Чему вы научитесь
- Различать сценарии с заранее заданным порядком действий и агентные циклы с выбором инструментов
- Реализовывать на Python адаптер модели с воспроизводимыми вызовами инструментов для разработки и тестирования агента
- Описывать типизированные аргументы и результаты Python-инструментов, проверять входные данные и обрабатывать ошибки
- Создавать инструменты для проверки HTTP-сервисов, поиска по журналам и чтения инструкций по диагностике
- Отделять фактические результаты вызовов от предположений о причине неисправности
- Строить StateGraph в LangGraph, определять узлы, состояние, условия переходов и маршрутизацию инструментов
- Ограничивать число шагов и вызовов агента, корректно завершать выполнение при ошибках и исчерпании лимитов
- Формировать структурированные отчёты с наблюдениями, источниками, гипотезами и открытыми вопросами
- Сохранять контрольные точки LangGraph в SQLite и разделять состояние независимых расследований по thread_id
- Возобновлять выполнение после прерывания и перезапуска без повторного применения уже выполненных изменений
- Создавать собственный MCP-сервер на Python и предоставлять диагностические инструменты через stdio
- Подключать MCP-клиента к агенту и различать ошибки транспорта, протокола и выполнения инструмента
- Разделять операции чтения и изменения данных, задавать правила доступа к опасным инструментам
- Реализовывать подтверждение действий через LangGraph interrupt с проверкой пользователя и аргументов операции
- Обрабатывать разрешение и отказ в выполнении действия, предотвращать повторную запись и подмену аргументов после подтверждения
- Проверять полномочия пользователя при исполнении инструментов и ограничивать набор разрешённых операций
- Защищать работу с файлами от выхода за пределы разрешённого каталога и обрабатывать недоверенные инструкции в журналах и документах
- Настраивать таймауты, отмену и ограниченные повторы, не допуская автоматического повторения опасных изменений
- Сохранять журнал действий агента и диагностические сведения без раскрытия секретов
- Писать детерминированные тесты pytest для LangGraph, MCP, сохранения состояния, подтверждения действий и проверок доступа
- Запускать регрессионные проверки агента в GitHub Actions без обязательных платных LLM и внешних API-ключей
- Расследовать сбои HTTP-сервисов и расхождения конфигурации, сопоставлять противоречивые сигналы нескольких сервисов и подтверждать выводы повторными проверками
О курсе
Практический курс по AI-агентам на Python: вы создадите собственного агента для диагностики сервисов, подключите инструменты через MCP, освоите LangGraph, сохранение состояния и контроль действий. Научитесь находить ошибки и проверять работу агента автоматическими тестами pytest. Практические задания проверяет преподаватель, вопросы можно задавать в комментариях.
Для кого этот курс
— Python-разработчики, которые хотят самостоятельно создавать AI-агентов с инструментами, управляемым выполнением, сохранением состояния и проверкой результатов действий.
— QA/AQA-инженеры, уверенно работающие с Python и pytest, которым нужно тестировать вызовы инструментов, переходы LangGraph, MCP-интеграции и поведение агентов при ошибках и отказах.
— Backend-разработчики, которые планируют подключать агентов к HTTP-сервисам и хотят разобраться в контрактах инструментов, ограничениях доступа и безопасном выполнении операций записи.
— DevOps- и SRE-инженеры, использующие Python для диагностики сервисов и желающие исследовать, как агент собирает данные из HTTP, журналов и инструкций, проверяет гипотезы и оформляет результаты расследования.
Начальные требования
📚 Что нужно знать
- Python: уверенно работать с функциями, типами данных, исключениями, типизацией и асинхронным кодом (
async/await). - pytest: запускать тесты, понимать фикстуры, параметризацию и сообщения об ошибках.
- HTTP и JSON: ориентироваться в запросах к API, статусах ответов и структуре данных.
- Git и терминал: работать с ветками, коммитами и запуском Python-приложений.
Опыт работы с LangGraph и MCP не требуется. Их устройство и применение разберём последовательно на практических задачах.
🧰 Что понадобится
- Python 3.12, менеджер зависимостей
uvи Git для работы с учебным проектом. - Аккаунт GitHub для доступа к учебной лаборатории и выполнения заданий в собственном репозитории.
- Компьютер, на котором можно запускать Python-приложения, локальные учебные сервисы и автоматические тесты.
Все обязательные задания работают локально со встроенными воспроизводимыми сценариями. Платные LLM, внешние API-ключи и доступ к рабочей инфраструктуре не нужны.
Преподаватели курса
6
Как проходит обучение
🤖 Агент растёт вместе с вашими проверками. В 12 разделах и 44 уроках видеолекции и текстовые объяснения чередуются с вопросами и 36 практическими заданиями.
- 🛠️ Собираете приложение: подключаете инструменты, LangGraph и MCP, сохраняете состояние и управляете разрешёнными действиями.
- 🔎 Проверяете поведение: исследуете ошибки вызовов, пишете тесты pytest и наблюдаете результат в учебных сервисах.
- 🎯 Работаете самостоятельно: завершаете курс расследованием неисправности и отчётом с проверяемыми выводами.
Что вы получите
- Собственный консольный AI-агент на Python с графом LangGraph, маршрутизацией инструментов и структурированным результатом выполнения
- Реализованные Python-инструменты для проверки HTTP-сервисов, поиска по журналам, чтения инструкций и исследования конфигураций
- Отдельный MCP-сервер и клиент на Python с проверенными вызовами инструментов через stdio
- Механизм сохранения состояния в SQLite, разделения расследований и восстановления работы после перезапуска
- Реализация проверки полномочий, подтверждения изменений и защиты от повторных операций записи
- Ограничения доступа к файлам и инструментам, обработка ошибок, лимиты выполнения и журнал действий агента
- Собственный набор тестов pytest с отрицательными сценариями, регрессионными проверками и запуском в GitHub Actions
- Итоговый проект в собственном Git-репозитории и технический отчёт по расследованию инцидента с наблюдениями, результатами повторных проверок и ограничениями решения
Нагрузка
4–5 часов в неделю