLA, правила эскалации, зоны ответственности;
- Разберетесь, чем отличаются goal-oriented и chat-oriented агенты и где какой подход уместен.
Результат: Получите рабочую рамку, через которую можно смотреть на AI-сервис как на продукт: с экономикой, ограничениями и зонами ответственности.
Теория:
Результат: Поймёте, как делать архитектуру AI-агента более воспроизводимой, управляемой и устойчивой к изменениям.
- Разберетесь со state machine как способом контролировать стохастическое поведение LLM;
- Изучите паттерны маршрутизации: Supervisor, ReAct, Plan-and-Solve — и поймёте, когда применять каждый из них;
- Поймёте, как находить циклы и проектировать безопасные аварийные выходы;
- Разберетесь, как делать архитектуру менее зависимой от конкретной модели и провайдера;
- Познакомитесь с подходами к версионированию графов и миграции состояний.
Результат: Поймёте, как делать архитектуру AI-агента более воспроизводимой, управляемой и устойчивой к изменениям.
Теория:
Результат: Поймете, как сделать вход в AI-систему более безопасным, а промпты — управляемыми и воспроизводимыми.
- Разберетесь, как контекст влияет на поведение LLM и почему его нужно проектировать осознанно;
- Изучите стратегии работы с длинным контекстом: суммаризация, ротация буфера, Map-Reduce;
- Познакомитесь с подходами к защите системы от prompt injection;
- Разберете подход «prompt as code»: версии, шаблоны, тестирование промптов;
- Поймёте, как отделять системные инструкции от пользовательских данных на уровне архитектуры.
Результат: Поймете, как сделать вход в AI-систему более безопасным, а промпты — управляемыми и воспроизводимыми.
Теория:
Результат: Поймете, как проектировать слой инструментов так, чтобы он был расширяемым и устойчивым к сбоям внешних сервисов.
- Разберете подход contract-first: инструмент агента — это API с понятным контрактом, а не просто функция для вызова;
- Поймёте, как описывать инструменты, чтобы модель вызывала их точнее и в нужный момент;
- Изучите schema-guided reasoning для получения валидируемых ответов от LLM;
- Познакомитесь с подходами к тестированию инструментов: unit-тесты, contract-тесты, edge cases;
- Разберетесь, где выбор инструмента можно доверить модели, а где лучше задать правила явно.
Результат: Поймете, как проектировать слой инструментов так, чтобы он был расширяемым и устойчивым к сбоям внешних сервисов.
Теория:
Результат: Получите представление о том, как закладывать обработку ошибок и отказоустойчивость в архитектуру AI-сервиса.
- Разберете основные источники нестабильности AI-сервисов: ошибки API, лимиты, задержки LLM;
- Изучите retry-стратегии и настройку таймаутов;
- Поймёте, почему вероятностная система не работает идеально «с первого раза»;
- Познакомитесь с подходом self-correction: когда модель может исправить ошибку сама, а когда нужен детерминированный код;
- Разберете принципы graceful degradation вместо полного отказа сервиса.
Результат: Получите представление о том, как закладывать обработку ошибок и отказоустойчивость в архитектуру AI-сервиса.
Теория:
Результат: Поймете, как AI-агенты взаимодействуют с корпоративной инфраструктурой и где MCP действительно оправдан.
- Разберетесь, как AI-агенты встраиваются в реальные бизнес-процессы и корпоративные системы;
- Познакомитесь с MCP (Model Context Protocol): где он действительно полезен, а где только усложняет архитектуру;
- Поймёте, как интегрироваться с legacy-системами при ограниченном контексте;
- Изучите паттерны human-in-the-loop: формы подтверждения, мессенджеры, интерактивные шаги;
- Разберете OAuth2 delegation для безопасных действий от имени пользователя.
Результат: Поймете, как AI-агенты взаимодействуют с корпоративной инфраструктурой и где MCP действительно оправдан.
Теория:
Попробуете подключить checkpointing к графу агента, разберете восстановление после симулированного сбоя, поработаете со сценарием human-in-the-loop для необратимых действий.
Результат: Поймёте, как организовать хранение состояния и восстановление AI-сервиса после сбоев.
- Изучите принципы checkpointing для AI-агентов;
- Разберете варианты хранилищ: PostgreSQL, Redis, in-memory storage — и где какой подход уместен;
- Поймёте, как восстанавливать выполнение после сбоев без потери прогресса;
- Познакомитесь с паттерном human-in-the-loop для ручного вмешательства оператора;
- Разберетесь с изоляцией пользовательских сессий при конкурентной работе.
Попробуете подключить checkpointing к графу агента, разберете восстановление после симулированного сбоя, поработаете со сценарием human-in-the-loop для необратимых действий.
Результат: Поймёте, как организовать хранение состояния и восстановление AI-сервиса после сбоев.
Теория:
Результат: Поймёте, как делать AI-сервис более прозрачным и быстрее разбираться в причинах инцидентов.
- Разберете специфику мониторинга AI-сервисов: latency, стоимость токенов, качество ответов;
- Изучите трассировку вызовов и восстановление цепочки выполнения задачи;
- Поймете, как замечать деградацию качества до жалоб пользователей;
- Познакомитесь с подходами к санитизации логов, чтобы не утекали PII и секреты;
- Разберете, как встроить пользовательский feedback в цикл улучшения сервиса.
Результат: Поймёте, как делать AI-сервис более прозрачным и быстрее разбираться в причинах инцидентов.
Теория:
Попробуете собрать benchmark качества для AI-агента, сравните две версии конфигурации на одном benchmark, поработаете с настройкой проверки метрик перед релизом.
Результат: Поймёте, как оценивать изменения в AI-системе через метрики и тестовые сценарии, а не только через субъективные ощущения.
- Поймёте, почему классических unit-тестов недостаточно для AI-систем;
- Изучите подход LLM-as-a-Judge: критерии оценки, метрики, устройство judge-модели;
- Разберете создание golden datasets и регрессионных тестов;
- Познакомитесь с генерацией тестовых данных под свою задачу;
- Изучите подходы к quality gate в CI/CD.
Попробуете собрать benchmark качества для AI-агента, сравните две версии конфигурации на одном benchmark, поработаете с настройкой проверки метрик перед релизом.
Результат: Поймёте, как оценивать изменения в AI-системе через метрики и тестовые сценарии, а не только через субъективные ощущения.
Теория:
Результат: Научитесь оценивать стоимость AI-сервиса и искать способы снижать её без заметной просадки качества.
- Разберете, как на стоимость влияют контекст, токены и выбор модели;
- Изучите cost attribution по фичам, командам и пользователям;
- Познакомитесь с подходами к кэшированию и оптимизации частоты вызовов;
- Разберете cascade routing: дешёвая модель → дорогая по триггеру качества;
- Поймёте, как настраивать алерты на аномальные расходы и циклы.
Результат: Научитесь оценивать стоимость AI-сервиса и искать способы снижать её без заметной просадки качества.
Теория:
Результат: Поймёте, как смотреть на AI-сервис глазами атакующего и какие защитные механизмы помогают снижать риски.
- Изучите основные типы атак на AI-приложения: prompt injection, jailbreak, tool hijacking, data exfiltration;
- Познакомитесь с threat modeling для AI-агентов;
- Разберете DLP-подходы и защиту PII в логах и ответах;
- Изучите RBAC для агентов: scoped tokens, allow-lists, kill switch;
- Поймёте, как проводится red teaming AI-систем.
Результат: Поймёте, как смотреть на AI-сервис глазами атакующего и какие защитные механизмы помогают снижать риски.
Теория:
Результат: Поймёте, как делать окружение AI-сервиса более воспроизводимым и управляемым.
- Разберете, чем deployment AI-сервисов отличается от обычного backend;
- Изучите контейнеризацию и упаковку зависимостей для воспроизводимого запуска;
- Познакомитесь со streaming и интерактивной отдачей ответов в UI;
- Разберете подходы к code sandboxing для безопасного выполнения пользовательского кода;
- Изучите queue-based архитектуру: воркеры, масштабирование, сетевые политики и секреты.
Результат: Поймёте, как делать окружение AI-сервиса более воспроизводимым и управляемым.
Теория:
Результат: Поймёте, как делать окружение AI-сервиса более воспроизводимым и управляемым.
- Изучите безопасные стратегии релиза: canary deployment, shadow mode, постепенная выкатка;
- Познакомитесь с A/B-тестированием промптов и конфигураций на живом трафике;
- Разберёте подходы к runbook и postmortem;
- Изучите rollback и сравнение версий агента в production;
- Поймёте, как выстраивать культуру работы с инцидентами внутри команды.
Результат: Поймёте, как делать окружение AI-сервиса более воспроизводимым и управляемым.
Теория:
Результат: Поймёте, как делать окружение AI-сервиса более воспроизводимым и управляемым.
- Разберёте требования 152-ФЗ и их влияние на архитектуру AI-сервисов;
- Изучите подходы к air-gap deployment для enterprise-сред;
- Познакомитесь с audit logs и фиксацией действий агента;
- Поймёте, как проводить compliance-проверки и аудит ответов;
- Разберёте подходы к документации для службы безопасности и регуляторов.
Результат: Поймёте, как делать окружение AI-сервиса более воспроизводимым и управляемым.
Теория:
Результат:Получите представление о том, как выбирать между облаком и локальным deployment в зависимости от ограничений проекта и требований безопасности.
- Разберётесь, когда стоит переходить на локальные модели: контроль данных, независимость от провайдера, требования регуляторов;
- Научитесь выбирать модель под задачу с учётом памяти, GPU и архитектуры;
- Изучите инфраструктуру для локального inference;
- Познакомитесь с квантованием и запуском моделей на доступном железе;
- Разберёте гибридные сценарии: локальная разработка и облачный production.
Результат:Получите представление о том, как выбирать между облаком и локальным deployment в зависимости от ограничений проекта и требований безопасности.
К концу курса вы соберете практическую работу — AI-сервис, в котором примените подходы из основных блоков программы: архитектуру, инструменты, надежность, наблюдаемость и контроль качества.
В проект войдут:
В проект войдут:
- Архитектура с зафиксированными решениями
- Инструменты агента и внешние интеграции
- Слой надежности: retries, таймауты, fallback-механизмы
- Наблюдаемость и трассировка
- Benchmark качества и регрессионные проверки
- Контроль стоимости и лимиты
- Threat model и набор guardrails
- Конфигурация deployment и стратегия релиза
Финальный проект
К концу обучения вы создадите полноценного AI-агента и оформите проект для портфолио
Своя задача
Берете рабочую задачу из своей компании или собственный проект. Ментор помогает спроектировать архитектуру, довести решение до рабочего состояния и подготовить сильный кейс для портфолио.
Кейс от партнера
Реальная задача крупной российской финтех-компании: AI-агент для обработки клиентских обращений. Вы получите датасет, бизнес-контекст, критерии качества и ограничения, с которыми сталкиваются команды в production.
В результате создадите не учебный прототип, а решение для сценария с тысячами обращений клиентов, требованиями к качеству ответов и безопасной обработке данных.
Рекомендуем
Какой бы вариант вы ни выбрали, к защите у вас будет полноценный проект с архитектурой, метриками и кейсом, который можно показать работодателю или заказчику.
Архитектура ИИ-агента: собираем агентный цикл на Python
Бесплатный демо-урок
Архитектура ИИ-агента: собираем агентный цикл на Python
Разберите архитектуру AI-агента с нуля и соберите его ключевые компоненты на Python за 2 часа — без магии и «чёрных ящиков»
Как устроен урок
Узнаете, как работают AI-агенты на низком уровне, и поймёте, что происходит внутри LangChain, LangGraph и других фреймворков.
Слой рассуждений и управление ответом
Разберетесь, как агент структурно разделяет мышление и ответ. Реализуете парсер и классификатор сложности задач.
Планирование и долговременная память
Построите граф зависимостей задач на SQLite. Агент сам определит, что делать следующим, и не потеряет прогресс после перезапуска.
Инструменты и проверка результатов
Дадите агенту доступ к Python-интерпретатору. Научите его проверять собственный код через автоматические тесты и исправлять ошибки без вашего участия.
Цикл выполнения с самовосстановлением
Реализуете главный цикл оркестрации: агент выполняет задачи, обрабатывает ошибки и автоматически повторяет попытки.
Разделение ролей и оптимизация стоимости
Поймете, почему одна дорогая модель — это расточительно. Реализуете паттерн Architect-Editor и калькулятор экономии на кешировании промптов.
Спикер: Андрей Носов
- AI-архитектор, исследователь в области NLP и GenAI.
- PhD Tampere University (Финляндия), MSc KU Leuven (Бельгия).
- Работал над AI-проектами в Apple, Nokia Bell Labs, Huawei, ABBYY, MTS AI.
- Преподаёт курсы по архитектуре GenAI и прикладному машинному обучению.
Эксперты
Технический эксперт по машинному обучению Cloud.ru
Александр Чупин
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-инженер, Авито AI Lab
- Разрабатывает AI-агентов и LLM-сценарии в AI-ассистентах
- Отвечает за качество AI-агентов: обучение, данные, оценку и production-запуски
- Ранее в Яндекс Поиске («Нейро», «Поиск с Алисой») работал над обучением, настройкой поведения (alignment) и оценкой качества LLM-моделей для генеративных ответов
- Имеет практический опыт внедрения LLM в production-продукты: RAG, оценка качества моделей и улучшение генеративных ответов
- Спикер HighLoad++ и DataFest по теме генеративных моделей и LLM evaluation
- Эксперт по обучению, оценке качества LLM-моделей и AI-агентов
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»
Старт в любой момент
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????
{???}