Текст площадки «Stepik». Упомянутые цены и обещанные результаты могут быть неактуальны; условия покупки проверяйте у продавца.
Практический курс о том, как устроены ИИ-агенты и как собрать своего: LLM, инструменты, цикл, память, RAG, оценка и безопасность.
Читать полное описание
О курсе
Это практический курс о том, как из идеи «сделать ИИ-агента» получить работающий сервис. Мы не начинаем с фреймворка и не обещаем, что модель решит всё сама. Сначала разбираемся, как LLM принимает решения, чем агент отличается от чат-бота и почему ему нужны инструменты, память и проверки.
Дальше шаг за шагом собираем агента: учим его вызывать функции по схеме, отвечать по документам с цитатами, помнить контекст, работать в команде, соблюдать лимиты и бюджет. В конце — финальный проект с матрицей рисков, eval-набором и защитой перед «заказчиком».
Отдельные уроки посвящены реальному стеку, который используют в проектах: OpenAI SDK и Anthropic SDK для tool calling, LangGraph для графа агента, FastAPI для HTTP-сервиса. Эти примеры можно запустить со своим ключом, а проверяемые код-задачи остаются офлайн и не требуют оплаты API.
Для кого этот курс
Начинающие разработчики, которые хотят понять, как устроены агенты, и собрать первого.
Аналитики и продакт-менеджеры, которым нужно говорить с командой на одном языке.
Специалисты по данным, которые хотят добавить LLM и RAG в свои задачи.
Все, кто пробовал промпты, но хочет перейти от демо к сервису.
Чему вы научитесь
объяснять, как LLM выбирает инструмент и где заканчивается её ответственность;
вызывать инструменты через OpenAI Chat Completions, Responses API и Anthropic Messages API;
собирать граф агента на LangGraph с состоянием, условиями и checkpointer;
описывать инструменты через схемы и валидировать аргументы до вызова;
строить цикл агента с ограничением шагов, наблюдениями и обработкой ошибок;
проектировать промпты с ролью, задачей, форматом и few-shot примерами;
делать RAG-ответ с поиском по индексу и цитатами;
управлять памятью и состоянием диалога, включая TTL и суммаризацию;
координировать нескольких агентов через роли, маршрутизацию и граф состояний;
оценивать качество на golden-наборе, трассировать шаги и строить регрессионный гейт;
доводить агента до сервиса: конфигурация, идемпотентность, очереди, бюджеты и деградация;
поднимать FastAPI-сервис с агентом, health-check и идемпотентным /chat;
защищать проект: спецификация, покрытие рисков, приёмка и честный отчёт об ограничениях.
Программа
Введение. Что такое LLM и ИИ-агент, как модель выбирает инструмент и как устроен промпт агента.
Основы LLM и Tool Calling. Токены и контекст, контракт инструментов, цикл «модель → инструмент → наблюдение», первый мини-агент на MockLLM и реальный tool calling через OpenAI и Anthropic SDK.
Промпт-инжиниринг. Анатомия промпта, few-shot, структурированный JSON и repair loop для исправления ответов.
RAG и данные. Зачем нужен поиск, как устроен индекс, эмбеддинги и BM25, ответ по документам с цитатами.
Память и состояние. Контекст и состояние агента, окно истории, суммаризация, хранилище памяти с TTL.
Мультиагентные системы. Роли, маршрутизация, граф состояний и план работ, дебаты и консенсус агентов, практический граф на LangGraph.
Инструменты и интеграции. Схемы и валидация, лимиты, повторы, очереди и политика исполнения инструментов.
Оценка и отладка. Golden-набор и метрики, трассировка шагов, поиск узких мест, регрессионный гейт.
Деплой и продакшен. Агент как сервис, конфигурация и секреты, идемпотентность, очереди, бюджет, деградация и практический проект на FastAPI.
Финальный проект. Архитектура и контракт, матрица покрытия рисков, финальный прогон и защита проекта.
Как устроен курс
В курсе 10 модулей и 33 урока. В каждом уроке 8 шагов: три блока теории, три вопроса на понимание, одна код-задача и разбор решения. Такой ритм позволяет сразу проверить идею на практике, а не откладывать код до конца.
Все проверяемые код-задачи работают без сети и API-ключей: решения пишутся на Python 3.11+ с использованием только стандартной библиотеки. MockLLM остаётся в базовых уроках как детерминированный тренажёр для цикла агента.
В трёх уроках — 2.4, 6.4 и 9.4 — показан реальный стек: OpenAI SDK, Anthropic SDK, LangGraph и FastAPI. Там есть полные примеры кода и команды установки. Чтобы запустить их у себя, понадобятся пакеты из PyPI и ключ провайдера; для проверки код-задач этого не требуется.
Теория объясняет не только «как сделать», но и «почему так»: где проходит граница безопасности, почему агент зацикливается, как считать стоимость, что делать при отказе инструмента и как не обмануть себя метриками.
Что понадобится
Базовый Python: функции, словари, списки, JSON, циклы.
Умение запускать скрипты в терминале.
Представление о JSON и HTTP-запросах будет полезным, но не обязательным.
Для проверяемых задач не нужны API-ключи, платные подписки и GPU. Для запуска примеров из уроков 2.4, 6.4 и 9.4 — установка пакетов и ключ OpenAI или Anthropic по желанию.
Итоговый проект
В финале вы собираете и защищаете проект агента: он маршрутизирует запросы по намерениям, вызывает инструменты, отвечает по документам, соблюдает бюджет и оставляет трассу. К проекту прилагаются спецификация, контракт, eval-набор, матрица рисков и отчёт с ограничениями — то есть всё, что нужно, чтобы показать его заказчику и не постесняться выкатить в пилот.
Формат
Самостоятельное обучение в удобном темпе, примерно 46 часов. Можно проходить модули подряд или возвращаться к нужной теме как к справочнику. После каждого урока есть задача с автопроверкой, а в конце модуля — практикум, который собирает тему в цельный сценарий.
Базовые модули не требуют установки фреймворков: примеры и задачи намеренно построены на понятных конструкциях Python, чтобы сначала разобраться в механике. Реальный стек — OpenAI SDK, Anthropic SDK, LangGraph и FastAPI — разбирается в отдельных уроках, когда база уже понятна.