AI-Агенты: S1 База [Automatica] [Антон Вдовиченко]
Для кого этот курс
Разработчики, энтузиасты, продуктовые менеджеры, предприниматели с базовыми знаниями Python
Чему научитесь
Занятие 1: Подготовка среды и основы архитектуры
Настраиваем рабочее окружение с Python, Pydantic AI и LangChain. Разворачиваем no-code инструменты Flowise и n8n. Изучаем архитектуру агентов на реальных production-примерах.
Создаём первого агента с валидацией ответов. Изучаем технику reflection loop — агент пишет тесты для своего кода и исправляет ошибки. Настраиваем автоматическое тестирование.
Cоздаём рабочие цепочки в Flowise и n8n, затем экспортируем их в чистый Python-код. Подключаем векторные БД и внешние сервисы. Выдаём ТЗ на итоговый проект.
Координируем несколько агентов для решения сложных задач. Реализуем одну задачу в двух фреймворках — LangGraph и CrewAI — и сравниваем результаты.
Занятие 5: Память и persistent-агенты
Углубляемся в управление памятью. Создаём агентов, которые помнят контекст между сессиями и могут возобновлять работу после перерывов.
Строим полноценные RAG-системы для работы с документами. Оптимизируем качество поиска и снижаем галлюцинации.
Настраиваем профессиональный мониторинг агентов. Применяем техники снижения стоимости.
Финальное занятие: изучаем безопасность, проводим attack-simulation, разбираем юридические вопросы и презентуем проекты.
Часть 1. Развёртывание и observability
Основатель и CEO Automatica
Специализируется на разработке решений с использованием искусственного интеллекта и машинного обучения, инженер AI.
Более 20 лет создает цифровые продукты для оптимизации бизнеса — от стартапов до международных корпораций (Dell, PwC, Avaya).
Эксперт по дизайну интерфейсов. Более 7 лет преподавал на программе «Дизайн диджитал-продукта» в Британке, BBE. Ведёт авторские курсы по искусственному интеллекту.
Цена 55000 руб.
Для кого этот курс
Разработчики, энтузиасты, продуктовые менеджеры, предприниматели с базовыми знаниями Python
Чему научитесь
- Создавать AI-Агентов с нуля: освоите Pydantic AI, LangChain и инструменты для быстрого визуального прототипирования
- Управлять памятью и состоянием: научитесь строить AI-Агентов с долговременной памятью через Zep, Mem0 и Letta
- Интегрировать RAG и векторные БД: построите системы поиска по документам с Qdrant, Weaviate и Pinecone
- Контролировать качество и затраты: улучшите наблюдаемость через LangSmith/LangFuse и оптимизируете стоимость
Занятие 1: Подготовка среды и основы архитектуры
Настраиваем рабочее окружение с Python, Pydantic AI и LangChain. Разворачиваем no-code инструменты Flowise и n8n. Изучаем архитектуру агентов на реальных production-примерах.
- Установка и настройка всех необходимых инструментов.
- Регистрация в LangSmith и LangFuse для мониторинга.
- Запуск локальных моделей через Ollama.
- Разбор архитектуры: LLM, память, планирование, инструменты.
- Определение подходов: ReAct, Mem0, RAG.
- Домашнее задание: настройка собственного окружения.
Создаём первого агента с валидацией ответов. Изучаем технику reflection loop — агент пишет тесты для своего кода и исправляет ошибки. Настраиваем автоматическое тестирование.
- Построение агента с типизированными ответами.
- Добавление пользовательских инструментов.
- Техника self-reflection для улучшения качества.
- Логирование и отладка через Pydantic Logfire.
- Домашнее задание: создать своего агента с тестами.
Cоздаём рабочие цепочки в Flowise и n8n, затем экспортируем их в чистый Python-код. Подключаем векторные БД и внешние сервисы. Выдаём ТЗ на итоговый проект.
- Создание AgentFlow и в Flowise.
- Создание AI-Агента в n8n.
- Подключение векторных БД для RAG.
- Интеграция с Google Sheets и Airtable через n8n.
- Экспорт логики агентов в Pydantic AI.
- Старт работы над итоговым проектом.
Координируем несколько агентов для решения сложных задач. Реализуем одну задачу в двух фреймворках — LangGraph и CrewAI — и сравниваем результаты.
Занятие 5: Память и persistent-агенты
Углубляемся в управление памятью. Создаём агентов, которые помнят контекст между сессиями и могут возобновлять работу после перерывов.
- Краткосрочная vs долговременная память.
- Реализация Zep, Mem0 и Letta
- Подключение внешних хранилищ (Redis, Postgres).
- Управление stateful-агентами.
- Восстановление после перерывов.
- Домашнее задание: persistent-агент с внешней БД.
Строим полноценные RAG-системы для работы с документами. Оптимизируем качество поиска и снижаем галлюцинации.
- Построение RAG-pipeline на LangChain.
- Работа с векторными БД: Qdrant, Weaviate, Pinecone.
- Техники улучшения поиска: «хаки» RAG, фильтрация.
- Оптимизация метрик качества RAG.
- Интеграция RAG с памятью агентов.
- Практика: RAG-система для базы знаний.
Настраиваем профессиональный мониторинг агентов. Применяем техники снижения стоимости.
- Трассировка и тестирование в LangSmith.
- Мониторинг в LangFuse: латентность, стоимость, ошибки.
- Cost-hacks: кеширование, выбор моделей, batching.
- Создание cost-heatmap.
- Подготовка: финализация проектов.
Финальное занятие: изучаем безопасность, проводим attack-simulation, разбираем юридические вопросы и презентуем проекты.
Часть 1. Развёртывание и observability
- Обзор вариантов развёртывания (Docker, облако).
- Подключение к мессенджерам и API.
- Финальная настройка мониторинга.
- Симуляция атак: jailbreak, prompt-leak, cost-flood.
- Live Q&A с юристом по GDPR/152-ФЗ.
- Презентация итоговых проектов.
Основатель и CEO Automatica
Специализируется на разработке решений с использованием искусственного интеллекта и машинного обучения, инженер AI.
Более 20 лет создает цифровые продукты для оптимизации бизнеса — от стартапов до международных корпораций (Dell, PwC, Avaya).
Эксперт по дизайну интерфейсов. Более 7 лет преподавал на программе «Дизайн диджитал-продукта» в Британке, BBE. Ведёт авторские курсы по искусственному интеллекту.
Цена 55000 руб.
https://automatica.io/ai-agents-course