ИИ-агенты на Python: RAG, инструменты и свой ассистент с нуля ★ 0.000

Демо-агент из туториала собирается за вечер и честно работает. Ровно до второго инструмента и третьего вопроса. Подключаете реальные данные, и он вызывает не тот инструмент, зацикливается, упирается в лимит токенов или уверенно выдаёт чушь поверх нерелевантного контекста. Отладить нечем: между запросом и ответом чёрный ящик. Дело не в коде. Агент это архитектура из нескольких связанных частей (модель, инструменты, цикл, память), и любая из них без присмотра становится точкой отказа.

Function calling у OpenAI появился в июне 2023, tool use у Claude и протокол MCP пришли в 2024-м. Модель научилась не просто отвечать текстом, а просить вызвать инструмент и действовать по результату. MCP (Model Context Protocol, открытый протокол Anthropic) это не «ещё одна обёртка над OpenAI». Это стандартный слой между агентом и инструментами: без него под каждый источник пишете свою интеграцию, с ним инструменты подключаются как единый интерфейс. Почти весь рунет учит агентов на связке OpenAI плюс LangChain. Здесь tool use Claude и function calling OpenAI идут параллельно, чтобы вы понимали механику, которая переносится между провайдерами, а не зубрили один SDK.

Этот курс смотрит на агентов как на инженерную систему для разработчиков, а не как на кнопки в конструкторе и не как на один модный фреймворк. Не «запустить чужой пример из ноутбука», а собрать агентский цикл руками на чистом Python и понимать, что фреймворк потом делает за вас. Построить RAG, который отвечает строго по источникам с цитатой и честно говорит «в документах этого нет». Довести агента до прода: eval, безопасность, наблюдаемость, деплой. Claude и MCP в ядре, OpenAI рядом как осознанная альтернатива. Конкретно работаем с tool use Claude, function calling OpenAI, MCP-сервером, Chroma и pgvector, LangGraph, FastAPI, Telegram и Docker. По ним курс и находят те, кто ищет именно это. Чего здесь нет: no-code и визуальных конструкторов (это отдельный курс), а также разбора MCP-протокола целиком, с JSON-RPC и своими серверами (тоже отдельный курс). MCP тут один рабочий слой агента из многих.

Внутри 9 модулей, 34 урока, 376 проверяемых шагов, не меньше трёх практических заданий в каждом уроке. Практику я разнёс честно. То, что работает на стандартной библиотеке Python 3.6, проверяется прямо в песочнице Stepik: логика агентского цикла на модели-заглушке, разбор tool-call JSON, чанкинг, косинусная близость руками, мини-eval. Тяжёлое (реальные вызовы Claude и OpenAI, Chroma и pgvector, LangGraph, FastAPI, Docker) вы запускаете у себя. Весь код мы разбираем прямо в уроке: вы копируете его и запускаете локально или в Google Colab со своим ключом, по пошаговым инструкциям. Капстоун собирается не с нуля: вы интегрируете уже собранные по модулям куски (RAG, инструменты, цикл, eval, деплой) в один работающий проект для GitHub, с README и eval-метриками, и учитесь защищать его так, будто отвечаете на собеседовании AI Engineer.

Сквозной пример курса это docs-assistant, агент над базой HR-регламентов вымышленной IT-компании «Контур-Тех». Его задача честно отвечать сотрудникам по документам. Сценарии берём из жизни: пустой ретривал, модель вызвала несуществующий инструмент delete_all, история диалога переросла контекстное окно, search_docs отвалился по таймауту, в проиндексированный документ подложили инструкцию «игнорируй правила». Те самые грабли, на которые вы наступите на следующей неделе. Только разобранные заранее.

Чему вы научитесь

• Собирать агентский цикл с нуля на чистом Python: запрос, решение модели, вызов инструмента, результат, следующий шаг. С памятью, ретраями, таймаутами и лимитом итераций. А потом класть его на фреймворк, понимая, что тот делает за вас.
• Подключать инструменты к Claude и OpenAI через tool use и function calling: описать схему, разобрать вызов, выполнить, вернуть результат, обработать ситуацию «модель вызвала не то». И приводить оба формата к единому, провайдеро-независимому контракту.
• Подключать инструменты через MCP как стандартный слой вместо зашитой интеграции под каждый источник. По понятному критерию решать, где MCP оправдан, а где хватит обычной функции.
• Строить RAG, которому можно верить: чанкинг с перекрытием, эмбеддинги, векторная база (Chroma локально, pgvector для прода), retrieval с цитатами {doc_id, position}, grounding и честное «в документах этого нет».
• Оркестрировать агентов через LangGraph: граф состояний, ветвления, циклы, human-in-the-loop. И по матрице решений отличать случай, где нужен оркестратор, от случая, где хватит своего цикла на 30 строк.
• Тестировать недетерминированного агента (eval): собрать датасет, мерить pass-rate, precision@k и recall@k, долю грунтованных ответов, ловить регрессии после смены промпта или модели, читать трейс вызовов.
• Защищать агента в проде: секреты вне кода и логов, scope инструментов по принципу наименьших привилегий, защита от прямой и непрямой (через RAG-документ) prompt injection, бюджет токенов и денежный потолок, структурное логирование и метрики latency и cost.
• Деплоить агента как сервис: FastAPI-эндпоинт с контрактом, Telegram-интерфейс, упаковка в Docker с конфигом через окружение и preflight-проверкой готовности.
• Собрать капстоун end-to-end: docs-assistant целиком (RAG плюс инструменты плюс цикл плюс eval плюс деплой) как портфельный проект для GitHub, про который вы сможете объяснить, как он устроен внутри.

Программа курса

Курс ведёт через 9 модулей по одному маршруту: от первого вызова модели к агенту, которого не стыдно отдать в прод и показать на собеседовании.

• Модуль 1. Основы LLM для агентов. Что такое агент и из чего он собран, первый вызов Claude Messages и OpenAI рядом, токены и контекстное окно, температура, строгий JSON. Сразу честно про песочницу Stepik.
• Модуль 2. Промптинг и инструменты. System-промпт и ReAct, tool use Claude и function calling OpenAI параллельно, единый контракт инструмента, защита от кривых вызовов.
• Модуль 3. MCP как слой инструментов. Зачем MCP против зоопарка зашитых интеграций, подключение Claude к готовому MCP-серверу, критерий «MCP или функция».
• Модуль 4. RAG, которому можно верить. Чанкинг, эмбеддинги, векторная база, grounded-ретривал с цитатами, eval ретривала и борьба с галлюцинациями.
• Модуль 5. Агентский цикл в продакшне. Многошаговость и планирование, память между шагами, обработка ошибок tool-calls с ретраями, бюджет токенов и денег.
• Модуль 6. Оркестрация и мульти-агенты. LangGraph (граф, ветвления, human-in-the-loop), критерий «LangGraph или 30 строк», супервайзер и hand-off без хайпа про «рой агентов».
• Модуль 7. Eval, безопасность и наблюдаемость. То, на чём прод и ломается: eval с метриками и регрессиями, guardrails и prompt injection, логи, трейсинг, мониторинг latency и cost.
• Модуль 8. Деплой агента. FastAPI-сервис, Telegram-интерфейс, упаковка в Docker с секретами вне образа.
• Модуль 9. Капстоун. Сборка docs-assistant end-to-end в проект для GitHub: README, eval-метрики, защита как на собеседовании AI Engineer.

Как проходит обучение

• 376 шагов в 34 уроках. Каждый урок открывается коротким разбором боли, дальше теория с цифрами и источниками, разбор кейса на docs-assistant, типичные ошибки и не меньше трёх практических заданий.
• Практика в песочнице Stepik на стандартной библиотеке Python 3.6: агентский цикл на модели-заглушке, разбор tool-call JSON, чанкинг, косинусная близость и top-k руками, валидаторы, мини-eval, проверка грунтованности.
• Живой код локально или в Google Colab. Реальные вызовы Claude и OpenAI, Chroma и pgvector, LangGraph, FastAPI, Telegram-бот, Docker. Весь код разбираем в уроке: копируете и запускаете у себя со своим ключом, по пошаговым инструкциям.
• 8 типов заданий (choice, matching, sorting, number, string, code, fill-blanks, free-answer), уровни L1–L3 с упором на применение и перенос, содержательный фидбэк на каждый неверный вариант со ссылкой на конкретный шаг.
• Капстоун это финальная сборка docs-assistant end-to-end: вы интегрируете готовые по модулям куски в один проект, а не пишете заново.

Что вы получаете

• Рабочего агента end-to-end на GitHub. docs-assistant с RAG, инструментами (function calling плюс MCP), памятью, устойчивостью, eval-набором и деплоем. Портфельный артефакт, а не учебный todo-list.
• Навык, который переносится между провайдерами. Вы понимаете tool use Claude и function calling OpenAI на уровне механики и выбираете провайдера под задачу, а не зависите от одного SDK.
• Продакшн-практики, которых нет в демо-туториалах. Eval и ловля регрессий, безопасность (секреты, scope инструментов, prompt injection), наблюдаемость (трейсинг, latency и cost), деплой в сервис.
• Готовые ответы для собеседования AI Engineer. Как боролись с галлюцинациями, как выбирали Claude или OpenAI, когда брать LangGraph, как защищали ключи. Язык индустрии, привязанный к вашему капстоуну.

Демо-уроки (бесплатно)

• Урок 1.1 «Что такое ИИ-агент и из чего он собран». Вход в курс: из каких компонентов собран агент, разбор «замороженного трейса» разговора docs-assistant, честно про песочницу Stepik, карта всех 9 модулей.
• Урок 4.4 «Retrieval, грунтование и цитаты». Сильный середняк: как заставить агента отвечать строго по документам с цитатой {doc_id, position} и говорить «в документах этого нет» вместо выдумки. Осязаемый результат RAG-модуля.

Чем этот курс отличается

Большинство курсов и туториалов по агентам построены на связке OpenAI плюс LangChain и заканчиваются там, где начинается прод: «работает в ноутбуке», и всё. Здесь два отличия. Первое: Claude и MCP в ядре, а tool use Claude и function calling OpenAI разбираются параллельно, так что вы уходите с пониманием, которое переносится между провайдерами, а не со знанием одного SDK. Второе: целый продакшн-блок (eval и ловля регрессий, безопасность и prompt injection, наблюдаемость, деплой в сервис), которого в демо-туториалах нет вовсе. Плюс честная работа в песочнице Stepik и в Colab, без иллюзии, что «всё проверяется внутри».

Похожие курсы автора

• Не хватает Python-базы? Сначала «Вайб-кодинг (Vibe Coding): программирование с ИИ с нуля» (278769) или «Python для финансового анализа» (286608), потом обратно сюда.
• Освоили Claude как продукт и хотите программировать агентов? «Claude как рабочий инструмент» (286256) про использование, а этот про разработку.
• Хотите MCP до уровня протокола и писать свои серверы? В «MCP и коннекторы для Claude» (287549) MCP это предмет целиком (JSON-RPC, транспорты, свои серверы), здесь MCP один слой агента.
• Нужны агенты без кода для бизнес-задач? «ИИ-агенты для финансов и бизнеса: без программирования» (285664) это no-code альтернатива для тех, кто не пишет на Python.