Для кого этот курс
Разработчики, энтузиасты, продуктовые менеджеры, предприниматели с базовыми знаниями Python
Чему научитесь
1. Создавать AI-Агентов с нуля: освоите Pydantic AI, LangChain и инструменты для быстрого визуального прототипирования
2. Управлять памятью и состоянием: научитесь строить AI-Агентов с долговременной памятью через Zep, Mem0 и Letta
3. Интегрировать RAG и векторные БД: построите системы поиска по документам с Qdrant, Weaviate и Pinecone
4. Контролировать качество и затраты: улучшите наблюдаемость через LangSmith/LangFuse и оптимизируете стоимость
Что в программе
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.
Домашнее задание: настройка собственного окружения.
Занятие 2: Быстрый старт с Pydantic AI
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.
Занятие 3: Визуальное прототипирование и escape from no-code
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.
Занятие 4: Мультиагентные системы
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.
Занятие 6: RAG-системы и векторный поиск
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.
Занятие 7: Наблюдаемость и оптимизация затрат
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.
Занятие 8: Безопасность, развёртывание и демо-день
Финальное занятие: изучаем безопасность, проводим attack-simulation, разбираем юридические вопросы и презентуем проекты.
Часть 1. Развёртывание и observability
Автор:
Антон Вдовиченко
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.