Преподает Lead разработки AI-агентов, Группа Сбер (АБТ)
Научимся с нуля создавать и внедрять в процессы сложных AI-агентов на примере pet-проекта — мультиагентной системы с production-архитектурой: памятью, стейтом, автономностью и мониторингом. Без low-code решений
Подойдет разработчикам, которые:
Также Будет полезно:
- Внедряют AI-агентов в существующую инфраструктуру компании или хотят научиться делать это для себя
- Уже писали агентов и получили неуправляемую «систему» с галлюцинациями, зацикливанием и сжиганием бюджета
Ограничей по грейду нет, но нужно знать:
- Tech/Team-лидам
Узнаете лучшие практики проектирования архитектуры AI-агентов
- AI-продактам
Увидите процесс разработки AI-агентов изнутри и будете лучше понимать свою команду
- любой backend-язык
- базовые принципы API
- сети и БД на базовом уровне
На практике будем писать агентов с помощью LLM, но в теории покажем примеры кода на Python.
Конструкции будут простыми - проблем с пониманием не возникнет
В рамках курса научимся:
- Проектировать архитектуру реального AI-агента с учетом best practices
- Получать от него предсказуемые и структурированные ответы вместо безумной генерации
- Обучать агента учитывать и сохранять контекст, не повторяться и вести задачу как процесс
- Внедрять в агента observability и мониторить качество ответов
- Безопасно останавливать работу агента, не «сжигать» бюджет и запрещать деструктивные действия
- Создавать мультиагентную систему с координацией их поведения и взаимодействия
И все это - на примере реального проекта
С нуля напишем своего AI-агента, который будет анализировать GitHub-репозиторий и извлекать бизнес-инсайты из названий коммитов, pr и issue
Но важно, этот AI-агент про:
Вместо нашего агента можно создавать своего
- источник инсайтов, а не замену всех людей вокруг проекта
- демонстрацию возможностей, которые ты можешь делать с ИИ, а не идеальное open-source решение
Если у тебя есть своя идея или реальный проект на работе, можно заниматься своей задачей и по ходу задавать вопросы преподавателю
Урок 1: Введение в концепцию агентов
AI-агенты - самая хайповая концепция, но именно поэтому этим словом называют все подряд: и простого чат-бота с промптом, и любой скрипт с вызовами LLM.
Агенты гораздо глубже и сложнее. В этом модуле разбираемся, что такое агент на самом деле, почему это не фреймворк и не SDK, и закладываем архитектурный фундамент, на котором будет стоять все остальное
Урок 2: Как агент думает и действует
Что такое агент и что им не является:
Паттерны:
- как мы вообще здесь оказались и почему перестало хватать просто LLM
- агент vs чат-бот vs pipeline vs workflow
- decision framework: когда агент действительно нужен, а когда это оверинжиниринг
- анатомия агентов и agent loop
Бонусом:
- Реагируйте, планируйте → выполняйте (Планируйте и решайте)
- критерии выбора + антипаттерны
Упражняться:
- кратко пройдемся по внутреннему устройству популярных агентов: Cursor, Claude Code, Deep Research
- разберемся, что у них общего архитектурно
Результат:
- разбираем архитектуру реального агента по слоям
- собираем наивный прототип Projects Health Agent, который постарается навести порядок в вашем GitLab
- понимаешь, где кончается «чат» и начинается агент
- есть рабочий и простой прототип, который будем прокачивать
«Агент работает, но так себе» — мы не уверены, что задача вообще закончится успехом. В этом уроке строим когнитивный и execution-слой как инженерные компоненты
Урок 3: Автономность: память, стейт и контроль поведениях
Когнитивный слой:
Execution-слой:
- основы инференса LLM как рычаги: на что мы можем влиять
- как выбрать модель под задачу
- context engineering: как не впихивать все, что у вас есть
- structured outputs: заставляем модель ответить так, как нам надо
Упражняться:
- tools: разбираем из чего они состоят
- проблемы дизайна инструментов: «слишком мало/слишком много»
- коротко про MCP: как стандартизировать доступ к тулзам
Результат:
- подключаем GitLab API как tools
- вводим строгие схемы output + валидацию/repair loop
- делаем стратегию чтения: агент сам решает, какие MR раскрывать глубже
- предсказуемые структурированные инсайты вместо безумной генерации
- агент умеет выбирать контекст и инструменты, а не пихать все в промпт
Добавляем агенту все, чтобы отправить его в свободное плавание: память, состояние и контроль. Здесь мы превращаем реактивную систему в управляемую и автономную
Урок 4: Катим в прод: надежность, безопасность и остановка
Память:
Инженерия состояний и обеспечение устойчивости:
- краткосрочная / долгосрочная / эпизодическая
- history management и компактизация: хранить / сжимать / забывать
Идемпотентность и детерминизм:
- жизненный цикл состояния
- персистентность: падение / рестарт без потери
- параллелизм и консистентность
Контроль автономности:
- повторяемость действий и политики
- идемпотентность операций
- детерминизм, где возможно
Упражняться:
- HITL (Human-in-the-Loop): когда действуем сами, а когда спрашиваем
- confidence как уровни автономности
- саморефлексия как адаптация
Результат:
- добавляем память и реализуем state-машину
- вводим idempotency keys и учимся не повторяться
- учимся адаптироваться к суровому окружению
- агент не забывает, не повторяется, ведет задачу как процесс
- автономность становится более управляемой
Демо прощает все, а прод — нет. В этом уроке делаем агента, которому можно доверять: ошибки, безопасность, наблюдаемость, стоимость, измеримость и обязательные stop conditions
Урок 5: Сложные задачи: мультиагентность и координация
Error handling:
Ограждения:
- API 500 / таймауты: retry / backoff / fallback / graceful degradation
- ошибки LLM: отказ, галлюцинации, невалидный output → repair / abort
Stop conditions или когда агент обязан остановиться:
- запрет деструктивных действий без подтверждения
- политика алертов и настройка порогов
- работа с мгновенным внедрением / враждебными входными данными
Наблюдаемость и оценка:
- контроль затрат/времени/инструментов
- mistools и другие ошибки инструментов
- низкая уверенность, отсутствие HITL … и другие
Упражняться:
- строим трейсинг и health check
- что такое evals, как их строить и почему в агентах это так важно
Результат:
- добавляем guardrails + запреты + политики алертов
- внедряем stop conditions (бюджеты, circuit breaker, abort правила)
- пишем минимальный eval suite
- агент безопасно останавливается и сжигает бюджет маленькой страны
- есть наблюдаемость и постоянная оценка качества
Когда один агент не тянет по широте своей души функциональности, появляется мультиагентность (несколько агентов сразу). Как следствие - неизбежность координации и взаимодействия внутри команды агентов
Когда мультиагентность нужна / когда нет:
Топологии и роутинг:
- компетенции, параллелизм, сложность решений
- цена координации
Многоагентное состояние:
- руководитель / иерархический, равный коллеге
- роутинг: статический / динамический / условный
Упражняться:
- общий против изолированного
- конфликтность состояний и findings + dedup / merge-политики
Результат:
- финализируем нашу систему
- понимаешь, когда мультиагенты оправданы
- умеешь проектировать их координацию и целеполагание
Скрытый текст. Доступен только зарегистрированным пользователям.Нажмите, чтобы раскрыть...
Новые складчины | страница 4
Категории
Страница 4 из 34
