Introduction to Agents. Learn the architecture behind modern AI agents.
Introduction to Agents — практический курс, посвящённый архитектуре современных ИИ-агентов и принципам их разработки. За шесть интерактивных занятий вы пройдёте путь от понимания базовых компонентов агентных систем до создания собственного работающего ИИ-агента на Python.
Вы узнаете, как устроены ИИ-агенты изнутри, каким образом они рассуждают, используют память и внешние инструменты, планируют действия, принимают решения и оценивают результаты своей работы.
Главная особенность курса — изучение фундаментальных принципов агентной архитектуры без привязки к конкретным фреймворкам. Вместо использования готовых решений вы самостоятельно реализуете ключевые компоненты агента, чтобы понимать не только то, как он работает, но и почему он работает именно так.
Большинство руководств по разработке ИИ-агентов начинаются со знакомства с определённым фреймворком. Такой подход позволяет быстро собрать работающее приложение, но зачастую оставляет без ответа важные вопросы:
Курс Introduction to Agents предлагает изучить эти механизмы на более фундаментальном уровне.
Вы начнёте с большой языковой модели (LLM), которая лежит в основе агента, и постепенно расширите её возможности, добавляя механизмы рассуждения, память, инструменты, планирование, выполнение действий, рефлексию и оценку результатов.
Каждый этап сопровождается практической реализацией на Python.
В результате вы получите не просто готового агента, а глубокое понимание архитектуры, которое сможете применять при работе с различными агентными фреймворками и инструментами.
После прохождения курса вы сможете:
Преподаватель: Luis Serrano
Введение в архитектуру агентных систем и фундаментальные принципы их работы.
Вы разберётесь, чем ИИ-агент отличается от обычного приложения на основе большой языковой модели, какие компоненты необходимы для автономного поведения и каким образом они взаимодействуют между собой.
Основные темы:
Практика: создание первоначального каркаса ИИ-агента.
Преподаватель: Josh Starmer
Изучение языковых моделей как интеллектуальной основы агентных систем.
Вы познакомитесь с архитектурой LLM, принципами их обучения и механизмами рассуждения, которые позволяют агентам выполнять задачи, требующие нескольких последовательных шагов.
Основные темы:
Практика: реализация ядра рассуждения агента.
Преподаватель: Chris McCormick
Разработка механизмов, позволяющих агенту сохранять информацию, получать необходимые данные и взаимодействовать с внешними инструментами.
Вы изучите принципы организации памяти, поиска информации, управления контекстом и вызова инструментов через языковую модель.
Также познакомитесь с концепциями, лежащими в основе протокола MCP.
Основные темы:
Практика: добавление памяти и механизмов использования инструментов в собственного ИИ-агента.
Преподаватель: Maarten Grootendorst
Изучение механизмов, благодаря которым ИИ-агенты способны самостоятельно организовывать выполнение сложных задач.
Вы разберётесь, как агент может разбивать большую задачу на отдельные действия, определять последовательность их выполнения, анализировать промежуточные результаты и изменять первоначальный план.
Основные темы:
Практика: реализация механизма планирования и цикла выполнения задач.
Преподаватель: Jay Alammar
Изучение подходов к тестированию и оценке полноценных агентных систем.
Вы узнаете, как анализировать не только конечный результат работы агента, но и последовательность действий, которые привели к этому результату.
Особое внимание уделяется надёжности, качеству выполнения задач и безопасности.
Основные темы:
Практика: создание слоя оценки качества для разработанного агента.
Преподаватели: команда RAG Pack
Заключительная интерактивная встреча с командой преподавателей курса.
Участники смогут задать дополнительные технические вопросы, обсудить особенности разработки ИИ-агентов, получить рекомендации по дальнейшему обучению и развитию карьеры.
Основные темы:
Разработчики программного обеспечения (Software Engineers)
Для инженеров, которые начинают работать с агентным ИИ и хотят понимать внутренние механизмы фреймворков и инструментов, используемых при разработке агентных приложений.
Инженеры машинного обучения и искусственного интеллекта (ML / AI Engineers)
Для специалистов, уже знакомых с моделями машинного обучения, которые хотят получить целостное представление об архитектуре агентов, включая рассуждение, память, инструменты, планирование и оценку качества.
Специалисты по данным и машинному обучению (Data / ML Practitioners)
Для технических специалистов, которым необходимы фундаментальное понимание агентных систем и практические навыки самостоятельной реализации их компонентов.
Для комфортного прохождения курса рекомендуется:
Курс не предназначен для начинающих без опыта программирования, а также для тех, кто ищет исключительно No-Code-подход к созданию ИИ-агентов.
К завершению курса вы создадите собственного работающего ИИ-агента на Python, последовательно реализовав его основные архитектурные компоненты:
Главный результат обучения — не только готовая реализация, но и фундаментальное понимание принципов построения современных ИИ-агентов.
Эти знания помогут вам увереннее работать с существующими агентными фреймворками, диагностировать ошибки, выбирать подходящие архитектурные решения и адаптироваться к новым технологиям по мере развития экосистемы агентного искусственного интеллекта.
Это пробный урок. Оформите подписку, чтобы получить доступ ко всем материалам курса. Премиум
Крис — ведущий преподаватель и исследователь в области искусственного интеллекта, специализирующийся на обработке естественного языка (NLP), трансформерах и моделях BERT. Его подробные обучающие материалы стали востребованными источниками знаний среди разработчиков и специалистов по машинному обучению по всему миру. В своих работах Крис сочетает глубокое теоретическое понимание современных технологий ИИ с доступными объяснениями и практическими п
Джей — исследователь в области машинного обучения, писатель и соавтор книг «Hands-On Large Language Models» и «An Illustrated Guide to AI Agents». Известен своими наглядными статьями и иллюстрациями, которые помогли миллионам читателей разобраться в работе трансформеров, больших языковых моделей (LLM) и современных технологий обработки естественного языка (NLP). Специализируется на доступном объяснении сложных концепций искусственного интеллекта
Джош Стармер (Josh Starmer) — преподаватель, популяризатор науки и основатель образовательного проекта StatQuest, посвящённого статистике, машинному обучению и искусственному интеллекту. Автор книг The StatQuest Illustrated Guide to Machine Learning и The StatQuest Illustrated Guide to Neural Networks and AI. Известен своим уникальным подходом к обучению, благодаря которому сложные математические и технические концепции становятся понятными и дос
Luis G. Serrano — ученый в области искусственного интеллекта, популяризатор, автор и YouTube-образователь. Он работал инженером машинного обучения в Google и был ведущим преподавателем искусственного интеллекта в Apple.
Маартен Гротендорст (Maarten Grootendorst) — специалист по Data Science, исследователь в области машинного обучения и обработки естественного языка (NLP). Создатель популярных библиотек с открытым исходным кодом BERTopic и KeyBERT, предназначенных для тематического моделирования и извлечения ключевых слов из текстов. Соавтор книг Hands-On Large Language Models и An Illustrated Guide to AI Agents. Специализируется на объединении передовых исследов
