Чему вы научитесь
Чему вы научитесь
- писать агентный цикл ReAct руками, без фреймворка — и понимать, что внутри
- подключать инструменты через function calling: схемы, валидация, обработка ошибок
- давать агенту память и управлять контекстом, когда диалог не влезает в окно
- строить граф состояний с ветвлением и human-in-the-loop
- собирать мультиагентные схемы и трезво решать, когда агент вообще не нужен
- подключать внешние инструменты по протоколу MCP
- делать агента надёжным: лимиты, ретраи, fallback и бюджеты токенов
- трассировать агента и измерять его качество на бенчмарке траекторий
О курсе
Собрать демо-агента на фреймворке за вечер умеет каждый. Проблемы начинаются в проде: модель возвращает мусор в аргументах, диалог не влезает в контекст, граф зацикливается и жжёт токены, а понять, почему агент ошибся, невозможно — нет трейса. Этот курс — про инженерию агентов, которые работают, а не только демонстрируются.
Здесь вы собираете агента руками. Никакого «курса по LangChain»: сначала вы пишете ReAct-цикл сами и понимаете каждый его винтик, а фреймворк воспринимаете потом как словарь готовых паттернов, а не как магию. Вся обвязка — своя, через тонкую провайдер-абстракцию, поэтому курс не устареет со сменой версий SDK.
Это настоящий тренажёр, а не набор видеолекций: 155 задач на код проверяются автоматически прямо в браузере по схеме generate/solve/check. LLM в проверке заменена детерминированным MockLLM, поэтому всё работает без API-ключа, VPN и зарубежной карты; живой вызов настоящей модели вы попробуете в 6 локальных лабах на своём компьютере.
Путь курса — девять инженерных модулей на одном сквозном домене (ИИ-поддержка магазина ShopDB): агент как паттерн (ReAct) → инструменты вглубь → память и компакция контекста → граф состояний с human-in-the-loop → мультиагентность → MCP-клиент → надёжность (лимиты, ретраи, fallback, бюджеты) → наблюдаемость и мини-бенчмарк траекторий. Агент растёт от версии v0 до капстоуна вместе с вами, а не собирается заново на каждом уроке.
В финале вы собираете капстоун: автономного агента поддержки ShopDB, который проходит скрытые trajectory-тесты, и получаете бенчмарк-отчёт с измеренной долей пройденных сценариев. Это артефакт для резюме и прямой ответ на вопросы собеседования AI-инженера — их карту курс закрывает отдельным блоком.
Первый модуль и первый практический урок открыты бесплатно — попробуйте тренажёр и соберите первый агентный цикл за 15 минут, прежде чем покупать.
Что вы получаете
- Навык строить production-агентов на Python: ReAct, инструменты, память, граф состояний, мультиагентность, MCP, надёжность и наблюдаемость.
- Капстоун — автономный агент поддержки ShopDB со скрытыми trajectory-тестами и бенчмарк-отчётом. Готовый артефакт для резюме и портфолио.
- Карту вопросов собеседования AI-инженера, которые вы теперь закрываете.
- Сертификат Stepik при наборе проходного балла.
- Бессрочный доступ к материалам и будущим обновлениям курса.
- Это ядро AI-линейки: к вашему агенту дальше подключаются RAG (поиск по своим данным), собственный MCP-сервер и деплой на FastAPI.
О курсе
Для кого этот курс
- Python-разработчикам, кто уже вызывал LLM из кода и хочет собирать production-агентов, а не демо на фреймворке.
- Выпускникам бесплатного курса линейки (или с эквивалентным опытом вызова LLM), кто готов к инженерной глубине.
- Backend- и ML-инженерам, кому нужны агенты с памятью, инструментами, надёжностью и наблюдаемостью.
- Тем, кто готовится к собеседованию AI-инженера: ReAct, function calling, память, мультиагентность, evals траекторий.
Начальные требования
Что нужно:
- База Python: функции, классы, словари и списки, pip/venv, чтение JSON.
- Опыт вызова LLM из Python: массив messages, роли, парсинг ответа модели. Если этого пока нет — пройдите бесплатный курс линейки «LLM, RAG и AI-агенты на Python», он ровно про это.
- Любой компьютер с браузером; для 6 локальных лаб — Python на своём ПК.
Что НЕ нужно:
- Не нужен API-ключ, платный аккаунт, VPN или зарубежная карта: автопроверка работает на встроенном MockLLM.
- Не нужен опыт с LangChain/LangGraph — агента собираем руками, фреймворк разбираем как паттерн.
- Высшая математика, Data Science и DevOps-прод не понадобятся.
10 261