Чему вы научитесь
- Объяснять разницу между LLM‑чатом, tool‑calling и агентной системой.
- Проектировать петлю агента (цель → действие → наблюдение) и границы ответственности.
- Выстраивать состояние и контекст: что хранить, что резюмировать, что доставать по запросу.
- Проектировать память агента (краткосрочная/долгосрочная) и управлять “засорением”.
- Подключать инструменты (API/CLI/БД/файлы) через явный контракт и обработку ошибок.
- Выбирать паттерн поведения: ReAct, Plan‑and‑Execute, supervisor/worker, граф/стейт‑машина.
- Строить quality gate: проверки формата, фактов, политики, ограничений и “не знаю”.
- Организовывать тестирование и оценку: сценарии, регрессия, метрики, логирование, трассировка.
- Закрывать базовые риски безопасности: инъекции, утечки, опасные действия, human‑in‑the‑loop.
О курсе
Курс о том, как превращать LLM в работающие агентные системы: цели, планирование, инструменты, память, безопасность и контроль качества. От простого tool-calling до устойчивой архитектуры для продакшена.
Главная идея курса простая: “модель отвечает текстом” — это не то же самое, что “система делает работу”. Агент начинается там, где появляется цель, последовательность действий, инструменты с последствиями, состояние между шагами и проверки, которые не позволяют красивому ответу превратиться в ошибку.
Мы разложим агент на детали и соберём устойчивую архитектуру: петля агента, маршрутизация, планирование, контекст‑менеджмент, память, контракты инструментов, обработка ошибок, quality gate, логирование и трассировка. Отдельно поговорим о рисках: инъекции, утечки, действия с последствиями, необходимость подтверждения человеком и “обратимые” операции.
К концу курса у вас будет набор практических паттернов и чек‑листов, по которым можно спроектировать агент под задачу и довести его до состояния, когда его не страшно включать в рабочий процесс.
Для кого этот курс
Python/Backend‑разработчики, ML/AI‑инженеры на старте практики и инженеры эксплуатации (DevOps/SRE/QA), которым нужны автоматизированные помощники. Уровень: уверенный новичок / early‑middle. Курс не про “магические промпты”: потребуется готовность писать код и разбирать сбои.
Начальные требования
Python 3.10+ (виртуальные окружения), базовые навыки работы с HTTP/JSON и API, умение читать логи и пользоваться git. Глубокий ML не нужен, но понадобится инженерная аккуратность: думать про ошибки, последствия и безопасность.
Наши преподаватели
Как проходит обучение
Каждый урок: 2 теоретических шага (идея/риски → практический разбор/сценарий) и квиз. В каждом модуле есть мини‑кейс: вы проектируете решение, выбираете паттерн и ставите проверки качества.
Программа курса
загружаем...
Что вы получаете
- Чек‑лист “агент vs не агент”: признаки, границы и минимальная архитектура.
- Шаблон контракта инструмента (входы/выходы/ошибки/идемпотентность/лимиты) + примеры.
- Шаблон состояния агента (state schema) и правила контекст‑менеджмента.
- Набор проверок quality gate (формат/факты/политики/безопасность) и типовые “отказы”.
- Каркас набора тест‑сценариев для агента и принципы регрессии.
- Таблица рисков и политика действий: разрешения, sandbox, обратимые операции, подтверждения.
Сколько стоит обучение
Price:
790 ₽
Вы попробовали и поняли, что вам сейчас не подходит этот курс? Ничего страшного, мы вернём вам деньги в течение 30-ти дней после покупки.