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
