Чему вы научитесь
- Построите агента на LangGraph с состоянием, чекпоинтами и условными переходами
- Настроите надёжность: retry-логика с экспоненциальной задержкой, валидация вывода через Pydantic, fallback при сбоях LLM
- Обеспечите безопасность: санитизация пользовательского ввода, защита от prompt injection, ограничение инструментов
- Внедрите наблюдаемость: структурированное логирование в JSON, трейсинг через LangSmith, Telegram-алерты для критичных событий
- Упакуете в Docker: сборка образа, docker-compose с PostgreSQL и Ollama, запуск одной командой
- Покроете тестами: unit-тесты критичных модулей с моками LLM, интеграционные тесты эндпоинтов
- Сравните фреймворки: CrewAI vs LangGraph — когда выбрать каждый, какие антипаттерны избегать
О курсе
‼️Промокод SALE20 даёт скидку 20% до 15 мая
Этот курс создан для бэкенд-разработчиков, которые хотят строить реальных AI-агентов для продакшена, а не демонстрационные прототипы.
🎯 Цель — дать инженерные навыки: как использовать LangGraph или CrewAI, добавить чекпоинты, валидацию, логирование, тесты — и развернуть с помощью Docker.
💡 Почему именно этот курс?
- Нет академической математики — только то, что нужно для работы
- Все примеры — на Python, FastAPI, LangGraph, CrewAI
- Акцент на продакшен: тесты, логи, безопасность, масштабируемость
- Финальный проект: end-to-end сервис обработки заявок в поддержку
📦 Что входит в курс:
- Тематические модули
- Теория в формате кратких конспектов + код
- Более трёхсот тестовых заданий
- Задачи на программирование
- Финальный проект: SupportAI — агент для классификации заявок в поддержку
- Готовый репозиторий на GitHub для портфолио
Для кого этот курс
— Python-разработчики, которые хотят добавить AI в свой стек
— Инженеры, планирующие внедрять агентов во внутренние инструменты (Jira, документация, чат-боты)
— Техлиды и архитекторы, оценивающие применимость агентов в инфраструктуре
— Те, кто уже пробовал LLM, но не знает, как выйти за пределы простых скриптов.
— Инженеры, планирующие внедрять агентов во внутренние инструменты (Jira, документация, чат-боты)
— Техлиды и архитекторы, оценивающие применимость агентов в инфраструктуре
— Те, кто уже пробовал LLM, но не знает, как выйти за пределы простых скриптов.
Начальные требования
- ✅ Уверенное владение Python 3
- ✅ Опыт работы с FastAPI / aiohttp / аналогами
- ✅ Умение работать с командной строкой
- ✅ Понимание асинхронного программирования
- ✅ Умение работать с Docker и Docker Compose
- ❌ Не требуется: знание ML, TensorFlow/PyTorch, линейной алгебры
Наши преподаватели
Как проходит обучение
📚 Теоретические модули с кодом и схемами
💻 Практические задания с готовыми решениями для самопроверки
🧪 Тесты на понимание после каждого модуля
💬 Форум поддержки: вопросы к автору, обсуждение архитектурных решений
Программа курса
загружаем...
Сертификат
Сертификат Stepik
Входит в 1 программу
Что вы получаете
- 🧠 Production-ready навыки по построению агентов: Научитесь создавать отказоустойчивых агентов на LangGraph, узнаете азы владения CrewAI.
- 📂 Проект в портфолио: Готовый сервис обработки заявок в поддержку: FastAPI + LangGraph + PostgreSQL + Docker.
- 🛡️ Инженерные паттерны для агентов: Безопасность, наблюдаемость (трейсинг через LangSmith, Telegram-алерты), надёжность.
- 💼 Востребованность на рынке: AI Agent Engineer — одно из самых быстрорастущих направлений в backend-разработке.
Сколько стоит обучение
Old Price:
3 500 ₽
Discount Price:
2 800 ₽
Вы попробовали и поняли, что вам сейчас не подходит этот курс? Ничего страшного, мы вернём вам деньги в течение 30-ти дней после покупки.