AI Agents PRO: LangGraph, AutoGen и LLMOps в продакшне
Практический курс по AI-агентам. Соберёте продакшн RAG-сервис: от индекса и графа состояний до API, Docker, метрик качества и контроля стоимости. Плюс профессиональные блоки: LangGraph/AutoGen, Qdrant/FAISS+rerank, eval (RAGAS/custom), quality-гейты, OpenTelemetry+Prometheus/Grafana, CI/CD, ретраи/DLQ/идемпотентность, PII/RBAC.
Программы обучения
Входит в 1 программу
Этот курс можно пройти отдельно или в составе одной из программ.
О курсе
Этот курс — про инженерную сборку AI-агента под реальные условия эксплуатации. Вы пройдёте путь от пустой папки и исходных документов до работающего сервиса: индексация и поиск (Qdrant/FAISS + rerank), граф состояний в LangGraph/AutoGen, API на FastAPI, контейнеризация, метрики качества и контроль стоимости ответа.
Курс сфокусирован не на эффектных прототипах, а на инженерных деталях: как собрать пайплайн, проверить качество, завернуть сервис в Docker, настроить наблюдаемость и не потерять контроль над стоимостью LLM-вызовов. Каждый модуль заканчивается артефактом: индекс, сервис, docker-образ, eval-отчёт, дашборд.
По итогу вы сможете уверенно сказать:
👉 «Я умею проектировать и запускать AI-агентов, которые реально работают в проде, выдерживают нагрузку и экономят бизнесу деньги».
Вы можете задать любой вопрос в телеграмм автору @alexey_latorn
P.S. Ранее курс размещался на Stepik, отзывы ниже взяты оттуда
Чему научитесь
- Проектировать архитектуру AI-агента и граф его состояний
- Подключать инструменты, внешние API и базы знаний
- Строить RAG с Qdrant или FAISS и реранжированием результатов
- Добавлять ретраи, идемпотентность, DLQ и контроль полномочий агента
- Оценивать качество через RAGAS и собственные метрики и ставить quality-гейты
- Настраивать трассировку, метрики и дашборды для production-наблюдаемости
- Разворачивать агентный сервис с API, Docker и CI/CD
- Проектировать многоагентные сценарии и оценивать их бизнес-эффект
Для кого
- Python- и backend-разработчики, создающие AI-агентов
- ML/LLM-инженеры, переходящие от прототипов к production-системам
- Архитекторы и технические лиды, которым нужны надёжность, безопасность и контроль стоимости
Формат
- 11 модулей и 46 уроков
- Сквозной production-проект с RAG, агентом, API и Docker
- Артефакты по итогам модулей: индекс, сервис, eval-отчёт и дашборд
- Отдельные блоки по LangGraph, AutoGen, LLMOps, безопасности и многоагентным системам
Что нужно на старте
- Уверенный Python и понимание HTTP API
- Базовое знакомство с LLM, эмбеддингами и RAG
- Умение работать с Git, Docker и командной строкой
- Для практики понадобится API-ключ LLM-провайдера
Автор курса
Алексей Малышкин
Разрабатываю образовательные материалы по программированию, машинному обучению и анализу данных. Темы: Python-разработка, аналитика, ML-инструменты (LangChain, vector databases, AI agents), компьютерное зрение. Стараюсь объяснять технические концепции понятно и структурировано. Ранее преподавал на Stepik и обучил более 2000 студентов. Мой профиль на Stepik - https://stepik.org/users/273781420/profile Мой телеграм для связи @alexey_latorn
