Мультиагентные системы на Python: команды ИИ-агентов ★ 0.000

Практический курс о том, как из одиночного агента собрать надёжную команду ИИ-агентов на Python в проде: supervisor/network/hierarchical, общий стейт, стоимость и eval, LangGraph и CrewAI — и честный критерий, когда команда НЕ нужна. Практика в песочнице + живой LangGraph в Colab.

• Вы уже собрали надёжного одиночного агента — и упёрлись в его потолок. У вас работает агент с RAG, инструментами, памятью и eval, и вы дошли до границы, где одной «головы» перестаёт хватать. Этот курс берёт вас ровно с неё. Это главный вход.
• Backend- и ML-инженеры на Python (2–8 лет), которые уже прикрутили одного LLM-агента к продукту и получили задачу «пусть их будет несколько / пусть один агент вызывает другого / пусть система сама разбивает задачу на подзадачи».
• Python-разработчики, целящие в роль AI Engineer — у вас в портфолио один агент, но на собеседованиях спрашивают про supervisor/network/hierarchical, общее состояние, eval системы и стоимость, а показать нечего. Нужен проект уровнем выше и язык, на котором про него говорят.
• Тимлиды и senior-инженеры, проектирующие агентную архитектуру — вам нужны критерии «supervisor или network», «где общая память, а где изоляция», «сколько это стоит на 1000 запросов» и кто отвечает за инцидент, а не хайп-демка «10 агентов написали стартап за ночь».
• Автоматизаторы и интеграторы, переросшие одного агента — несколько агентов-специалистов над одним доменом (ресёрч + расчёт + оформление + проверка), где нужен явный оркестратор.

Не уверены, что вашей задаче вообще нужна команда? Это нормальный вопрос — и курс отвечает на него честно с первого модуля (урок 1.2 прямо разбирает, когда мультиагент избыточен). Если ответ «команда не нужна», вы уйдёте с рабочим критерием, а не с over-engineering.

• Одиночный агент уже собран или понятен. Агентский цикл, function calling / tool-use, RAG (чанки, эмбеддинги, retrieval, grounding), память агента, обработка ошибок инструментов — это порог входа, а не тема курса. Подойдёт любой питонист, который уже собирал одиночного агента — по туториалам, по обрывкам или в рабочем проекте. Если этой базы совсем нет — сначала освойте одиночного агента, потом возвращайтесь.
• Python — уверенный средний уровень. Функции, классы, словари, генераторы, try/except, работа с JSON и HTTP, базовый async/await, venv. Курс это не объясняет.
• LangGraph на уровне «видел граф состояний» — узлы, рёбра, состояние. Здесь идём глубже: общее состояние команды, subgraphs, маршрутизация.
• Google Colab или локальный Python — обязательно для живой практики. Песочница Stepik — это stdlib Python 3.6, pip заблокирован, сети к внешним API нет: langgraph/crewai туда не поставить физически. Поэтому механику вы собираете в песочнице руками, а реальную команду с живыми вызовами модели — в Colab по готовым ноутбукам. Плюс терминал, git, .env, чтение логов и трейсов.

Курс не для тех, кто ждёт no-code-конструктор, и не для тех, кто ищет «рой агентов изменит всё»: здесь — про надёжность, стоимость и трезвый критерий «нужна ли команда вообще».

• Механику собираете руками в песочнике Stepik — 51 проверяемое код-задание на чистом Python 3.6: роутер супервайзера, reducer состояния, лимит делегирования, трейсер, eval-отчёт, бюджетомер. Плюс quiz, matching, sorting на концепции с содержательным фидбэком на каждый неверный вариант.
• Реальный LangGraph — в Google Colab по пошаговым ноутбукам, с verify-шагами (запустили прогон — сверили число), потому что langgraph в песочнице не поставить. Плюс один прицельный урок живого CrewAI. Курс каждый раз говорит, где вы сейчас работаете.
• Схемы и диаграммы к каждой концепции: топологии архитектур, каналы и reducers, дерево спанов, водопад утечек бюджета, матрица выбора архитектуры.
• L3-синтезы в конце уроков — не «выбери определение», а собери оркестратор с защитой, локализуй виновника по трейсу, посчитай стоимость команды, вынеси вердикт «принять или откатить».
• Капстоун — команда IT-helpdesk от ТЗ до прод-чек-листа, собранная из блоков модулей 3–7 без переписывания: вы наращиваете одну систему, а не начинаете проект заново. Все Colab-ноутбуки привязаны к одному сквозному кейсу — вы ведёте единый пример от первого модуля до защиты.

• Текстовые уроки с проверяемой практикой — 29 уроков, 349 шагов, из них 51 код-задание с автопроверкой в песочнице Stepik (чистый Python, без установки чего-либо) плюс quiz, matching и sorting с содержательным фидбэком на каждый неверный вариант.
• Живая практика в Google Colab — 21 пошаговый ноутбук с реальным LangGraph и CrewAI, живыми вызовами моделей и verify-шагами «запустили — сверили число». Курс каждый раз говорит прямо, где вы сейчас работаете: в песочнице или в Colab.
• Схемы к каждой концепции — 64 диаграммы: топологии архитектур, каналы и reducers, дерево спанов, водопад утечек бюджета, матрица выбора архитектуры.
• Сквозной проект + капстоун — одна система наращивается от модуля к модулю без переписывания; финал — команда IT-helpdesk end-to-end и упаковка в README для портфолио.
• Свободный темп — без дедлайнов, доступ к материалам сразу после покупки.