Научимся с нуля создавать и внедрять в процессы сложных AI-агентов на примере pet-проекта — мультиагентной системы с production-архитектурой: памятью, стейтом, автономностью и мониторингом. Без low-code решений.
Программа курса
Урок №1. Введение в концепцию агентов
AI-агенты — самая хайповая концепция, но именно поэтому этим словом называют все подряд: и простого чат-бота с промптом, и любой скрипт с вызовами LLM.
Агенты гораздо глубже и сложнее. В этом модуле разбираемся, что такое агент на самом деле, почему это не фреймворк и не SDK, и закладываем архитектурный фундамент, на котором будет стоять все остальное
Что такое агент и что им не является:
- как мы вообще здесь оказались и почему перестало хватать просто LLM
- агент vs чат-бот vs pipeline vs workflow
- decision framework: когда агент действительно нужен, а когда это оверинжиниринг
- анатомия агентов и agent loop
Паттерны:
- ReAct, Plan→Execute (PlanSolve)
- критерии выбора + антипаттерны
Бонусом:
- кратко пройдемся по внутреннему устройству популярных агентов: Cursor, Claude Code, Deep Research
- разберемся, что у них общего архитектурно
Практика:
- разбираем архитектуру реального агента по слоям
- собираем наивный прототип Projects Health Agent, который постарается навести порядок в вашем GitLab
Результат:
- понимаешь, где кончается «чат» и начинается агент
- есть рабочий и простой прототип, который будем прокачивать
Урок №2. Как агент думает и действует
«Агент работает, но так себе» — мы не уверены, что задача вообще закончится успехом. В этом уроке строим когнитивный и execution-слой как инженерные компоненты
Когнитивный слой:
- основы инференса LLM как рычаги: на что мы можем влиять
- как выбрать модель под задачу
- context engineering: как не впихивать все, что у вас есть
- structured outputs: заставляем модель ответить так, как нам надо
Execution-слой:
- tools: разбираем из чего они состоят
- проблемы дизайна инструментов: «слишком мало/слишком много»
- коротко про MCP: как стандартизировать доступ к тулзам
Практика:
- подключаем GitLab API как tools
- вводим строгие схемы output + валидацию/repair loop
- делаем стратегию чтения: агент сам решает, какие MR раскрывать глубже
Результат:
- предсказуемые структурированные инсайты вместо безумной генерации
- агент умеет выбирать контекст и инструменты, а не пихать все в промпт
Урок №3. Автономность: память, стейт и контроль поведения
Добавляем агенту все, чтобы отправить его в свободное плавание:
- память, состояние и контроль. Здесь мы превращаем реактивную систему в
- управляемую и автономную
Память:
- краткосрочная / долгосрочная / эпизодическая
- history management и компактизация: хранить / сжимать / забывать
- State engineering & persistence:
- жизненный цикл состояния
- персистентность: падение / рестарт без потери
- параллелизм и консистентность
Идемпотентность и детерминизм:
- повторяемость действий и политики
- идемпотентность операций
- детерминизм, где возможно
Контроль автономности:
- HITL (Human-in-the-Loop): когда действуем сами, а когда спрашиваем
- confidence как уровни автономности
- self-reflection как адаптация
Практика:
- добавляем память и реализуем state-машину
- вводим idempotency keys и учимся не повторяться
- учимся адаптироваться к суровому окружению
Результат:
- агент не забывает, не повторяется, ведет задачу как процесс
- автономность становится более управляемой
Урок №4. Катим в прод: надежность, безопасность и остановка
Демо прощает все, а прод — нет. В этом уроке делаем агента, которому можно доверять: ошибки, безопасность, наблюдаемость, стоимость, измеримость и обязательные stop conditions
Error handling:
- API 500 / таймауты: retry / backoff / fallback / graceful degradation
- ошибки LLM: отказ, галлюцинации, невалидный output → repair / abort
Guardrails:
- запрет деструктивных действий без подтверждения
- политика алертов и настройка порогов
- работа с prompt injection / adversarial inputs
Stop conditions или когда агент обязан остановиться:
- cost / time / tool control
- mistools и другие ошибки инструментов
- низкая уверенность, отсутствие HITL … и другие
Observability & Evals:
- строим трейсинг и health check
- что такое evals, как их строить и почему в агентах это так важно
Практика:
- добавляем guardrails + запреты + политики алертов
- внедряем stop conditions (бюджеты, circuit breaker, abort правила)
- пишем минимальный eval suite
Результат:
- агент безопасно останавливается и сжигает бюджет маленькой страны
- есть наблюдаемость и постоянная оценка качества
Урок №5. Сложные задачи: мультиагентность и координация
Когда один агент не тянет по широте своей души функциональности, появляется мультиагентность (несколько агентов сразу). Как следствие — неизбежность координации и взаимодействия внутри команды агентов
Когда мультиагентность нужна / когда нет:
- компетенции, параллелизм, сложность решений
- цена координации
Топологии и роутинг:
- supervisor / hierarchical, peer-to-peer
- роутинг: статический / динамический / условный
Multi-agent state:
- shared vs isolated
- конфликтность состояний и findings + dedup / merge-политики
Практика:
- финализируем нашу систему
Результат:
- понимаешь, когда мультиагенты оправданы
- умеешь проектировать их координацию и целеполагание
