AI-driven разработка ИИ-агентов

Получить консультацию

Узнать подробнее

Курс для разработчиков и IT-специалистов

Освойте прикладную разработку ИИ-агентов — от понимания архитектуры языковых моделей до создания production-ready агентных систем c использованием AI-driven методологии

2 месяца

онлайн

2 раза в неделю по 1,5 часа

30% теории, 70% практики

Специализированная образовательная программа для ИТ-специалистов, направленная на освоение современных технологий создания ИИ-агентов. Программа охватывает полный цикл разработки агентских систем: от фундаментальных принципов работы LLM и практического применения AI-driven методологии до создания RAG-систем, интеграции с внешними инструментами, оценки качества и обеспечения безопасности

Особенности программы

AI-driven разработка

использование ИИ-агентов (Cursor) для ускорения разработки в 3–5 раз

Автономный агент с tool calling

создание ИИ-агента с функциями, памятью и agentic workflow для обслуживания клиентов

RAG на корпоративных данных

эволюция проекта от чат-бота до агента с семантическим поиском, цитированием источников и уменьшением галлюцинаций

70% практики

каждое занятие включает практическую работу, домашние задания с инкрементальным развитием единого проекта

Production-ready решения

акцент на создании систем, готовых к промышленному использованию (observability, evals, безопасность guardrails)

Современный технологический стек

LangChain, LangGraph, MCP, локальные модели

LLMOps

полный цикл разработки и управления агентами и моделями

Что будете уметь после курса

Работа с LLM и основы агентов

Работать с различными LLM API (облачные провайдеры, агрегаторы, локальные модели)

Применять промпт-инжиниринг и контекст-инжиниринг

Создавать базовых ИИ-ассистентов с использованием openai client и LangChain

AI-driven разработка

Использовать ИИ-агентов (Cursor, Claude Code и других) для ускорения разработки в 3–5 раз

Применять AI-driven методологию на всех этапах жизненного цикла

Эффективно управлять контекстом, планировать итерации и декомпозировать задачи для ИИ-агентов

Создавать production-ready код с помощью ИИ-агентов

Разработка агентных систем

Создавать автономные ИИ-агенты с LangGraph

Интегрировать агенты с внешними системами через MCP

Применять агентные архитектурные паттерны

Проектировать мультиагентные системы

Production deployment и безопасность

Внедрять системы мониторинга и логирования LangSmith, LangFuse

Оценивать качество работы агентов (RAGAS, LLM-as-a-Judge)

Обеспечивать безопасность агентных систем

Развертывать готовые решения локально и в облаке

RAG-системы и мультимодальность

Проектировать и реализовывать RAG-системы различной сложности

Работать с векторными базами данных и embedding моделями

Применять advanced RAG паттерны (Self-RAG, Agentic RAG)

Обрабатывать голос, изображения и документы различных форматов

Запускать и работать с LLM моделями в закрытом контуре

Оставьте заявку — мы перезвоним вам и ответим на все вопросы

Отправляя форму, вы принимаете «Соглашение об обработке персональных данных» и условия «Оферты», а также соглашаетесь с «Условиями использования»

Технологический стек

Фреймворки и библиотеки

OpenAI client — работа с моделями
LangChain — фреймворк для создания LLM-приложений
LangGraph — графовые workflows для агентов
Model Context Protocol (MCP) — интеграция с внешними системами
Инструменты и разработка

Cursor — AI-кодинг и парное программирование с ИИ
Python — основной язык
Jupyter Notebooks — прототипирование
Docker — контейнеризация и деплой
Observability и тестирование

LangSmith, LangFuse — трейсинг, логирование и аналитика
RAGAS, AgentEvals — evals для RAG и агентов
LLM-as-a-Judge подход
Модели и провайдеры

OpenAI, Openrouter — облачные модели
Ollama / LMStudio — локальные модели
Безопасность

LLMGuard — guardrails и защита от атак
Базы данных

Векторные БД (ChromaDB, Qdrant) — для RAG

Технологический стек

Фреймворки и библиотеки

OpenAI client — работа с моделями
LangChain — фреймворк для создания LLM-приложений
LangGraph — графовые workflows для агентов
Model Context Protocol (MCP) — интеграция с внешними системами
Инструменты и разработка

Cursor — AI-кодинг и парное программирование с ИИ
Python — основной язык
Jupyter Notebooks — прототипирование
Docker — контейнеризация и деплой
Observability и тестирование

LangSmith, LangFuse — трейсинг, логирование и аналитика
RAGAS, AgentEvals — evals для RAG и агентов
LLM-as-a-Judge подход
Модели и провайдеры

OpenAI, Openrouter — облачные модели
Ollama / LMStudio — локальные модели
Безопасность

LLMGuard — guardrails и защита от атак
Базы данных

Векторные БД (ChromaDB, Qdrant) — для RAG

Программа курса

Основы LLM и ИИ-агентов

Архитектура и принципы работы языковых моделей
Ограничения и возможности современных LLM
Методы работы с моделями: промпт-инжиниринг, контекст-инжиниринг, RAG
Что такое агент: определение, компоненты, архитектура
Обзор моделей и провайдеров
Критерии выбора модели под задачу
Обзор дорожной карты практики курса

Работа с LLM API: OpenAI-совместимые интерфейсы

Практическая работа

Создание CLI-бота для работы с LLM через OpenAI-совместимые API

OpenAI API как стандарт де-факто
Работа с различными провайдерами (OpenAI, OpenRouter, DeepSeek)
Структурированный вывод (Structured Output, JSON Schema)
Системные промпты и управление поведением ИИ-ассистента
Управление контекстом и историей диалога

AI-driven разработка с ИИ-агентами на примере Cursor

Практическая работа

AI-driven разработка ИИ-ассистента с LangChain в Cursor

AI-driven методология и её применение для эффективной разработки с использованием ИИ-агентов
Настройка Cursor: конфигурация, правила, соглашения, рабочий процесс
Управление контекстом и эффективные техники промптинга
От идеи к реализации: планирование итерации, соглашения, списки задач, рабочий процесс
Разработка по всему жизненному циклу (от идеи до развертывания)
Управление контекстом для ведения диалога

Мультимодальные возможности и локальный запуск LLM

Практическая работа

Реализация мультимодальных возможностей в ИИ-ассистенте. Настройка локальной LLM для тестирования

Обработка голосовых сообщений и транскрибация речи
Анализ изображений
Задачи извлечения информации из различных форматов
Prompt engineering для мультимодальных задач
In-context learning
Локальный запуск моделей (Ollama/LMStudio)

Технология RAG: паттерны и архитектура

Практическая работа

Проектирование архитектуры RAG-системы

Обзор RAG-экосистемы: классификация подходов и архитектур
RAG pipeline: индексация, chunking, векторизация, поиск, генерация
Стратегии chunking: размер, перекрытие, семантическое разделение
Векторные базы данных и embedding модели для семантического поиска
Naive RAG vs Advanced RAG: эволюция подходов
Self-RAG и Agentic RAG: системы с самооценкой и планированием
Кейсы применения RAG

Создание RAG-ассистента с LangChain

Практическая работа

Разработка RAG-системы

Обзор возможностей LangChain для создания RAG-систем
Настройка окружения и загрузка документов
Индексирование: загрузчики документов, разбиение на чанки, создание векторного хранилища
Retrieval: поиск релевантных фрагментов документов
Augmented Generation: создание промптов с контекстом и генерация ответов
Создание RAG-цепочек для автоматизации процесса
Диалоговый режим и обработка истории сообщений

Мониторинг и оценка качества RAG-систем

Практическая работа

Внедрение системы мониторинга и оценки качества RAG-системы

Observability для агентных систем: трейсинг, логирование, метрики
Базовые метрики оценки качества
Evals: автоматическая оценка качества
LLM-as-a-Judge: использование LLM для оценки
RAGAS и другие фреймворки автоматической оценки
LangSmith/LangFuse: мониторинг, трейсинг и аналитика запросов
Cost control: подсчет токенов и стоимости запросов
Способы отладки

Advanced RAG

Практическая работа

Улучшение RAG-системы с помощью Advanced техник

Query Transformation: переформулирование и декомпозиция запросов
Query Routing: интеллектуальная маршрутизация запросов в зависимости от типа
Query Construction: построение структурированных запросов
Hybrid Search: комбинация семантического и keyword поиска
Advanced Indexing: продвинутые методы индексирования документов
Self-RAG: системы с самооценкой качества извлеченного контекста
Agentic RAG: агентный подход с планированием и адаптацией
Кейсы применения Advanced RAG в production

Агенты: теория и паттерны построения

Практическая работа

Проектирование архитектуры ИИ-агента

Agent vs Workflow: что и когда применяется
Tool calling: подключение внешних инструментов к агентам
Память агента (memory): краткосрочная и долговременная память
Агентные архитектурные паттерны
Сценарии применения агентных систем
Обзор агентных фреймворков

LangGraph: создание сложных ИИ-агентов

Практическая работа

Разработка автономного ИИ-агента на LangGraph

LangGraph: графовые workflows для сложных агентов
Состояния, узлы, ребра: построение агентского workflow
Создание Agentic RAG-системы с планированием запросов
ReAct паттерн: Reasoning + Acting в агентском контексте
Отладка и трейсинг агентских процессов

Model Context Protocol (MCP)

Практическая работа

Разработка MCP-сервера ИИ-агента

Model Context Protocol (MCP): стандарт для расширения возможностей LLM
Архитектура MCP: серверы, клиенты, транспорты
Tool calling через MCP
Создание MCP-серверов: ресурсы, инструменты, промпты
Интеграция ИИ-агентов с внешними системами через MCP

Безопасность агентных систем

Практическая работа

Внедрение систем безопасности в автономный агент. Тестирование на устойчивость к атакам

Ландшафт угроз для LLM и агентных систем
Типы атак: Adversarial Prompting (Injection, Jailbreaking), Adversarial Examples, Data Poisoning
Model Extraction и уязвимости Supply Chain
Уязвимости агентов и RAG-систем
Guardrails и политики безопасности: контроль входов и выходов
Защитные механизмы и фреймворки безопасности (LLMGuard, Giskard)
Мониторинг и аудит безопасности

Оценка качества агентов

Практическая работа

Внедрение системы оценки качества агентской системы

Task Level: Task Completion, Goal Achievement
Tool Level: Tool Call Accuracy, Argument Correctness
Trajectory Level: Step Efficiency, Plan Adherence
Topic Level: Topic Adherence, Domain Compliance

3.Tracing как основа для метрик агентов
4.Multi-turn Evaluation: оценка диалоговых агентов
5.Фреймворки оценки: DeepEval, RAGAS, LangChain (agentevals)