Преподает Lead разработки AI-агентов, Группа Сбер (АБТ) Научимся с нуля создавать и внедрять в процессы сложных AI-агентов на примере pet-проекта — мультиагентной системы с production-архитектурой: памятью, стейтом, автономностью и мониторингом. Без low-code решений Подойдет разработчикам, которые: Внедряют AI-агентов в существующую инфраструктуру компании или хотят научиться делать это для себя Уже писали агентов и получили неуправляемую «систему» с галлюцинациями, зацикливанием и сжиганием бюджета Также Будет полезно: Tech/Team-лидам Узнаете лучшие практики проектирования архитектуры AI-агентов AI-продактам Увидите процесс разработки AI-агентов изнутри и будете лучше понимать свою команду Ограничей по грейду нет, но нужно знать: любой backend-язык базовые принципы API сети и БД на базовом уровне На практике будем писать агентов с помощью LLM, но в теории покажем примеры кода на Python. Конструкции будут простыми - проблем с пониманием не возникнет В рамках курса научимся: Проектировать архитектуру реального AI-агента с учетом best practices Получать от него предсказуемые и структурированные ответы вместо безумной генерации Обучать агента учитывать и сохранять контекст, не повторяться и вести задачу как процесс Внедрять в агента observability и мониторить качество ответов Безопасно останавливать работу агента, не «сжигать» бюджет и запрещать деструктивные действия Создавать мультиагентную систему с координацией их поведения и взаимодействия И все это - на примере реального проекта С нуля напишем своего AI-агента, который будет анализировать GitHub-репозиторий и извлекать бизнес-инсайты из названий коммитов, pr и issue Но важно, этот AI-агент про: источник инсайтов, а не замену всех людей вокруг проекта демонстрацию возможностей, которые ты можешь делать с ИИ, а не идеальное open-source решение Вместо нашего агента можно создавать своего Если у тебя есть своя идея или реальный проект на работе, можно заниматься своей задачей и по ходу задавать вопросы преподавателю Спойлер: Программа Урок 1: Введение в концепцию агентов AI-агенты - самая хайповая концепция, но именно поэтому этим словом называют все подряд: и простого чат-бота с промптом, и любой скрипт с вызовами LLM. Агенты гораздо глубже и сложнее. В этом модуле разбираемся, что такое агент на самом деле, почему это не фреймворк и не SDK, и закладываем архитектурный фундамент, на котором будет стоять все остальное Что такое агент и что им не является: как мы вообще здесь оказались и почему перестало хватать просто LLM агент vs чат-бот vs pipeline vs workflow decision framework: когда агент действительно нужен, а когда это оверинжиниринг анатомия агентов и agent loop Паттерны: Реагируйте, планируйте → выполняйте (Планируйте и решайте) критерии выбора + антипаттерны Бонусом: кратко пройдемся по внутреннему устройству популярных агентов: Cursor, Claude Code, Deep Research разберемся, что у них общего архитектурно Упражняться: разбираем архитектуру реального агента по слоям собираем наивный прототип Projects Health Agent, который постарается навести порядок в вашем GitLab Результат: понимаешь, где кончается «чат» и начинается агент есть рабочий и простой прототип, который будем прокачивать Урок 2: Как агент думает и действует «Агент работает, но так себе» — мы не уверены, что задача вообще закончится успехом. В этом уроке строим когнитивный и execution-слой как инженерные компоненты Когнитивный слой: основы инференса LLM как рычаги: на что мы можем влиять как выбрать модель под задачу context engineering: как не впихивать все, что у вас есть structured outputs: заставляем модель ответить так, как нам надо Execution-слой: tools: разбираем из чего они состоят проблемы дизайна инструментов: «слишком мало/слишком много» коротко про MCP: как стандартизировать доступ к тулзам Упражняться: подключаем GitLab API как tools вводим строгие схемы output + валидацию/repair loop делаем стратегию чтения: агент сам решает, какие MR раскрывать глубже Результат: предсказуемые структурированные инсайты вместо безумной генерации агент умеет выбирать контекст и инструменты, а не пихать все в промпт Урок 3: Автономность: память, стейт и контроль поведениях Добавляем агенту все, чтобы отправить его в свободное плавание: память, состояние и контроль. Здесь мы превращаем реактивную систему в управляемую и автономную Память: краткосрочная / долгосрочная / эпизодическая history management и компактизация: хранить / сжимать / забывать Инженерия состояний и обеспечение устойчивости: жизненный цикл состояния персистентность: падение / рестарт без потери параллелизм и консистентность Идемпотентность и детерминизм: повторяемость действий и политики идемпотентность операций детерминизм, где возможно Контроль автономности: HITL (Human-in-the-Loop): когда действуем сами, а когда спрашиваем confidence как уровни автономности саморефлексия как адаптация Упражняться: добавляем память и реализуем state-машину вводим idempotency keys и учимся не повторяться учимся адаптироваться к суровому окружению Результат: агент не забывает, не повторяется, ведет задачу как процесс автономность становится более управляемой Урок 4: Катим в прод: надежность, безопасность и остановка Демо прощает все, а прод — нет. В этом уроке делаем агента, которому можно доверять: ошибки, безопасность, наблюдаемость, стоимость, измеримость и обязательные stop conditions Error handling: API 500 / таймауты: retry / backoff / fallback / graceful degradation ошибки LLM: отказ, галлюцинации, невалидный output → repair / abort Ограждения: запрет деструктивных действий без подтверждения политика алертов и настройка порогов работа с мгновенным внедрением / враждебными входными данными Stop conditions или когда агент обязан остановиться: контроль затрат/времени/инструментов mistools и другие ошибки инструментов низкая уверенность, отсутствие HITL … и другие Наблюдаемость и оценка: строим трейсинг и health check что такое evals, как их строить и почему в агентах это так важно Упражняться: добавляем guardrails + запреты + политики алертов внедряем stop conditions (бюджеты, circuit breaker, abort правила) пишем минимальный eval suite Результат: агент безопасно останавливается и сжигает бюджет маленькой страны есть наблюдаемость и постоянная оценка качества Урок 5: Сложные задачи: мультиагентность и координация Когда один агент не тянет по широте своей души функциональности, появляется мультиагентность (несколько агентов сразу). Как следствие - неизбежность координации и взаимодействия внутри команды агентов Когда мультиагентность нужна / когда нет: компетенции, параллелизм, сложность решений цена координации Топологии и роутинг: руководитель / иерархический, равный коллеге роутинг: статический / динамический / условный Многоагентное состояние: общий против изолированного конфликтность состояний и findings + dedup / merge-политики Упражняться: финализируем нашу систему Результат: понимаешь, когда мультиагенты оправданы умеешь проектировать их координацию и целеполагание