Программа курса

Уроки 1−6 — базовый трек; уроки 7−12 — инженерный трек

Инженерный трек
Базовый трек
1 урок
Где AI-агенты живут в backend-инфраструктуре
Ваш сервис станет устойчивее и надежнее благодаря грамотно выстроенной архитектуре и четко определённым зонам ответственности.
Результат
  • Соберете архитектурную карту AI-функциональности вашего сервиса;
  • Спроектируете схему интеграции AI-модулей в backend;
  • Определите зоны ответственности компонентов, чтобы избежать хаоса в разработке.
Практика
  • Разберете, как интегрировать AI/LLM в backend-систему и какую роль в ней играют агенты;
  • Научитесь выбирать между агентом и workflow в зависимости от задачи;
  • Освоите типовые сценарии внедрения AI через API, внутренние инструменты и автоматизацию;
  • Оцените возможности и ограничения современных AI-решений.
Теория
  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
  • 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.