Вы используете мобильную версию

перейти на Полную версию сайта

Запись

[Balun.Courses] Иженерия AI-агентов: с нуля до запуска в prod. Тариф Стандарт (Дмитрий Антипов)

Складчина [Balun.Courses] Иженерия AI-агентов: с нуля до запуска в prod. Тариф Стандарт (Дмитрий Антипов). Совместные покупки курсов, тренингов, обучения. Присоединяйтесь! Важен каждый вкладчик.

Тема найдена по тегам:
Цена:
31500 руб
Взнос:
490 руб
Организатор:
Требуется

Список пока что пуст. Запишитесь первым!

open
2
Записаться
  1. b1n4ry
    b1n4ry Партнёр

    [Balun.Courses] Иженерия AI-агентов: с нуля до запуска в prod. Тариф Стандарт (Дмитрий Антипов)

    [​IMG]

    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:
    1. Внедряют AI-агентов в существующую инфраструктуру компании или хотят научиться делать это для себя
    2. 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:
    1. Проектировать архитектуру реального AI-агента с учетом best practices
    2. Получать от него предсказуемые и структурированные ответы вместо безумной генерации
    3. Обучать агента учитывать и сохранять контекст, не повторяться и вести задачу как процесс
    4. Внедрять в агента observability и мониторить качество ответов
    5. Безопасно останавливать работу агента, не «сжигать» бюджет и запрещать деструктивные действия
    6. 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
    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

     
    b1n4ry, 17 мар 2026 в 01:29
  2. Похожие складчины
    Загрузка...
Наверх