Разработка ИИ-агентов [OTUS]

Для кого этот курс: Backend- и Fullstack-разработчики на Python или JavaScript, которые хотят перейти от работы с LLM API к разработке полноценных ИИ-агентов Team Lead и Tech Lead, желающие выстроить архитектуру агентных систем для рабочих сценариев и продакшена ML/DS-инженеры, которым нужно научиться собирать агентные системы с инструментами, памятью, RAG и оценкой качества Необходимые знания: Опыт разработки на Python или JavaScript Базовые знания API Понимание основ БД Что даст вам этот курс: Научитесь проектировать ИИ-агента как полноценную систему: разберете агентный цикл (ReAct), принципы контролируемого рассуждения и соберете базового агента Сможете выбирать и подключать модели под задачу: освоите подходы к роутингу, fallback/HA и базовые принципы выбора модели на основе ограничений и метрик Сможете интегрировать агента с инструментами и внешними системами: реализуете Function Calling и кастомные инструменты (API/SQL/SaaS), включая безопасную работу с токенами и доступами Освоите протоколы и real-time взаимодействие: примените MCP, WebSockets/Streaming и Realtime API; разберете связность и сценарии агент–агент (A2A) Научитесь строить память и RAG для агентных сценариев: реализуете управление контекстом, векторную/графовую память и гибридный поиск (Agentic RAG) Сможете оркестрировать одиночные и мультиагентные решения: освоите LangGraph, n8n, SDK и handoffs (передача управления между агентами), включая типовые ошибки и особенности мультиагентных систем Поймете, как довести агента до продакшена: внедрите оценку качества (evals) и наблюдаемость (observability), добавите guardrails (ограничители и защитные механизмы), лимиты стоимости, retries/circuit breakers и защиту от prompt injection/злоупотребления инструментами Курс позволит комплексно изучить ключевые инженерные темы разработки ИИ-агентов. Начиная с того, как устроено агентское «мышление», как выбирать и подключать модели, как проектировать работу с инструментами, протоколами реального времени и памятью, до того, как собирать устойчивые сценарии оркестрации от одиночного агента до мультиагентных систем. Программа Фундамент агентных систем При использовании LLM как простого инструмента генерации возникает ограничение в создании автономных, надежных и масштабируемых решений. Изучение архитектуры агентного мышления, инфраструктуры моделей и data-driven роутинга позволит проектировать полноценные ИИ-агенты для production-среды; Тема 1: Архитектура агента Тема 2: Инфраструктура агентов Тема 3: Бенчмарки и data-driven роутинг: от теории к коду // ДЗ Инструменты агента Без подключения внешних инструментов, API и автоматизации ИИ-агент остается ограниченным в выполнении реальных бизнес-задач. Изучение function calling, agent skills и кастомных интеграций позволит разрабатывать функциональных агентов, способных взаимодействовать с корпоративными системами, сервисами и рабочими процессами. Тема 1: Function Calling: как дать агенту руки Тема 2: Продуктивность разработчика и Agent Skills Тема 3: Кастомные инструменты и автоматизация // ДЗ Протоколы и коммуникация агентных систем При отсутствии стандартизированного подключения инструментов, контекста и каналов взаимодействия агентные системы становятся ограниченными, медленными и плохо масштабируются. Изучение протоколов подключения, real-time коммуникации и межагентного взаимодействия позволит проектировать гибкие, расширяемые и высокопроизводительные агентные платформы. Тема 1: Model Context Protocol (MCP) Тема 2: Real-time коммуникация Тема 3: OpenAI Realtime API и A2A взаимодействие // ДЗ Хранилище и контекст Ответы агента становятся неточными, когда не хватает памяти, фактов и связей между данными. Освоение векторных баз, Agentic RAG и графовой памяти дает агенту управляемый доступ к знаниям и позволяет повысить точность решений, работать с долгосрочным контекстом в сложных предметных областях; Тема 1: Векторная память и Agentic RAG Тема 2: Графовая память и сложный контекст // ДЗ Оркестрация и логика агентных систем Без управляемой логики и оркестрации ИИ-агенты не справляются со сложными задачами, теряют контроль над процессом выполнения и не масштабируются. Изучение методов планирования, фреймворков и мультиагентных подходов позволит проектировать устойчивые и управляемые агентные системы для сложных сценариев; Тема 1: Декомпозиция задач и самокоррекция Тема 2: Агентные фреймворки: OpenAI и Anthropic SDK Тема 3: Продвинутая оркестрация: LangGraph Тема 4: Low-code оркестрация: n8n Тема 5: Мультиагентные системы и Swarm // ДЗ Оценка, наблюдаемость и безопасность ИИ-агента Непонятно, действительно ли агент решает задачу или просто тратит токены и создает риски? Внедрение evals, observability и guardrails делает качество, стоимость и поведение агента измеримыми. Это позволяет контролировать надежность, безопасность и бюджет агентной системы в продакшене. Тема 1: Оценка (Evals) и Observability Тема 2: Безопасность и Guardrails // ДЗ