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

[Джокер]

Складчина: 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.
Программа курса

Введение в АI-агентов и продакшн-подход
Архитектура агентов
Инструменты и интеграции
Retrieval-Augmented Generation (RAG)
Надёжность и безопасность
LLMOps и качество агентов
Продакшн-деплой
Многоагентные системы
Бизнес-кейсы и RОМI
Постановка задачи и выбор кейса


Спойлер: Подробная программа
Введение в АI-агентов и продакшн-подход

Введение в курс
Что такое агент, чем он отличается от чат-бота
Почему no-code недостаточно для продакшна
Обзор стека: LangGraph, AutoGen, RAG, LLMOps
Структурированный вывод LLM: JSON, схемы, детерминизм
Архитектура агентов

Роли, состояния, рабочая память агента
FSM и DAG: оркестрация шагов
Supervisor–Worker и другие паттерны
Практика: первый агент с инструментами
Инструменты и интеграции

Подключение HTTP и внешних API
Работа с БД (Postgres, Redis), файловыми системами
Браузерные агенты (Playwright)
Sandbox и контроль побочных эффектов
Практика: агент с CRM-интеграцией
Retrieval-Augmented Generation (RAG)

Зачем агентам RAG
Индексация, чанкинг, выбор top-k
Qdrant, Weaviate, FAISS: практическое сравнение
Rerankers и cost-каппинг
Практика: подключаем RAG к агенту
Надёжность и безопасность

Ретраи, таймауты, идемпотентность
Dead-letter очереди и обработка ошибок
Guardrails, регулярки и грамматики
Работа с PII и доступами (RBAC/ABAC)
Практика: отказоустойчивый агент
LLMOps и качество агентов

Метрики: pass@k, precision/recall, cost/latency
LLM-judge + golden-сеты
Наблюдаемость: Langfuse, Prometheus, Grafana
Алёртинг на деградации и перерасход
A/B-тестирование промптов и стратегий
Практика: quality dashboard агента
Продакшн-деплой

Docker и контейнеризация
Очереди сообщений: RabbitMQ, Redis Streams, SQS
CI/CD и quality-гейты
Канареечные релизы и feature-флаги
Практика: деплой агента в продакшн
Многоагентные системы

Supervisor–Worker, Critic–Executor, Consensus
Межагентная коммуникация и deadlock prevention
Практика: многоагентный пайплайн
Бизнес-кейсы и RОМI

Support-агент: auto-resolve тикетов (40–60%)
Sales Ops: ресерч → персонализация → CRM
Data/ETL: парсинг, очистка, валидация
Как считать ROMI и готовить отчёт «до/после»
Постановка задачи и выбор кейса

Постановка задачи и выбор кейса
Разработка собственного агента под бизнес-сценарий
Защита проекта: метрики качества и ROMI-отчёт


Цена 15990 руб




СКАЧАТЬ СЛИВЫ КУРСОВ

Для возможности скачивать складчины и сливы курсов нужно зарегистрироваться