От базовых принципов до производственных мультиагентных систем. Освой современные фреймворки и создай реальные AI-решения для бизнеса Что ты получишь: Глубокое понимание архитектуры Освоишь принципы работы LLM, ReAct-циклы и современные фреймворки: LangFlow, LangGraph, AutoGen Практические навыки Поработаешь с реальным кодом, создашь мультиагентные системы и решишь производственные задачи Мультиагентные паттерны Изучишь протоколы MCP и A2A, освоишь иерархические команды и human-in-the-loop системы Программа курса Общие модули для всех участников 1. Введение в ИИ‑агентов Что такое ИИ‑агент и чем он отличается от чат-бота Почему хайп вокруг агентного ИИ и что за этим стоит Примеры: агент, который не только отвечает, но и действует 2. Основы LLM и промпт-инжиниринг Устройство больших языковых моделей Prompt engineering: как ставить задачи без галлюцинаций Практика: сравнение разных подходов к промптам 3. Анатомия ИИ‑агента 4 ключевых компонента: Модель, Инструменты, Оркестрация, Инфраструктура Архитектурная схема: как данные проходят через агента Паттерны: ReAct, планировщик + исполнитель, память 4. Кейсы и сценарии применения Примеры из разных отраслей: производство, телеком, маркетинг Где агенты уже работают, а где идут эксперименты Формулируем свои идеи применения агентов Модули 5−13: Глубокое погружение в разработку ИИ‑агентов 5. Разработка первого агента Настройка окружения: Python, OpenAI API, n8n Создание простого ReAct-агента с LangChain Интеграция в n8n для автоматизации рабочих процессов Настройка триггеров и workflow в n8n Практика: разработка простого ИИ‑агента на OpenAI client (OpenAI SDK) с использованием n8n в качестве оркестратора задач Тестирование и отладка первого агента 6. Инструменты и интеграции Подключение внешних API и tool-calling Интеграция MCP (Model Context Protocol) Работа с различными типами инструментов 7. RAG и векторные БД Retrieval-Augmented Generation: концепция и практика Работа с векторными БД (Pinecone, Weaviate, Chroma) Эмбеддинги и семантический поиск 8. LangGraph и сложные workflow Стейт-машины и графовые структуры агентов Роутеры и условные переходы Чекпойнты и восстановление состояния 9. Мультиагентные системы AutoGen и CrewAI для мультиагентности Agent-to-agent коммуникация Координация и распределение задач между агентами на LangGraph 10. AgentOps и мониторинг Развертывание агентов в продакшн LangSmith и Langfuse: инструменты наблюдаемости и трассировки Логирование, метрики и отладка 11. Безопасность и оптимизация Защита данных и DLP-политики Jailbreak-атаки: примеры атак и практики защиты Fine-tuning и prompt-tuning Оценка качества и A/B тестирование 12. Дипломный проект Разработка production-ready решения Интеграция всех изученных технологий Защита проекта перед экспертами 13. Факультатив: Научный взгляд RL, MARL и эмерджентное поведение Как исследуются мультиагентные системы в науке Опционально — для тех, кто хочет глубже Преподаватели курса - Игорь Стурейко Тимлид, «Газпром». 20+ лет в Data Science и ML-разработке: AI-архитектор сложных ML-решений на базе Kubernetes. - Александр Алфимцев Доктор технических наук, заведующий кафедрой. 100+ научных публикаций (Google Scholar i10-index: 31) - Александр Жильцов Ведущий разработчик, Яндекс Crowd Разработка CRM-системы для управления всеми каналами коммуникаций (мессенджеры, email, соцсети) Продвинутый трек Участие на живых вебинарах Доступ к видеоурокам (Обзорного трека) Для ML-инженеров и разработчиков, готовых строить production-решения Доступ ко всем модулям продвинутого трека