LLM инженерияСредний

AI Agents PRO: LangGraph, AutoGen и LLMOps в продакшне

Name: Курс разработки ИИ-агентов на Python: LangGraph и RAG
Price: 15990 RUB
Availability: InStock

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.

Автор — Алексей Малышкинобновлён 6 ноября 2026

10 модулей • 45 уроков389 заданий с проверкойоколо 80 ч

Код в браузере: PythonРазбор преподавателемСвободный темпСертификат с проверкой

Программы обучения

Входит в 1 программу

Этот курс можно пройти отдельно или в составе одной из программ.

AI Agent Engineer: Production TrackАлексей Малышкин6 курсов39 990 ₽

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

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

#stepik-import

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

Программа

01Введение в AI-агентов и продакшн-подход6 уроков

1Введение в курс

2Что такое AI-агент и чем он отличается от чат-ботапробный 3Граница no-code: когда хватает n8n, когда нужен кодпробный

4Обзор стека: LangGraph, мультиагентность, RAG, наблюдаемость

5Структурированный вывод: схемы, гарантии, воспроизводимость

6Опросы

02Архитектура агентов4 урока

1Роли, состояния, рабочая память агента

2FSM и DAG: оркестрация шаговпробный

3Supervisor–Worker и другие паттерны

4Практика: агент, который не падает

03Инструменты и интеграции6 уроков

1Подключение HTTP и внешних API

2Работа с БД (Postgres, Redis), файловыми системами

3Браузерные агенты (Playwright)пробный

4Sandbox и контроль побочных эффектов

5Практика: агент с CRM-интеграцией

6Практикум 3

04Retrieval-Augmented Generation (RAG)5 уроков

1Зачем агентам RAG

2Подготовка документов для RAG системы

3Qdrant, Weaviate, FAISS: практическое сравнение

4Оптимизация RAG

5Построение RAG-агента с LangGraph

05Надёжность и безопасность4 урока

1Dead-letter очереди и обработка ошибок

2Guardrails, регулярки и грамматики

3Работа с PII и доступами (RBAC/ABAC)

4Проверка надёжности LLM-систем

06LLMOps и качество агентов6 уроков

1Метрики: pass@k, precision/recall, cost/latency

2LLM-as-a-Judge и golden-сеты

3Наблюдаемость: LangSmith, Prometheus, Grafana

4Алертинг

5A/B-тестирование промптов и стратегий

6Практикум 6

07Продакшн-деплой5 уроков

1Docker и контейнеризация

2Очереди сообщений: RabbitMQ, Redis Streams, SQS

3CI/CD и quality-гейты

4Продвинутые паттерны развертывания

5Практикум 7

08Многоагентные системы2 урока

1Supervisor

2Межагентная коммуникация и deadlock prevention

09Бизнес-кейсы и ROMI3 урока

1Support-агент: auto-resolve тикетов (40–60%)

2Sales Ops: ресерч → персонализация → CRM

3Data/ETL: парсинг, очистка, валидация

10Постановка задачи и выбор кейса4 урока

1Постановка задачи и выбор кейса

2Разработка собственного агента под бизнес-сценарий

3Защита проекта: метрики качества и ROMI-отчёт

4Практикум 10

Отзывы

6 отзывов

Викторсентябрь 2026

Хорошо

Каринаавгуст 2026

Всё по делу

Данил Лавровиюль 2026

Курс понравился. До конца ещё не дошёл, но уже есть что попробовать на своём проекте.

Показать ещё 3 отзыва

Евгенийиюнь 2026

Полезный курс, особенно про ошибки и логи. У себя в проекте кое-что после этого поправил. Но инструментов много, я в них запутался. Например, так и не понял, когда лучше брать AutoGen, а когда LangGraph. Хотелось бы сравнение на одной задаче, а не просто отдельные примеры. Поэтому четыре.

Мишамай 2026

Уже работал с агентами, но тут нашёл несколько полезных для себя вещей.

Нестеров Михаил Евгеньевичапрель 2026

Отличный курс!

Дополнительные материалы и практика

Задачи

Все задачи курса