AI Agents PRO: LangGraph, AutoGen и LLMOps в продакшне [stepik] [Алексей Малышкин]

​ Научитесь создавать надёжных AI-агентов с LangGraph, AutoGen и LLMOps. Практика построения агентов для поддержки, продаж и автоматизации данных: от RAG и инструментов до метрик качества, бюджета и продакшн-деплоя. Курс для тех, кто хочет выводить ИИ-проекты за пределы демо. Чему вы научитесь Проектировать архитектуру AI-агентов на основе LangGraph и AutoGen: роли, состояния, инструменты, переходы Строить графы задач (DAG/FSM) с ветвлением, параллелизмом, отменой и компенсационными шагами Проектировать рабочую память агента: short-term/long-term, entity/summary memory, TTL и эвикцию Делать checkpointing состояния и корректное восстановление после падений Интегрировать инструменты: HTTP-клиенты, БД (Postgres/Redis), файловые хранилища, почта, внешние API Подключать браузерную автоматизацию (Playwright) и управлять побочными эффектами инструментов Создавать безопасные инструменты со скоупами, валидацией входов/выходов и песочницей Реализовывать RAG-ядро: индексация, чанкинг, hybrid BM25+dense, выбор top-k, перезапросы Подключать Qdrant/Weaviate/FAISS, настраивать rerankers и компрессию контекста Управлять контекстным окном: selective retrieval, цитирование источников, предотвращение галлюцинаций Проектировать планирование действий (tool-use planning) и циклы self-critique/reflection Маршрутизировать запросы между моделями по задаче, бюджету, latency и политике данных Настраивать бюджет-каппинг: лимиты токенов/запросов/стоимости на пользователя и на пайплайн Обеспечивать надежность: таймауты, ретраи с backoff, идемпотентность, саги и dead-letter очереди Определять SLI/SLO для агентов: p50/p95 латентность, доля успешных задач, стоимость операции Вести структурированное логирование, трассировку и корреляцию событий (correlation IDs) Оценивать качество: golden-сеты, LLM-judge, ручная разметка; считать pass@k сценариев Строить наблюдаемость (Langfuse/Prometheus/Grafana) и алертинг на деградации/перерасход Проводить A/B-тесты ролей, промптов, памяти и Retrieval-стратегий; анализировать uplift и критерии остановки Версионировать промпты и пайплайны: семантические версии, changelog, rollback-стратегии Проектировать строгий структурированный вывод (JSON/DSL), парсинг и валидацию (Pydantic) Строить guardrails: грамматики/регексы/политики, фильтрация опасных действий Начальные требования Уверенно владеть Python 3 (уметь писать функции, классы, работать с пакетами). Знать основы работы с REST API и базами данных. Базовое понимание LLM. Опыт работы с Docker или любыми контейнерами будет плюсом, но не обязателен — всё объясняется в курсе.

Этот курс — про инженерную сборку AI-агента под реальные условия эксплуатации. Вы пройдёте путь от пустой папки и исходных документов до работающего сервиса: индексация и поиск (Qdrant/FAISS + rerank), граф состояний в LangGraph/AutoGen, API на FastAPI, контейнеризация, метрики качества и контроль стоимости ответа. Внутри — не магические демо, а эксплуатационные вещи: версии промптов и quality-гейты, наблюдаемость (логи/трассировка/алёрты), ретраи и идемпотентность, guardrails, работа с PII/RBAC. Каждый модуль заканчивается артефактом: индекс, сервис, docker-образ, eval-отчёт, дашборд. По итогу вы сможете уверенно сказать: 👉 «Я умею проектировать и запускать AI-агентов, которые реально работают в проде, выдерживают нагрузку и экономят бизнесу деньги». Вы можете задать любой вопрос в телеграмм автору @alexey_stepik

Практический курс по AI-агентам. Соберёте продакшн RAG-сервис: от индекса и графа состояний до API, Docker, метрик качества и контроля стоимости. Плюс профессиональные блоки: LangGraph/AutoGen, Qdrant/FAISS+rerank, eval (RAGAS/custom), quality-гейты, OpenTelemetry+Prometheus/Grafana, CI/CD, ретраи/DLQ/идемпотентность, PII/RBAC.