Чему вы научитесь
- Проектировать архитектуру production AI-агента с управляемым состоянием и циклом выполнения
- Строить оркестрацию через FSM, DAG, Supervisor-Worker паттерны в LangGraph
- Реализовывать multi-agent сценарии на AutoGen с контролем deadlock и лимитами итераций
- Подключать инструменты: HTTP API, базы данных, Playwright, sandbox-окружения
- Контролировать вывод LLM через JSON-схемы и structured output
- Настраивать observability: трейсинг, логирование и мониторинг агентов в production
- Оценивать качество агента через eval-фреймворки и метрики
- Строить Computer Use агентов, которые управляют браузером и выполняют код
- Разворачивать агентные системы через Docker с CI/CD pipeline
О курсе
Практический курс для инженеров, которые хотят строить production-ready AI-агентов на Python. LangGraph, AutoGen, RAG, multi-agent архитектуры, Computer Use, LLMOps. От первого ReAct-агента до деплоя enterprise-системы с векторной БД, метриками, трейсингом и CI/CD. Только код, архитектура и реальные сценарии.
Для кого этот курс
Python-разработчики и backend-инженеры, которые хотят перейти от написания обычных сервисов к проектированию агентных AI-систем
ML-инженеры, уставшие от прототипов в Jupyter и готовые выводить LLM-решения в production
Архитекторы, которым нужно понимать, как строить управляемые и отлаживаемые AI-пайплайны
Тимлиды и техлиды, принимающие решения о внедрении агентных систем в продукт
Все, кто уже поигрался с ChatGPT API и хочет разобраться, как из этого собрать надежную инженерную систему
Начальные требования
Уверенное владение Python (мы не объясняем синтаксис, мы строим системы). Понимание основ HTTP и REST API. Базовое представление о том, что такое LLM и как работает вызов модели через API. Python 3.10+, pip и виртуальное окружение на вашей машине. Опыт с Docker будет плюсом, но не обязателен.
Преподаватели курса
2 660
Формат курса
Курс состоит из восьми модулей с нарастающей сложностью. Каждый модуль включает теоретические уроки с разбором архитектуры и паттернов, практические задания с написанием кода, тесты для самопроверки. Вы пишете код в своём окружении, разворачиваете агентов локально и в Docker. Финальный проект собирает всё пройденное в одну систему: от постановки задачи и проектирования графа в LangGraph до деплоя с мониторингом и CI/CD.
Что вы получите
- Рабочий production-агент под бизнес-сценарий, собранный вами от постановки задачи до деплоя
- Понимание архитектурных паттернов: ReAct, Supervisor-Worker, DAG, multi-agent
- Навыки работы с LangGraph, AutoGen, Playwright, Docker в контексте агентных систем
- Практический опыт настройки LLMOps: трейсинг, eval, мониторинг, A/B-тестирование промптов
- Код и шаблоны, которые можно сразу адаптировать под свои задачи
Нагрузка
6-8 часов в неделю