Создание ИИ-агентов

Профиль аудитории:

• Python/backend-разработчики
• AI/ML engineers
• solution architects и технические лиды
• специалисты по автоматизации и внутренним цифровым сервисам

Предварительные требования:

• уверенное владение Python
• базовое понимание REST API, JSON и HTTP
• общее понимание принципов работы LLM
• желателен опыт работы с Git, Docker и веб-сервисами

По окончании курса слушатели смогут:

• проектировать архитектуру прикладного ИИ-агента под конкретный бизнес-сценарий
• разрабатывать single-agent сервис с API-слоем, orchestrator и управлением сессиями
• подключать инструменты и внешние API через tool calling и маршрутизацию запросов
• реализовывать память диалога, ограничение истории и многопользовательский контекст
• строить RAG-пайплайн по корпоративным документам с векторным поиском
• внедрять базовые guardrails, фильтрацию опасных запросов и контроль рискованных действий
• подготавливать агентный сервис к пилоту: конфигурация, логирование, контейнеризация, readiness check

Модуль 1. Архитектура прикладного ИИ-агента

• Объём: 4 академических часа
• Что входит:
• Чем прикладной AI-agent отличается от обычного LLM-чата.
• Типовая схема сервиса: клиент -> API -> orchestrator -> LLM / tools / RAG / memory.
• Основные компоненты: модель, инструменты, память, retrieval, защитный слой, логирование.
• Когда достаточно одного агента, а когда нужны workflow и распределение ролей.
• Практика:
• Создание структуры проекта AI-агента на Python.
• Настройка конфигурации и переменных окружения.
• Реализация простого endpoint для общения с LLM через FastAPI.
• Результат модуля:
• Базовый сервис агента с API и понятной архитектурой.

Модуль 2. Оркестрация запросов и tool calling

• Объём: 4 академических часа
• Что входит:
• Как понять, отвечать моделью, вызывать инструмент или идти в RAG.
• Tool calling: формат аргументов, обработка результата и возврат ответа пользователю.
• Маршрутизация запросов внутри orchestrator.
• Типовые ошибки инструмента и безопасная деградация сценария.
• Практика:
• Подключение инструментов: калькулятор, погодный API, внутренняя Python-функция.
• Реализация маршрутизатора внутри orchestrator.
• Сборка единого ответа агента на основе результата инструмента.
• Результат модуля:
• Агент, который умеет вызывать внешние инструменты и корректно обрабатывать их ответы.

Модуль 3. Память и управление контекстом диалога

• Объём: 4 академических часа
• Что входит:
• Краткосрочная память и история сообщений.
• Ограничение длины истории, очистка контекста и сжатие длинного диалога.
• Session_id, user_id и client_id как основа многопользовательской архитектуры.
• Ограничения контекста и влияние истории на стоимость запросов.
• Практика:
• Реализация хранилища истории диалога.
• Ограничение числа сообщений и логика очистки.
• Поддержка нескольких пользователей и сессий.
• Результат модуля:
• Агент с управляемой памятью, пригодный для многопользовательского использования.

Модуль 4. RAG для корпоративных документов

• Объём: 4 академических часа
• Что входит:
• Когда нужен RAG, а когда достаточно prompt + tools.
• Embeddings и векторный поиск в прикладной задаче.
• Chunking документов и загрузка PDF, DOCX, HTML, CSV.
• Retrieval pipeline: ingestion -> embedding -> index -> search -> answer.
• Практика:
• Загрузка набора документов и построение векторного индекса.
• Интеграция retrieval в orchestrator.
• Сравнение ответа без RAG и с RAG.
• Результат модуля:
• Агент, который отвечает по внутренним документам компании.

Модуль 5. Интеграция агента в прикладной сервис

• Объём: 4 академических часа
• Что входит:
• API-контракт агента и внешняя точка входа.
• Подключение web-интерфейса, внутреннего портала или сервисного слоя.
• Интеграция с внешними бизнес-системами через API.
• Логирование запросов, ошибок и использования инструментов.
• Практика:
• Создание REST endpoint /chat и endpoint для сброса сессии.
• Подключение простого web UI.
• Добавление логирования обращений и технических ошибок.
• Результат модуля:
• Интегрируемый сервис агента с внешней точкой входа и логами.

Модуль 6. Безопасность и контроль работы агента

• Объём: 4 академических часа
• Что входит:
• Какие пользовательские запросы и ответы нужно блокировать или проверять.
• Prompt injection, indirect prompt injection и рискованные сценарии.
• Валидация входных данных и ответов агента.
• Guardrails и разграничение доступа к данным и инструментам.
• Практика:
• Внедрение фильтра опасных инструкций.
• Ограничение вызова отдельных инструментов.
• Тестирование атакующих сценариев.
• Результат модуля:
• Агент с базовым защитным слоем и контролем рискованных действий.

Модуль 7. Подготовка AI-agent сервиса к пилоту

• Объём: 4 академических часа
• Что входит:
• Конфигурация среды: env-переменные, модели, ключи, переключение окружений.
• Контейнеризация сервиса и базовая схема запуска.
• Health check, readiness check и минимальные критерии готовности.
• Чек-лист пилотного запуска: логирование, ограничения, fallback-сценарии, демонстрационный контур.
• Практика:
• Подготовка конфигурации dev / test / pilot.
• Сборка контейнера и базовый запуск сервиса.
• Формирование короткого readiness checklist для пилота.
• Результат модуля:
• Сервис агента, подготовленный к технической демонстрации и пилотному запуску.

Модуль 8. Итоговый проект

• Объём: 4 академических часа
• Что входит:
• Архитектура корпоративного AI-ассистента end-to-end.
• Минимум два инструмента, память диалога, RAG по внутренним документам и guardrails.
• Подготовка демонстрации и защиты решения.
• Критерии качества итогового сервиса.
• Практика:
• Демонстрация архитектуры и API.
• Показ tool calling.
• Показ RAG по документам.
• Показ обработки небезопасного сценария.
• Результат модуля:
• Корпоративный AI-ассистент end-to-end, пригодный для демонстрации заказчику и обсуждения пилота.