разбор open source решений живые встречи с экспертами в области ML, DL шаблоны для запуска своих агентов Кому особенно подойдет курс ML/AI-инженеры (middle+/senior) Data Scientists, исследователи Backend/Platform-инженеры Advanced CS/DS студенты (магистратура, PhD) Tech-продакт-менеджеры & архитекторы AI-решений Программа курса: Занятие 1 LLM и их особенности, первый агент на langchain На занятии посмотрим как выбрать LLM для задачи — квантизованные модели, instruct-модели и пр, какие есть способы запуска LLM — как использовать API, как развернуть LLM локально с помощью Ollama, как происходит токенизация для разных языков и как это влияет на стоимость решения. Рассмотрим реализация памяти в цепочках langchain и обсудим зачем подключать внешние источники если уже есть модели с контекстом более 10 М токенов. В конце реализуем пару простых агентов на langchain. Занятие 2 RAG и оценка его качества Познакомимся с основными компонентами RAG, векторными базами и ANN, другими Retrievers. Рассмотрим модификации RAG и подходы к генерации датасета для тестирования получившегося решения, подход LLM as a judge. В итоге соберем полный пайплайн RAG-системы с оценкой качества. Занятие 3 Основные понятия мультиагентных систем (MAS) и библиотеки для их построения Вводный обзор MAS, коллективное принятие решений, механизмы обмена информацией и координации агентов между собой. Дебаты между агентами, actor-critic подходы. Multi-step agents. Знакомство с библиотеками crew ai, autogen, langgraph, llamaindex, smolagents, swarm от open ai Фреймворк для анализа промптов spade Занятие 4 AI-агенты: инструменты, флоу и сравнение фреймворков Углубимся в практику с популярными фреймворками, обсудим проблему оценки результатов. Tools для AI агентов и их основные типы, workflows. Методы оценки качества работы AI-помощников, GAIA. Сравнение библиотек для построения мультиагентных систем Занятие 5 Промышленные агенты и протокол MCP Рассмотрим протокол для унифицированной работы с tools — MCP и фреймворк FastMCP. Создадим end-to-end MCP приложение
