Чему вы научитесь
- Проектировать агентов на LangGraph: графы состояний, узлы, рёбра, условные переходы и циклы
- Подключать инструменты (tools) и выстраивать архитектуру ReAct
- Управлять состоянием: схемы, редьюсеры, мульти-схемы, фильтрация и саммаризация сообщений
- Сохранять память агента между сессиями, включая внешнюю БД
- Собирать RAG-системы: загрузка и разбиение документов, эмбеддинги, векторный поиск, ретриверы
- Строить Agentic RAG и многошаговые RAG-пайплайны с проверкой качества ответа
- Применять Human-in-the-Loop: потоковый вывод, breakpoints, прерывания, правку состояния и перемотку графа
- Разрабатывать мультиагентные системы: параллельные ветки, sub-graphs, map-reduce
- Поднимать собственный MCP-сервер и клиент, включая авторизацию OAuth
- Отлаживать и деплоить приложения через LangGraph Studio и LangSmith
О курсе
Что вы соберёте своими руками
- Агента на LangGraph — с инструментами, памятью и полным контролем workflow через графы состояний
- RAG-систему — загрузчики, сплиттеры, эмбеддинги, векторные хранилища, ретриверы, мультимодальный ввод и Agentic RAG
- Мультиагентный пайплайн — параллельные ветки, sub-graphs, map-reduce, агент-исследователь
- Human-in-the-Loop — потоковый вывод, breakpoints, прерывания, правка состояния на лету и перемотка графа
- Свой MCP-сервер и клиент — включая авторизацию по OAuth
Почему этот курс
🔧 Практика, а не пересказ документации. Каждый урок — работающий код, который вы запускаете у себя.
🗂 Репозиторий-конструктор. Одна ветка на урок: переключились — и пример готов к запуску, без сборки проекта с нуля.
🧩 Путь от простого к сложному. Первый граф из трёх узлов → агент с памятью → RAG → мультиагентные системы → MCP.
🛠 Инструменты продакшена. LangGraph Studio и LangSmith для отладки и трейсинга, деплой, работа с внешней БД для памяти.
Как устроено обучение
Методичка → видео-разбор кода → домашнее задание. Решения присылаете PR или ссылкой на репозиторий, вопросы разбираем в комментариях.
7 модулей, 53 урока, ~8 часов видео, 41 проверочный вопрос. Курс продолжает пополняться новыми модулями.
Для кого
- Python-разработчики, которые хотят перейти к LLM-приложениям
- ML- и AI-инженеры, которым нужны надёжные агенты вместо «чёрного ящика»
- Технические специалисты, создающие AI-ассистентов под задачи бизнеса
Что нужно знать заранее
Python на уверенном уровне (функции, коллекции, ООП, установка пакетов), общее представление о том, что такое LLM. Знакомство с графами — плюс, но не обязательно: разбираем с нуля.
💬 AI-сообщество в Telegram — новости, анонсы новых модулей и общение.
Для кого этот курс
Python-разработчики, переходящие к LLM-приложениям; ML- и AI-инженеры, которым нужны надёжные и управляемые агенты; технические специалисты, создающие AI-ассистентов и RAG-системы под задачи бизнеса.
Начальные требования
Python на уверенном уровне: функции, списки и словари, ООП, установка пакетов через pip. Общее представление об LLM — что это и зачем. Знакомство с графами (узлы, рёбра, циклы) будет плюсом, но разбираем с нуля. Понадобится ключ к любому LLM-провайдеру — в курсе показываем варианты подключения.
Наши преподаватели
Как проходит обучение
Методичка → видео-разбор кода → домашнее задание. Решения присылаете PR или ссылкой на репозиторий, разбор — в комментариях.
Программа курса
загружаем...
Сертификат
Сертификат Stepik
Отзывы прошедших курс
загружаем...
Что вы получаете
- Фундаментальные навыки создания агентов: Понимание принципов работы LLM-агентов, управления потоком выполнения и преодоления ограничений стандартных подходов для повышения надежности.
- Практическое владение LangGraph: Умение представлять агентские workflow в виде графов состояний (узлы) и действий (ребра) с помощью фреймворка LangGraph.
- Ключевые компетенции в компонентах агентов: Навыки работы с инструментами (`tools`) и системой сообщений (`messages`) как основными элементами workflow, построенных вокруг чат-моделей.
- Способность реализовывать сложные архитектуры: Умение конструировать циклы (`looping`) в workflow для реализации мощной ReAct-архитектуры агентов.
- Контроль над состоянием агента: Навыки интеграции механизмов памяти (`memory`) для сохранения и использования внутреннего состояния агента между шагами выполнения.
- Эффективный инструмент разработки: Доступ и умение работать в LangGraph Studio – визуальной среде для интуитивной сборки, отладки и тестирования ваших агентских приложений.
- Прототип AI-ассистента: К концу модуля вы создадите основу собственного интеллектуального агента, способного обрабатывать задачи с сохранением контекста.
Сколько стоит обучение
Price:
4 499 ₽
Вы попробовали и поняли, что вам сейчас не подходит этот курс? Ничего страшного, мы вернём вам деньги в течение 30-ти дней после покупки.