Меню
Що нового?
Від:
Фільтри

Придбаний AI Agents PRO: LangGraph, AutoGen и LLMOps в продакшне [stepik] [Алексей Малышкин]

Інформація про покупку
Тип покупки: Складчина
Ціна: 10660 ГРН
Учасників: 1 з 36
Організатор: Відсутній
Статус: Набір учасників
Внесок: 308 ГРН
3%
Основний список
Резервний список
G

Gadzhi

Модератор
AI Agents PRO: LangGraph, AutoGen и LLMOps в продакшне [stepik] [Алексей Малышкин]



Научитесь создавать надёжных AI-агентов с LangGraph, AutoGen и LLMOps. Практика построения агентов для поддержки, продаж и автоматизации данных: от RAG и инструментов до метрик качества, бюджета и продакшн-деплоя. Курс для тех, кто хочет выводить ИИ-проекты за пределы демо.

Чему вы научитесь
  • Проектировать архитектуру AI-агентов на основе LangGraph и AutoGen: роли, состояния, инструменты, переходы
  • Строить графы задач (DAG/FSM) с ветвлением, параллелизмом, отменой и компенсационными шагами
  • Проектировать рабочую память агента: short-term/long-term, entity/summary memory, TTL и эвикцию
  • Делать checkpointing состояния и корректное восстановление после падений
  • Интегрировать инструменты: HTTP-клиенты, БД (Postgres/Redis), файловые хранилища, почта, внешние API
  • Подключать браузерную автоматизацию (Playwright) и управлять побочными эффектами инструментов
  • Создавать безопасные инструменты со скоупами, валидацией входов/выходов и песочницей
  • Реализовывать RAG-ядро: индексация, чанкинг, hybrid BM25+dense, выбор top-k, перезапросы
  • Подключать Qdrant/Weaviate/FAISS, настраивать rerankers и компрессию контекста
  • Управлять контекстным окном: selective retrieval, цитирование источников, предотвращение галлюцинаций
  • Проектировать планирование действий (tool-use planning) и циклы self-critique/reflection
  • Маршрутизировать запросы между моделями по задаче, бюджету, latency и политике данных
  • Настраивать бюджет-каппинг: лимиты токенов/запросов/стоимости на пользователя и на пайплайн
  • Обеспечивать надежность: таймауты, ретраи с backoff, идемпотентность, саги и dead-letter очереди
  • Определять SLI/SLO для агентов: p50/p95 латентность, доля успешных задач, стоимость операции
  • Вести структурированное логирование, трассировку и корреляцию событий (correlation IDs)
  • Оценивать качество: golden-сеты, LLM-judge, ручная разметка; считать pass@k сценариев
  • Строить наблюдаемость (Langfuse/Prometheus/Grafana) и алертинг на деградации/перерасход
  • Проводить A/B-тесты ролей, промптов, памяти и Retrieval-стратегий; анализировать uplift и критерии остановки
  • Версионировать промпты и пайплайны: семантические версии, changelog, rollback-стратегии
  • Проектировать строгий структурированный вывод (JSON/DSL), парсинг и валидацию (Pydantic)
  • Строить guardrails: грамматики/регексы/политики, фильтрация опасных действий
Начальные требования
  • Уверенно владеть Python 3 (уметь писать функции, классы, работать с пакетами).
  • Знать основы работы с REST API и базами данных.
  • Базовое понимание LLM.
  • Опыт работы с Docker или любыми контейнерами будет плюсом, но не обязателен — всё объясняется в курсе.
Программа курса
  • Введение в АI-агентов и продакшн-подход
  • Архитектура агентов
  • Инструменты и интеграции
  • Retrieval-Augmented Generation (RAG)
  • Надёжность и безопасность
  • LLMOps и качество агентов
  • Продакшн-деплой
  • Многоагентные системы
  • Бизнес-кейсы и RОМI
  • Постановка задачи и выбор кейса
Введение в АI-агентов и продакшн-подход
  1. Введение в курс
  2. Что такое агент, чем он отличается от чат-бота
  3. Почему no-code недостаточно для продакшна
  4. Обзор стека: LangGraph, AutoGen, RAG, LLMOps
  5. Структурированный вывод LLM: JSON, схемы, детерминизм
Архитектура агентов
  1. Роли, состояния, рабочая память агента
  2. FSM и DAG: оркестрация шагов
  3. Supervisor–Worker и другие паттерны
  4. Практика: первый агент с инструментами
Инструменты и интеграции
  1. Подключение HTTP и внешних API
  2. Работа с БД (Postgres, Redis), файловыми системами
  3. Браузерные агенты (Playwright)
  4. Sandbox и контроль побочных эффектов
  5. Практика: агент с CRM-интеграцией
Retrieval-Augmented Generation (RAG)
  1. Зачем агентам RAG
  2. Индексация, чанкинг, выбор top-k
  3. Qdrant, Weaviate, FAISS: практическое сравнение
  4. Rerankers и cost-каппинг
  5. Практика: подключаем RAG к агенту
Надёжность и безопасность
  1. Ретраи, таймауты, идемпотентность
  2. Dead-letter очереди и обработка ошибок
  3. Guardrails, регулярки и грамматики
  4. Работа с PII и доступами (RBAC/ABAC)
  5. Практика: отказоустойчивый агент
LLMOps и качество агентов
  1. Метрики: pass@k, precision/recall, cost/latency
  2. LLM-judge + golden-сеты
  3. Наблюдаемость: Langfuse, Prometheus, Grafana
  4. Алёртинг на деградации и перерасход
  5. A/B-тестирование промптов и стратегий
  6. Практика: quality dashboard агента
Продакшн-деплой
  1. Docker и контейнеризация
  2. Очереди сообщений: RabbitMQ, Redis Streams, SQS
  3. CI/CD и quality-гейты
  4. Канареечные релизы и feature-флаги
  5. Практика: деплой агента в продакшн
Многоагентные системы
  1. Supervisor–Worker, Critic–Executor, Consensus
  2. Межагентная коммуникация и deadlock prevention
  3. Практика: многоагентный пайплайн
Бизнес-кейсы и RОМI
  1. Support-агент: auto-resolve тикетов (40–60%)
  2. Sales Ops: ресерч → персонализация → CRM
  3. Data/ETL: парсинг, очистка, валидация
  4. Как считать ROMI и готовить отчёт «до/после»
Постановка задачи и выбор кейса
  1. Постановка задачи и выбор кейса
  2. Разработка собственного агента под бизнес-сценарий
  3. Защита проекта: метрики качества и ROMI-отчёт
Цена 15990 руб
https://stepik.org/course/254277/promo
 
Увійдіть або зареєструйтеся для відповіді.
Угорі