Чему вы научитесь
- Проектировать архитектуру AI-агентов — понимать, когда нужен простой агент, а когда — мультиагентная система с супервизором.
- Создавать агентов на LangChain — добавлять инструменты, настраивать системные промпты, управлять цепочками рассуждений.
- Строить сложных агентов на LangGraph — с циклами, ветвлениями, человеческим контролем и управляемым состоянием.
- Реализовывать мультиагентные системы — создавать супервизора и специализированных агентов-подчинённых, настраивать их взаимодействие.
- Подключать агентов к внешним сервисам через MCP — интегрировать базы данных, API, email, CRM и любые другие системы.
- Управлять памятью агента — краткосрочной (в рамках сессии) и долгосрочной (через векторные базы данных).
- Доводить агентов до production — покрывать тестами, собирать метрики, логировать, деплоить в Docker.
О курсе
В данном курсе по агентам мы изучим современный стек построения LLM агентов: LangChain для быстрой сборки агентов, LangGraph для сложных систем с управляемым состоянием и MCP (Model Context Protocol) для подключения к внешним сервисам. Параллельно мы будем использовать FastAPI, PostgreSQL, Qdrant и Docker, чтобы наш агент был готов к продакшену. К концу курса у вас будет полностью рабочий llm агент с памятью, инструментами, мультиагентной архитектурой, мониторингом и тестами — готовый проект для портфолио.
Для кого этот курс
Курс создан для Python-разработчиков и AI-инженеров, которые уже прошли мой прошлый курс по LLM или имеют аналогичный опыт: умеют строить FastAPI-приложения, работать с базами данных и Docker, понимают основы RAG.
Вам подойдёт, если вы:
1. Хотите перейти от простых чат-ботов к интеллектуальным агентам
2. Уже строите RAG-сервисы и готовы идти дальше
3. Хотите освоить LangChain, LangGraph и MCP на практике
Начальные требования
-
Python (уверенный уровень)
-
Основы FastAPI, SQLAlchemy, Docker
-
Понимание, как работают LLM и эмбеддинги
Преподаватели курса
89
Нагрузка
2-3 часов в неделю