[Stepik] AI Агенты на Python: для начинающих (Станислав Попов)

​

Продолжение линейки курсов: Профессия AI-Engineer. Курс для Python-разработчиков: как построить отказоустойчивого AI-агента с памятью, валидацией и мониторингом — без академической математики и PhD.

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

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.

Программа:

Введение

1. О курсе
2. Кто такой AI-агент
3. Архитектурный цикл агента: Reason → Act → Observe
4. Требования к курсу и подготовка окружения

Фундамент агентов без фреймворков

1. Агент на requests: первый запрос к LLM
2. Инструменты (tools)
3. Цикл выполнения: как агент выбирает инструмент
4. Простая память: кэширование предыдущих шагов через dict
5. Границы агента без фреймворков
6. Закрепление: мини-агент для анализа одной строки лога

CrewAI: освоение кирпичиков

1. Класс Agent: role, goal, backstory — зачем всё это нужно
2. Класс Task: описание задачи и ожидаемый вывод
3. Класс Crew: процессы sequential и hierarchical
4. Инструменты в CrewAI: декоратор @tool и кастомные функции
5. Обработка ошибок в инструментах
6. Закрепление: Анализатор инцидентов

LangGraph: освоение кирпичиков

1. Состояние (State): TypedDict и зачем типизировать
2. Граф состояний (StateGraph): основа выполнения
3. Узлы графа (Node): функции как шаги выполнения
4. Рёбра (Edge): линейные переходы между узлами
5. Условные переходы (ConditionalEdge): ветвление по состоянию
6. Команда (Command): динамическое управление состоянием и потоком
7. Чекпоинты: сохранение и восстановление прогресса
8. Прерывания (Interrupt): Human-in-the-Loop
9. Вызовы LLM в узлах графа: интеллект через промпты
10. Закрепление: Анализатор инцидентов

Сравнение архитектур на микро-кейсах

1. Линейный пайплайн: CrewAI vs LangGraph — чей код проще?
2. Цикл с условием
3. Параллельная обработка
4. Антипаттерн «бесконечный цикл»
5. Антипаттерн «утечка состояния»
6. Когда выбрать CrewAI, а когда LangGraph
7. Закрепление

Продакшен-слои для агентов

1. Валидация вывода через Pydantic: ловим галлюцинации структуры
2. Retry-логика: повтор с уточняющим промптом при ошибке валидации
3. Тестирование агентов: моки LLM и проверка бизнес-логики
4. Логирование и трейсинг
5. Мониторинг: LangSmith, алерты
6. Безопасность: санитизация инпута и ограничение инструментов
7. Закрепление

Финальный проект: SupportAI на FastAPI + LangGraph

1. Архитектура проекта и подготовка окружения
2. Модели и миграции
3. Асинхронные эндпоинты и валидация
4. Многоузловой агент
5. Память агента: AsyncPostgresSaver
6. Валидация и retry-логика агента
7. Безопасность: санитизация и ограничение инструментов
8. Логирование, мониторинг и алерты
9. Тестирование: моки и интеграция
10. Запуск агента в Docker: упаковка и тестирование

Заключение

1. Пути развития: от агентов к многоагентным системам
2. Рекомендации по железу
3. Заключение