Automatica

AI-Агенты: S1 База

Создаём мультиагентные системы с памятью, инструментами и вдохновением

Запись недоступна

Стоимость — 55 000 ₽ для физических лиц и 65 000 ₽ для компаний

Необходимо базовое знание Python и опыт работы с API

Продолжительность — 4 недели (4, 7, 11, 14, 18, 21, 25, 28 августа 2025)

Занятия по понедельникам и четвергам с 19:00 до 20:30

16 академических часов лекций и практических занятий

А ещё домашние задания и курсовой проект

Для кого этот курс

Разработчики, энтузиасты, продуктовые менеджеры, предприниматели с базовыми знаниями Python

Чему научитесь

1

Создавать AI-Агентов с нуля: освоите Pydantic AI, LangChain и инструменты для быстрого визуального прототипирования

2

Управлять памятью и состоянием: научитесь строить AI-Агентов с долговременной памятью через Zep, Mem0 и Letta

3

Интегрировать RAG и векторные БД: построите системы поиска по документам с Qdrant, Weaviate и Pinecone

4

Контролировать качество и затраты: улучшите наблюдаемость через LangSmith/LangFuse и оптимизируете стоимость

Что в программе

Настраиваем рабочее окружение с Python, Pydantic AI и LangChain. Разворачиваем no-code инструменты Flowise и n8n.

  • Установка и настройка всех необходимых инструментов
  • Регистрация в LangSmith и LangFuse для мониторинга
  • Запуск локальных моделей через Ollama
  • Разбор архитектуры: LLM, память, планирование, инструменты
  • Определение подходов: ReAct, Mem0, RAG

Домашнее задание: настройка собственного окружения.

Создаём первого агента с валидацией ответов. Изучаем технику reflection loop — агент пишет тесты для своего кода.

  • Построение агента с типизированными ответами
  • Добавление пользовательских инструментов
  • Техника self-reflection для улучшения качества
  • Логирование и отладка через Pydantic Logfire

Домашнее задание: создать своего агента с тестами.

Создаём рабочие цепочки в Flowise и n8n, затем экспортируем их в чистый Python-код.

  • Создание AgentFlow в Flowise
  • Создание AI-Агента в n8n
  • Подключение векторных БД для RAG
  • Интеграция с Google Sheets и Airtable
  • Экспорт логики агентов в Pydantic AI

Домашнее задание: старт работы над итоговым проектом.

Координируем несколько агентов для решения сложных задач. Реализуем одну задачу в LangGraph и CrewAI.

  • Концепция мультиагентных систем
  • Реализация в LangGraph с управлением состоянием
  • Аналогичная реализация в CrewAI
  • Сравнение читаемости, стоимости и производительности
  • Критерии выбора фреймворка под задачу

Домашнее задание: расширение мультиагентной системы.

Создаём агентов, которые помнят контекст между сессиями и могут возобновлять работу после перерывов.

  • Краткосрочная vs долговременная память
  • Реализация Zep, Mem0 и Letta
  • Подключение внешних хранилищ (Redis, Postgres)
  • Управление stateful-агентами
  • Восстановление после перерывов

Домашнее задание: persistent-агент с внешней БД.

Строим полноценные RAG-системы для работы с документами. Оптимизируем качество поиска.

  • Построение RAG-pipeline на LangChain
  • Работа с векторными БД: Qdrant, Weaviate, Pinecone
  • Техники улучшения поиска: «хаки» RAG, фильтрация
  • Оптимизация метрик качества RAG
  • Интеграция RAG с памятью агентов

Домашнее задание: RAG-система для базы знаний.

Настраиваем профессиональный мониторинг агентов. Применяем техники снижения стоимости.

  • Трассировка и тестирование в LangSmith
  • Мониторинг в LangFuse: латентность, стоимость, ошибки
  • Cost-hacks: кеширование, выбор моделей, batching
  • Создание cost-heatmap

Домашнее задание: финализация проектов.

Финальное занятие: безопасность, attack-simulation, юридические вопросы и презентация проектов.

  • Обзор вариантов развёртывания (Docker, облако)
  • Подключение к мессенджерам и API
  • Симуляция атак: jailbreak, prompt-leak, cost-flood
  • Live Q&A с юристом по GDPR/152-ФЗ
  • Презентация итоговых проектов

Дополнительная информация

Частые вопросы

Нужно ли покупать доступ к платным API?

На курсе используем модели от OpenAI. Нужны собственные ключи API (или бесплатные модели через OpenRouter).

Будут ли доступы к инструментам?

n8n и Flowise выдаются. Остальное ставится локально; требуется ПК с Python и >= 16 ГБ RAM.

Чем курс отличается от остальных?

Упор на production-ready: сравнение фреймворков, практики деплоя и выбора стека.

Можно оплатить в рассрочку / от компании?

Timepad принимает оплату частями и выставляет счета компаниям.

macOS / Windows / Linux?

Всё кроссплатформенно; отдельные инструкции для каждой ОС.

Насколько сложные домашние задания?

30-60 мин после каждого занятия. Обязательные — после 2-го и 5-го.

Останется ли доступ к материалам?

Да. Записи, код, презентации и Telegram-поддержка доступны навсегда.

Что вы получите

✓

Рабочий проект в портфолио

Мультиагентная система с памятью, RAG и интеграциями.

✓

Навыки работы с 5+ инструментами

Pydantic AI, LangChain, Flowise, CrewAI, Letta.

✓

Профессиональные инструменты

Настроенный мониторинг, автотесты, контроль затрат.

✓

Умение создавать агентов с нуля

От идеи до развёрнутого решения.

✓

Поддержку сообщества

Закрытый Telegram-канал и созвоны с выпускниками.

Кто преподаёт

Антон Вдовиченко

Антон Вдовиченко

Основатель и CEO Automatica

Специализируется на разработке решений с использованием искусственного интеллекта и машинного обучения, инженер ИИ из топ-30. Более 20 лет создаёт цифровые продукты — от стартапов до международных корпораций (Dell, PwC, Avaya).

Эксперт по дизайну интерфейсов. Более 7 лет преподавал на программе «Дизайн диджитал-продукта» в Британской высшей школе дизайна.

Автор курсов по AI-агентам и Claude Code. Практикующий разработчик, который ежедневно строит мультиагентные системы для клиентов Automatica.

Курс завершён

Следите за расписанием новых курсов в нашем Telegram.

Запись недоступна

Вопросы? Пишите в Telegram: @codegeek