Скачать AI Агенты на Python: для начинающих [Stepik] [Станислав Попов]

[Dozhd]

Складчина: AI Агенты на Python: для начинающих [Stepik] [Станислав Попов]



Продолжение линейки курсов: Профессия AI-Engineer. Курс для Python-разработчиков: как построить отказоустойчивого AI-агента с памятью, валидацией и мониторингом — без академической математики и PhD.

Чему вы научитесь:

Построите агента на LangGraph с состоянием, чекпоинтами и условными переходами
Настроите надёжность: retry-логика с экспоненциальной задержкой, валидация вывода через Pydantic, fallback при сбоях LLM
Обеспечите безопасность: санитизация пользовательского ввода, защита от prompt injection, ограничение инструментов
Внедрите наблюдаемость: структурированное логирование в JSON, трейсинг через LangSmith, Telegram-алерты для критичных событий
Упакуете в Docker: сборка образа, docker-compose с PostgreSQL и Ollama, запуск одной командой
Покроете тестами: unit-тесты критичных модулей с моками LLM, интеграционные тесты эндпоинтов
Сравните фреймворки: CrewAI vs LangGraph — когда выбрать каждый, какие антипаттерны избегать
Этот курс создан для бэкенд-разработчиков, которые хотят строить реальных AI-агентов для продакшена, а не демонстрационные прототипы.
Цель — дать инженерные навыки: как использовать LangGraph или CrewAI, добавить чекпоинты, валидацию, логирование, тесты — и развернуть с помощью Docker.

Почему именно этот курс:

Нет академической математики — только то, что нужно для работы
Все примеры — на Python, FastAPI, LangGraph, CrewAI
Акцент на продакшен: тесты, логи, безопасность, масштабируемость
Финальный проект: end-to-end сервис обработки заявок в поддержку
Что входит в курс:

Тематические модули
Теория в формате кратких конспектов + код
Более трёхсот тестовых заданий
Задачи на программирование
Финальный проект: SupportAI — агент для классификации заявок в поддержку
Готовый репозиторий на GitHub для портфолио
Для кого этот курс:

Python-разработчики, которые хотят добавить AI в свой стек
Инженеры, планирующие внедрять агентов во внутренние инструменты (Jira, документация, чат-боты)
Техлиды и архитекторы, оценивающие применимость агентов в инфраструктуре
Те, кто уже пробовал LLM, но не знает, как выйти за пределы простых скриптов.
Программа:

Введение

О курсе
Кто такой AI-агент
Архитектурный цикл агента: Reason → Act → Observe
Требования к курсу и подготовка окружения
Фундамент агентов без фреймворков

Агент на requests: первый запрос к LLM
Инструменты (tools)
Цикл выполнения: как агент выбирает инструмент
Простая память: кэширование предыдущих шагов через dict
Границы агента без фреймворков
Закрепление: мини-агент для анализа одной строки лога
CrewAI: освоение кирпичиков

Класс Agent: role, goal, backstory — зачем всё это нужно
Класс Task: описание задачи и ожидаемый вывод
Класс Crew: процессы sequential и hierarchical
Инструменты в CrewAI: декоратор @tool и кастомные функции
Обработка ошибок в инструментах
Закрепление: Анализатор инцидентов
LangGraph: освоение кирпичиков

Состояние (State): TypedDict и зачем типизировать
Граф состояний (StateGraph): основа выполнения
Узлы графа (Node): функции как шаги выполнения
Рёбра (Edge): линейные переходы между узлами
Условные переходы (ConditionalEdge): ветвление по состоянию
Команда (Command): динамическое управление состоянием и потоком
Чекпоинты: сохранение и восстановление прогресса
Прерывания (Interrupt): Human-in-the-Loop
Вызовы LLM в узлах графа: интеллект через промпты
Закрепление: Анализатор инцидентов
Сравнение архитектур на микро-кейсах

Линейный пайплайн: CrewAI vs LangGraph — чей код проще?
Цикл с условием
Параллельная обработка
Антипаттерн «бесконечный цикл»
Антипаттерн «утечка состояния»
Когда выбрать CrewAI, а когда LangGraph
Закрепление
Продакшен-слои для агентов

Валидация вывода через Pydantic: ловим галлюцинации структуры
Retry-логика: повтор с уточняющим промптом при ошибке валидации
Тестирование агентов: моки LLM и проверка бизнес-логики
Логирование и трейсинг
Мониторинг: LangSmith, алерты
Безопасность: санитизация инпута и ограничение инструментов
Закрепление
Финальный проект: SupportAI на FastAPI + LangGraph

Архитектура проекта и подготовка окружения
Модели и миграции
Асинхронные эндпоинты и валидация
Многоузловой агент
Память агента: AsyncPostgresSaver
Валидация и retry-логика агента
Безопасность: санитизация и ограничение инструментов
Логирование, мониторинг и алерты
Тестирование: моки и интеграция
Запуск агента в Docker: упаковка и тестирование
Заключение

Пути развития: от агентов к многоагентным системам
Рекомендации по железу
Заключение
Цена 4879 руб.




СКАЧАТЬ

Для просмотра скрытого содержимого вы должны зарегистрироваться