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

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.

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

Сертификат

Сертификат Stepik

Что вы получаете

🧠 Production-ready навыки по построению агентов: Научитесь создавать отказоустойчивых агентов на LangGraph: с чекпоинтами для восстановления после сбоев, валидацией вывода через Pydantic, retry-логикой с экспоненциальной задержкой и обработкой ошибок — как в реальном продакшене, а не в демонстрационном прототипе.
📂 Проект в портфолио: Готовый сервис обработки заявок в поддержку: FastAPI + LangGraph + PostgreSQL + Docker. Запускается одной командой docker compose up, покрывается unit-тестами, имеет health-эндпоинты и документацию. Можно показать на собеседовании или использовать как основу для внутреннего инструмента.
🛡️ Инженерные паттерны для агентов: Безопасность (санитизация ввода, защита от prompt injection), наблюдаемость (структурированное логирование в JSON, трейсинг через LangSmith, Telegram-алерты), надёжность (fallback при исчерпании попыток, изоляция сессий) — навыки, которые применимы к любым AI-системам, а не только к этому проекту.
💼 Востребованность на рынке: AI Agent Engineer — одно из самых быстрорастущих направлений в backend-разработке. Вы сможете обоснованно выбирать между CrewAI и LangGraph под задачу, строить системы с памятью и восстановлением состояния, а не просто «вызывать API модели». Работодатели ценят инженеров, которые могут не только заставить работать, но и обеспечить надёжность в продакшене.

Сколько стоит обучение

Часто задаваемые вопросы

Как оплатить курс в рассрочку?

Как оплатить от компании?

Расскажите о курсе друзьям

Прямая ссылка на курс:
https://stepik.org/274734

AI Агенты на Python: для начинающих