От базовых принципов до производственных мультиагентных систем. Освой современные фреймворки и создай реальные AI-решения для бизнеса
Что ты получишь:
Глубокое понимание архитектуры
Освоишь принципы работы LLM, ReAct-циклы и современные фреймворки: LangFlow, LangGraph, AutoGen
Практические навыки
Поработаешь с реальным кодом, создашь мультиагентные системы и решишь производственные задачи
Мультиагентные паттерны
Изучишь протоколы MCP и A2A, освоишь иерархические команды и human-in-the-loop системы
Программа курса
Общие модули для всех участников
1. Введение в ИИ‑агентов
Что такое ИИ‑агент и чем он отличается от чат-бота
Почему хайп вокруг агентного ИИ и что за этим стоит
Примеры: агент, который не только отвечает, но и действует
2. Основы LLM и промпт-инжиниринг
Устройство больших языковых моделей
Prompt engineering: как ставить задачи без галлюцинаций
Практика: сравнение разных подходов к промптам
3. Анатомия ИИ‑агента
4 ключевых компонента: Модель, Инструменты, Оркестрация, Инфраструктура
Архитектурная схема: как данные проходят через агента
Паттерны: ReAct, планировщик + исполнитель, память
4. Кейсы и сценарии применения
Примеры из разных отраслей: производство, телеком, маркетинг
Где агенты уже работают, а где идут эксперименты
Формулируем свои идеи применения агентов
Модули 5−13: Глубокое погружение в разработку ИИ‑агентов
5. Разработка первого агента
Настройка окружения: Python, OpenAI API, n8n
Создание простого ReAct-агента с LangChain
Интеграция в n8n для автоматизации рабочих процессов
Настройка триггеров и workflow в n8n
Практика: разработка простого ИИ‑агента на OpenAI client (OpenAI SDK) с использованием n8n в качестве оркестратора задач
Тестирование и отладка первого агента
6. Инструменты и интеграции
Подключение внешних API и tool-calling
Интеграция MCP (Model Context Protocol)
Работа с различными типами инструментов
7. RAG и векторные БД
Retrieval-Augmented Generation: концепция и практика
Работа с векторными БД (Pinecone, Weaviate, Chroma)
Эмбеддинги и семантический поиск
8. LangGraph и сложные workflow
Стейт-машины и графовые структуры агентов
Роутеры и условные переходы
Чекпойнты и восстановление состояния
9. Мультиагентные системы
AutoGen и CrewAI для мультиагентности
Agent-to-agent коммуникация
Координация и распределение задач между агентами на LangGraph
10. AgentOps и мониторинг
Развертывание агентов в продакшн
LangSmith и Langfuse: инструменты наблюдаемости и трассировки
Логирование, метрики и отладка
11. Безопасность и оптимизация
Защита данных и DLP-политики
Jailbreak-атаки: примеры атак и практики защиты
Fine-tuning и prompt-tuning
Оценка качества и A/B тестирование
12. Дипломный проект
Разработка production-ready решения
Интеграция всех изученных технологий
Защита проекта перед экспертами
13. Факультатив: Научный взгляд
RL, MARL и эмерджентное поведение
Как исследуются мультиагентные системы в науке
Опционально — для тех, кто хочет глубже
Преподаватели курса
- Игорь Стурейко
Тимлид, «Газпром». 20+ лет в Data Science и ML-разработке: AI-архитектор сложных ML-решений на базе Kubernetes.
- Александр Алфимцев
Доктор технических наук, заведующий кафедрой. 100+ научных публикаций (Google Scholar i10-index: 31)
- Александр Жильцов
Ведущий разработчик, Яндекс Crowd
Разработка CRM-системы для управления всеми каналами коммуникаций (мессенджеры, email, соцсети)
Продвинутый трек
Участие на живых вебинарах Доступ к видеоурокам (Обзорного трека)
Для ML-инженеров и разработчиков, готовых строить production-решения
Доступ ко всем модулям продвинутого трека
Программа курса
Введение в машинное обучение
Линейные модели: регрессия
Градиентный спуск и его модификации
Линейные методы классификации
Методы опорных векторов (SVM)
Нелинейные методы классификации
Решающие деревья
Ансамблевые методы: бэггинг и случайный лес
Градиентный бустинг и современные реализации
Обучение без учителя: кластеризация
Понижение размерности и детектирование аномалий
Рекомендательные системы
Бонус: Практическая сессия-интервью с нанимающим менеджером и HR