Автор: Stepik, Станислав Попов
Название: AI Агенты на Python: для начинающих (2026)

[Stepik] [Станислав Попов] AI Агенты на Python для начинающих (2026).png​

Описание:

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

Подробнее:

Скачать:
 

Назад
Сверху