Сколько стоит курс «AI Agents PRO: LangGraph, AutoGen и LLMOps в продакшне»?

Стоимость курса составляет 15990.00 рублей

Сколько времени занимает прохождение курса «AI Agents PRO: LangGraph, AutoGen и LLMOps в продакшне»?

Прохождение курса «AI Agents PRO: LangGraph, AutoGen и LLMOps в продакшне» занимает примерно 8 часов.

Какой рейтинг у курса «AI Agents PRO: LangGraph, AutoGen и LLMOps в продакшне»?

Курс имеет рейтинг 4.0 из 5 на основе 5 отзывов. На курсе обучается 192 учеников.

Выдаётся ли сертификат по окончании курса?

Да, при успешном завершении курса выдаётся сертификат от платформы Stepik. На данный момент 10 учеников получили сертификат (5.2% завершаемость).

Где можно пройти курс «AI Agents PRO: LangGraph, AutoGen и LLMOps в продакшне»?

Курс доступен на образовательной платформе Stepik по адресу stepik.org/course/254277.

Курс на Stepik

Обложка курса «AI Agents PRO: LangGraph, AutoGen и LLMOps в продакшне» на Stepik

15 990 ₽

AI Agents PRO: LangGraph, AutoGen и LLMOps в продакшне ★ 4.000

Name: AI Agents PRO: LangGraph, AutoGen и LLMOps в продакшне
Price: 15990.00 RUB
Availability: InStock
Rating: 4.0 (5 reviews)

Открыть на
STEPIK.ORG

Практический курс по AI-агентам. Соберёте продакшн RAG-сервис: от индекса и графа состояний до API, Docker, метрик качества и контроля стоимости. Плюс профессиональные блоки: LangGraph/AutoGen, Qdrant/FAISS+rerank, eval (RAGAS/custom), quality-гейты, OpenTelemetry+Prometheus/Grafana, CI/CD, ретраи/DLQ/идемпотентность, PII/RBAC.

Показатель	Текущие показатели		Рост
Показатель	Значение	🏆 Рейтинг	3 дн	7 дн	30 дн
Учеников на курсе	192
Сертификатов выдано	10
Отзывов получено	5
Рейтинг курса	4.000
Количество уроков	44
Количество квизов	317
Количество задач с кодом	49
Время прохождения курса	8 ч.	—
Стоимость курса	15 990 ₽	—
Обновления курса	—	—
Дата публикации курса	1 год назад	—	—	—	—
Последнее обновление	15 марта 2026	—	—	—	—
Сложность	normal	—	—	—	—

Содержание курса

Разделы в курсе «AI Agents PRO: LangGraph, AutoGen и LLMOps в продакшне»

10 разделов Уроки в курсе «AI Agents PRO: LangGraph, AutoGen и LLMOps в продакшне»

44 урока Тесты в курсе «AI Agents PRO: LangGraph, AutoGen и LLMOps в продакшне»

317 тестов Задачи в курсе «AI Agents PRO: LangGraph, AutoGen и LLMOps в продакшне»

49 задач Время прохождения курса «AI Agents PRO: LangGraph, AutoGen и LLMOps в продакшне»

8 ч.

обн. 15 марта 2026

Введение в AI-агентов и продакшн-подход

6 уроков

1. Введение в курс ↗

2. Что такое агент, чем он отличается от чат-бота ↗

3. Почему no-code недостаточно для продакшна ↗

4. Обзор стека: LangGraph, AutoGen, RAG, LLMOps ↗

5. Структурированный вывод LLM: JSON, схемы, детерминизм ↗

6. Опросы ↗

Архитектура агентов

4 урока

1. Роли, состояния, рабочая память агента ↗

2. FSM и DAG: оркестрация шагов ↗

3. Supervisor–Worker и другие паттерны ↗

4. Практика: первый агент с инструментами ↗

Инструменты и интеграции

6 уроков

1. Подключение HTTP и внешних API ↗

2. Работа с БД (Postgres, Redis), файловыми системами ↗

3. Браузерные агенты (Playwright) ↗

4. Sandbox и контроль побочных эффектов ↗

5. Практика: агент с CRM-интеграцией ↗

6. Практикум 3 ↗

Retrieval-Augmented Generation (RAG)

5 уроков

1. Зачем агентам RAG ↗

2. Подготовка документов для RAG системы ↗

3. Qdrant, Weaviate, FAISS: практическое сравнение ↗

4. Оптимизация RAG ↗

5. Построение RAG-агента с LangGraph ↗

Надёжность и безопасность

4 урока

1. Dead-letter очереди и обработка ошибок ↗

2. Guardrails, регулярки и грамматики ↗

3. Работа с PII и доступами (RBAC/ABAC) ↗

4. Проверка надёжности LLM-систем ↗

LLMOps и качество агентов

6 уроков

1. Метрики: pass@k, precision/recall, cost/latency ↗

2. LLM-as-a-Judge и golden-сеты ↗

3. Наблюдаемость: LangSmith, Prometheus, Grafana ↗

4. Алертинг ↗

5. A/B-тестирование промптов и стратегий ↗

6. Практикум 6 ↗

Продакшн-деплой

5 уроков

1. Docker и контейнеризация ↗

2. Очереди сообщений: RabbitMQ, Redis Streams, SQS ↗

3. CI/CD и quality-гейты ↗

4. Продвинутые паттерны развертывания ↗

5. Практикум 7 ↗

Многоагентные системы

2 урока

1. Supervisor ↗

2. Межагентная коммуникация и deadlock prevention ↗

Бизнес-кейсы и ROMI

3 урока

1. Support-агент: auto-resolve тикетов (40–60%) ↗

2. Sales Ops: ресерч → персонализация → CRM ↗

3. Data/ETL: парсинг, очистка, валидация ↗

Постановка задачи и выбор кейса

3 урока

1. Постановка задачи и выбор кейса ↗

2. Разработка собственного агента под бизнес-сценарий ↗

3. Защита проекта: метрики качества и ROMI-отчёт ↗