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
- О курсе
- Кто такой AI-агент
- Архитектурный цикл агента: Reason → Act → Observe
- Требования к курсу и подготовка окружения
Фундамент агентов без фреймворков
- Агент на requests: первый запрос к LLM
- Инструменты (tools)
- Цикл выполнения: как агент выбирает инструмент
- Простая память: кэширование предыдущих шагов через dict
- Границы агента без фреймворков
- Закрепление: мини-агент для анализа одной строки лога
CrewAI: освоение кирпичиков
- Класс Agent: role, goal, backstory — зачем всё это нужно
- Класс Task: описание задачи и ожидаемый вывод
- Класс Crew: процессы sequential и hierarchical
- Инструменты в CrewAI: декоратор @tool и кастомные функции
- Обработка ошибок в инструментах
- Закрепление: Анализатор инцидентов
LangGraph: освоение кирпичиков
- Состояние (State): TypedDict и зачем типизировать
- Граф состояний (StateGraph): основа выполнения
- Узлы графа (Node): функции как шаги выполнения
- Рёбра (Edge): линейные переходы между узлами
- Условные переходы (ConditionalEdge): ветвление по состоянию
- Команда (Command): динамическое управление состоянием и потоком
- Чекпоинты: сохранение и восстановление прогресса
- Прерывания (Interrupt): Human-in-the-Loop
- Вызовы LLM в узлах графа: интеллект через промпты
- Закрепление: Анализатор инцидентов
Сравнение архитектур на микро-кейсах
- Линейный пайплайн: CrewAI vs LangGraph — чей код проще?
- Цикл с условием
- Параллельная обработка
- Антипаттерн «бесконечный цикл»
- Антипаттерн «утечка состояния»
- Когда выбрать CrewAI, а когда LangGraph
- Закрепление
Продакшен-слои для агентов
- Валидация вывода через Pydantic: ловим галлюцинации структуры
- Retry-логика: повтор с уточняющим промптом при ошибке валидации
- Тестирование агентов: моки LLM и проверка бизнес-логики
- Логирование и трейсинг
- Мониторинг: LangSmith, алерты
- Безопасность: санитизация инпута и ограничение инструментов
- Закрепление
Финальный проект: SupportAI на FastAPI + LangGraph
- Архитектура проекта и подготовка окружения
- Модели и миграции
- Асинхронные эндпоинты и валидация
- Многоузловой агент
- Память агента: AsyncPostgresSaver
- Валидация и retry-логика агента
- Безопасность: санитизация и ограничение инструментов
- Логирование, мониторинг и алерты
- Тестирование: моки и интеграция
- Запуск агента в Docker: упаковка и тестирование
Заключение
- Пути развития: от агентов к многоагентным системам
- Рекомендации по железу
- Заключение
