Чему вы научитесь
- Собирать ReAct-агента с нуля на Python, без фреймворков
- Понимать агентный цикл: thought → action → observation
- Проектировать инструменты так, чтобы модель вызывала их правильно
- Работать с памятью и контекстом: обрезка, суммаризация, хранение фактов
- Строить RAG и Agentic RAG с цитированием источников
- Осваивать LangGraph, PydanticAI, OpenAI Agents SDK
- Подключать готовые MCP-серверы и писать свои
- Строить мультиагентные системы на практике
- Писать evals и измерять качество агента
- Настраивать трейсинг и observability через Langfuse
- Деплоить агента: FastAPI, async, стриминг, Docker
- Обеспечивать безопасность: prompt injection, guardrails, права инструментов
- Контролировать стоимость и скорость работы агента
- Отличать, когда нужен агент, а когда достаточно workflow
О курсе
Для кого этот курс
Начальные требования
-
Уверенный Python 3.11+: функции, классы, типизация, async/await
-
Базовое знакомство с Pydantic
-
Умение работать в терминале и с git
-
Понимание, как устроены HTTP-запросы и API
-
Ноутбук или ПК (GPU не обязателен)
Преподаватели курса
118
Как проходит обучение
Каждый урок построен по одной схеме, чтобы вам было проще и не приходилось гадать, чего ожидать.
Сначала — короткая теория. Без воды и академических отступлений: только то, что нужно, чтобы понять тему и перейти к практике. Разбираем концепцию, показываем, зачем она нужна и где применяется.
Потом — код. Рабочий пример, разобранный по шагам. Мы не просто показываем «вот так работает», а объясняем, почему именно так и что будет, если сделать иначе. Весь код можно запустить, сломать и починить — это часть обучения.
В конце каждого урока — тестовая проверка. Несколько вопросов, которые показывают, усвоили ли вы материал. Если что-то не сходится — можно вернуться к уроку и перечитать. Тесты не для оценки, а для самопроверки: лучше поймать пробел сразу, чем на следующем уроке.
Что вы получите
- Доступ к 30 урокам в 8 модулях
- Рабочий код к каждому уроку в отдельном репозитории
- Пошаговую сборку ReAct-агента с нуля, без фреймворков
- Практику по LangGraph, MCP, PydanticAI и другим инструментам
- Готовые примеры инструментов, памяти и Agentic RAG
- Навык писать evals и измерять качество агента
- Опыт деплоя агента с мониторингом и guardrails
- Разбор типичных ошибок и подводных камней
- Тестовую проверку после каждого урока
- Финальный проект с проектированием, реализацией и деплоем
- Понимание, когда агент нужен, а когда достаточно workflow
- Шаблон репозитория для собственных проектов