Чему вы научитесь
- Проектировать агентов на LangGraph: графы состояний, узлы, рёбра, условные переходы и циклы
- Подключать инструменты (tools) и выстраивать архитектуру ReAct
- Управлять состоянием: схемы, редьюсеры, мульти-схемы, фильтрация и саммаризация сообщений
- Сохранять память агента между сессиями, включая внешнюю БД
- Собирать RAG-системы: загрузка и разбиение документов, эмбеддинги, векторный поиск, ретриверы
- Строить Agentic RAG и многошаговые RAG-пайплайны с проверкой качества ответа
- Применять Human-in-the-Loop: потоковый вывод, breakpoints, прерывания, правку состояния и перемотку графа
- Разрабатывать мультиагентные системы: параллельные ветки, sub-graphs, map-reduce
- Поднимать собственный MCP-сервер и клиент, включая авторизацию OAuth
- Отлаживать и деплоить приложения через LangGraph Studio и LangSmith
О курсе
Соберите production-ready AI-агентов на Python: LangChain, LangGraph, RAG и MCP. За 53 урока и ~8 часов видео вы построите агента с памятью и инструментами, RAG-систему с векторным поиском, мультиагентный пайплайн и собственный MCP-сервер. Весь код — в GitHub: одна ветка на урок, запускается за минуту. Домашние задания с разбором PR и AI-сообщество в Telegram.
Для кого этот курс
Python-разработчики, переходящие к LLM-приложениям; ML- и AI-инженеры, которым нужны надёжные и управляемые агенты; технические специалисты, создающие AI-ассистентов и RAG-системы под задачи бизнеса.
Начальные требования
Python на уверенном уровне: функции, списки и словари, ООП, установка пакетов через pip. Общее представление об LLM — что это и зачем. Знакомство с графами (узлы, рёбра, циклы) будет плюсом, но разбираем с нуля. Понадобится ключ к любому LLM-провайдеру — в курсе показываем варианты подключения.
Преподаватели курса
368
Как проходит обучение
Методичка → видео-разбор кода → домашнее задание. Решения присылаете PR или ссылкой на репозиторий, разбор — в комментариях.
Сертификат
Успешно завершив курс, вы получите сертификат от платформы Stepik. Уже 59 учеников получили сертификат.
Что вы получите
- Фундаментальные навыки создания агентов: Понимание принципов работы LLM-агентов, управления потоком выполнения и преодоления ограничений стандартных подходов для повышения надежности.
- Практическое владение LangGraph: Умение представлять агентские workflow в виде графов состояний (узлы) и действий (ребра) с помощью фреймворка LangGraph.
- Ключевые компетенции в компонентах агентов: Навыки работы с инструментами (`tools`) и системой сообщений (`messages`) как основными элементами workflow, построенных вокруг чат-моделей.
- Способность реализовывать сложные архитектуры: Умение конструировать циклы (`looping`) в workflow для реализации мощной ReAct-архитектуры агентов.
- Контроль над состоянием агента: Навыки интеграции механизмов памяти (`memory`) для сохранения и использования внутреннего состояния агента между шагами выполнения.
- Эффективный инструмент разработки: Доступ и умение работать в LangGraph Studio – визуальной среде для интуитивной сборки, отладки и тестирования ваших агентских приложений.
- Прототип AI-ассистента: К концу модуля вы создадите основу собственного интеллектуального агента, способного обрабатывать задачи с сохранением контекста.
Нагрузка
~8 часов видео + практика