Научись отслеживать, дебажить и контролировать его поведение
Твой AI-агент работает… пока не сломается
Запустить стабильно
Отзывы
Сертификат
Курсы
Хочу консультацию
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.