AI Agents PRO: LangGraph, AutoGen и LLMOps в продакшне

Практический курс по AI-агентам. Соберёте продакшн RAG-сервис: от индекса и графа состояний до API, Docker, метрик качества и контроля стоимости.
Плюс профессиональные блоки: LangGraph/AutoGen, Qdrant/FAISS+rerank, eval (RAGAS/custom), quality-гейты, OpenTelemetry+Prometheus/Grafana, CI/CD, ретраи/DLQ/идемпотентность,…
Средний уровень
Сертификат Stepik

Чему вы научитесь

  • Проектировать архитектуру AI-агентов на основе LangGraph и AutoGen: роли, состояния, инструменты, переходы
  • Строить графы задач (DAG/FSM) с ветвлением, параллелизмом, отменой и компенсационными шагами
  • Проектировать рабочую память агента: short-term/long-term, entity/summary memory, TTL и эвикцию
  • Делать checkpointing состояния и корректное восстановление после падений
  • Интегрировать инструменты: HTTP-клиенты, БД (Postgres/Redis), файловые хранилища, почта, внешние API
  • Подключать браузерную автоматизацию (Playwright) и управлять побочными эффектами инструментов
  • Создавать безопасные инструменты со скоупами, валидацией входов/выходов и песочницей
  • Реализовывать RAG-ядро: индексация, чанкинг, hybrid BM25+dense, выбор top-k, перезапросы
  • Подключать Qdrant/Weaviate/FAISS, настраивать rerankers и компрессию контекста
  • Управлять контекстным окном: selective retrieval, цитирование источников, предотвращение галлюцинаций
  • Проектировать планирование действий (tool-use planning) и циклы self-critique/reflection
  • Маршрутизировать запросы между моделями по задаче, бюджету, latency и политике данных
  • Настраивать бюджет-каппинг: лимиты токенов/запросов/стоимости на пользователя и на пайплайн
  • Обеспечивать надежность: таймауты, ретраи с backoff, идемпотентность, саги и dead-letter очереди
  • Определять SLI/SLO для агентов: p50/p95 латентность, доля успешных задач, стоимость операции
  • Вести структурированное логирование, трассировку и корреляцию событий (correlation IDs)
  • Оценивать качество: golden-сеты, LLM-judge, ручная разметка; считать pass@k сценариев
  • Строить наблюдаемость (Langfuse/Prometheus/Grafana) и алертинг на деградации/перерасход
  • Проводить A/B-тесты ролей, промптов, памяти и Retrieval-стратегий; анализировать uplift и критерии остановки
  • Версионировать промпты и пайплайны: семантические версии, changelog, rollback-стратегии
  • Проектировать строгий структурированный вывод (JSON/DSL), парсинг и валидацию (Pydantic)
  • Строить guardrails: грамматики/регексы/политики, фильтрация опасных действий

О курсе

Этот курс — про инженерную сборку AI-агента под реальные условия эксплуатации. Вы пройдёте путь от пустой папки и исходных документов до работающего сервиса: индексация и поиск (Qdrant/FAISS + rerank), граф состояний в LangGraph/AutoGen, API на FastAPI, контейнеризация, метрики качества и контроль стоимости ответа.

Внутри — не магические демо, а эксплуатационные вещи: версии промптов и quality-гейты, наблюдаемость (логи/трассировка/алёрты), ретраи и идемпотентность, guardrails, работа с PII/RBAC. Каждый модуль заканчивается артефактом: индекс, сервис, docker-образ, eval-отчёт, дашборд.

По итогу вы сможете уверенно сказать:
👉 «Я умею проектировать и запускать AI-агентов, которые реально работают в проде, выдерживают нагрузку и экономят бизнесу деньги».

Вы можете задать любой вопрос в телеграмм автору @alexey_stepik

А больше информации о ML/AI/DS вы можете узнать в нашем тгк Data Trends AI & ML

Для кого этот курс

Разработчикам на Python, которые уже работают с LLM и хотят перейти от «игрушек» к полноценным агентам в продакшне. Дата-инженерам и ML-инженерам, которым нужно строить RAG-системы, оркестрировать пайплайны и контролировать стоимость/качество моделей. Архитекторам и тимлидам, которым важно внедрять AI-решения в реальные процессы компании с понятным ROMI. Стартап-фаундерам и продакт-менеджерам, которые хотят автоматизировать поддержку, продажи или обработку данных при помощи агентов. Все, кто уже пробовал LangChain, но столкнулся с ограничениями и ищет более надёжные инструменты — LangGraph, AutoGen, LLMOps.

Начальные требования

Чтобы обучение прошло комфортно, рекомендуется:

  • Уверенно владеть Python 3 (уметь писать функции, классы, работать с пакетами).

  • Знать основы работы с REST API и базами данных.

  • Базовое понимание LLM.

  • Опыт работы с Docker или любыми контейнерами будет плюсом, но не обязателен — всё объясняется в курсе.

Наши преподаватели

Аватар пользователя

Как проходит обучение

Формат обучения построен так, чтобы сразу переводить теорию в практику:

  • Теоретические модули с живыми пояснениями и разбором архитектур.

  • Интерактивные задания и тесты с автоматической проверкой.

  • Практические проекты: создание агентов для поддержки, продаж и ETL-пайплайнов.

  • Капстоун-проект — полноценный AI-агент поддержки, который закрывает до 60% тикетов, с отчётом ROMI.

  • Пошаговые инструкции и кодовые шаблоны, которые можно сразу применять в своих проектах.

  • Пожизненный доступ к обновлениям курса

Программа курса

загружаем...
Certificate

Сертификат

Сертификат Stepik

Что вы получаете

  • Глубокие навыки проектирования и разработки AI-агентов уровня Enterprise
  • Практический опыт работы с LangGraph, AutoGen, RAG и LLMOps
  • Пошаговые шаблоны и код, которые можно сразу применять в рабочих проектах
  • Навыки оценки качества, метрик и стоимости, востребованные работодателями
  • Сертификат Stepik, подтверждающий прохождение курса
  • Итоговый проект (AI-агент поддержки) для портфолио и собеседований
  • Доступ к форуму решений и обсуждений с сообществом участников
  • Обновления курса и добавление новых материалов навсегда

Сколько стоит обучение

Price: 15 990 ₽
Как оплатить курс в рассрочку?
Как оплатить от компании?
Вы попробовали и поняли, что вам сейчас не подходит этот курс? Ничего страшного, мы вернём вам деньги в течение 30-ти дней после покупки.

Часто задаваемые вопросы

Как оплатить курс в рассрочку?
Как оплатить от компании?

Расскажите о курсе друзьям

Price: 15 990 ₽