Сколько стоит курс «AI Agents Engineering: LangGraph, Multi-Agent и LLMOps»?

Стоимость курса составляет 7500.00 рублей

Какой рейтинг у курса «AI Agents Engineering: LangGraph, Multi-Agent и LLMOps»?

Курс имеет рейтинг 4.2 из 5 на основе 6 отзывов. На курсе обучается 137 учеников.

Где можно пройти курс «AI Agents Engineering: LangGraph, Multi-Agent и LLMOps»?

Курс доступен на образовательной платформе Stepik по адресу stepik.org/course/276971.

Курс на Stepik

Обложка курса «AI Agents Engineering: LangGraph, Multi-Agent и LLMOps» на Stepik

7 500 ₽

AI Agents Engineering: LangGraph, Multi-Agent и LLMOps ★ 4.167

Name: AI Agents Engineering: LangGraph, Multi-Agent и LLMOps
Price: 7500.00 RUB
Availability: InStock
Rating: 4.166666666666667 (6 reviews)

Открыть на
STEPIK.ORG

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.

Показатель	Текущие показатели		Рост
Показатель	Значение	🏆 Рейтинг	3 дн	7 дн	30 дн
Учеников на курсе	137
Сертификатов выдано	0
Отзывов получено	6
Рейтинг курса	4.167
Количество уроков	66
Количество квизов	149
Количество задач с кодом	20
Время прохождения курса	5 ч.	—
Стоимость курса	7 500 ₽	—
Обновления курса	—	—
Дата публикации курса	2 месяца назад	—	—	—	—
Последнее обновление	21 апреля 2026	—	—	—	—

Содержание курса

Разделы в курсе «AI Agents Engineering: LangGraph, Multi-Agent и LLMOps»

9 разделов Уроки в курсе «AI Agents Engineering: LangGraph, Multi-Agent и LLMOps»

66 уроков Тесты в курсе «AI Agents Engineering: LangGraph, Multi-Agent и LLMOps»

149 тестов Задачи в курсе «AI Agents Engineering: LangGraph, Multi-Agent и LLMOps»

20 задач Время прохождения курса «AI Agents Engineering: LangGraph, Multi-Agent и LLMOps»

5 ч.

обн. 21 апреля 2026

1. Введение и архитектура агентных систем

7 уроков

Закрытый

1.1 Введение в курс ↗

1м 29с

Закрытый

1.2 Агент как система: роли, состояние и цикл выполнения ↗

8м 12с

Закрытый

1.3 Почему no-code агенты ломаются в реальном мире ↗

11м 1с

Закрытый

1.4 Экосистема production-агентов ↗

20м 14с

Закрытый

1.5 Контроль вывода LLM: JSON, схемы и детерминизм ↗

7м 1с

Закрытый

1.6 Практика: первый агент (ReAct) + tool + JSON ↗

27м 46с

Закрытый

1.7 Итоги ↗

1м 5с

2. Архитектура и оркестрация

7 уроков

Закрытый

2.1 Роли, состояния, рабочая память агента ↗

40м 7с

Закрытый

2.2 FSM и DAG: оркестрация шагов ↗

15м 56с

Закрытый

2.3 Supervisor–Worker и другие паттерны ↗

8м 55с

Закрытый

2.4 LangGraph: nodes, edges, conditional routing ↗

15м 13с

Закрытый

2.5 Реализация DAG-агента ↗

28м 21с

Закрытый

2.6 Supervisor-Worker схема ↗

1м 45с

Закрытый

2.7 Итоги ↗

2м 0с

3. Инструменты и интеграции

7 уроков

Закрытый

3.1 Подключение HTTP и внешних API ↗

10м 46с

Закрытый

3.2 Работа с БД (Postgres, Redis), файловыми системами ↗

0м 27с

Закрытый

3.3 Браузерные агенты (Playwright) ↗

1м 34с

Закрытый

3.4 Sandbox и контроль побочных эффектов ↗

0м 28с

Закрытый

3.5 Агент с CRM-интеграцией ↗

1м 36с

Закрытый

3.6 Ограничение прав доступа инструментов ↗

Закрытый

3.7 Итоги ↗

4. RAG и базы знаний для агентов

7 уроков

Открытый

4.1 Зачем агенту RAG и когда он не нужен ↗

1м 14с

Открытый

4.2 Embeddings, chunking и метаданные ↗

1м 15с

Открытый

4.3 Векторные базы, hybrid search и reranking ↗

1м 14с

Открытый

4.4 Агентный RAG: query rewriting и multi-hop ↗

1м 29с

Открытый

4.5 Оценка качества RAG: retrieval и generation метрики ↗

1м 22с

Открытый

4.6 Тест: RAG и базы знаний ↗

1м 23с

Открытый

4.7 Практика: retrieval с reranking и решением о повторном поиске ↗

1м 36с

5. Multi-Agent и AutoGen

6 уроков

Закрытый

5.1 Основы AutoGen ↗

2м 45с

Закрытый

5.2 Supervisor как управляющий агент ↗

1м 33с

Закрытый

5.3 Межагентная коммуникация ↗

0м 14с

Закрытый

5.4 Deadlock prevention и лимиты итераций ↗

0м 9с

Закрытый

5.5 Multi-agent сценарий: Analyst → Executor → Critic ↗

0м 11с

Закрытый

5.6 Итоги ↗

6. LLMOps: качество, мониторинг и production

4 урока

Закрытый

6.1 Observability: трейсинг, логирование и мониторинг агентов ↗

0м 8с

Закрытый

6.2 Оценка качества агента: метрики и eval-фреймворки ↗

0м 26с

Закрытый

6.3 Практика: трейсинг и оценка качества своего агента ↗

0м 30с

Закрытый

6.4 Управление версиями промптов и A/B-тестирование ↗

7. Продвинутый Agent Mode

4 урока

Закрытый

7.1 Long-horizon tasks: многошаговые задачи и где агент ломается ↗

Закрытый

7.2 Parallel agents и subagents: архитектура, делегирование, сборка ↗

Закрытый

7.3 Git worktrees и Hooks: изоляция и автоматические действия по соб ↗

Закрытый

7.4 Skills, автономность vs. контроль и финальный pipeline с hooks ↗

8. Computer Use и агенты-операторы

8 уроков

Закрытый

8.1 Computer Use: агент видит экран и управляет компьютером ↗

Закрытый

8.2 Code Execution агенты: пишем, запускаем и итерируем в sandbox ↗

Закрытый

8.3 Browser агенты: автоматизация веба с Playwright и LLM ↗

2м 23с

Закрытый

8.4 Практика: строим полноценный оператор-агент с human-in-the-loop ↗

2м 24с

Закрытый

8.5 Claude в продакшене: деплой, безопасность, rate limits ↗

Закрытый

8.6 Memory и персистентность агентов ↗

Закрытый

8.7 Интеграция с внешними API и базами данных ↗

Закрытый

8.8 Тестирование агентных систем ↗

9. Финальный проект: Enterprise-агент от А до Я

7 уроков

Закрытый

9.1 Архитектура финального агента: постановка задачи ↗

Закрытый

9.2 Имплементация: инструменты, API и граф LangGraph ↗

0м 12с

Закрытый

9.3 Мониторинг, трейсинг и обсервабельность агента ↗

Закрытый

9.4 Тестирование агента и CI/CD pipeline ↗

Закрытый

9.5 Деплой и масштабирование в облаке ↗

Закрытый

9.6 Лучшие практики и антипаттерны production-агентов ↗

3м 37с

Закрытый

9.7 Итоги курса и дальнейший путь ↗

2м 6с