AI и машинное обучение

Учебник AI-агенты для начинающих

25 уроков · 6 разделов · бесплатно, без регистрации

Начать с первого урока

AI-агент — это большая языковая модель (LLM), которой дали инструменты, память, цикл управления и цель: она не просто отвечает текстом, а рассуждает, вызывает функции, наблюдает результат и действует дальше, пока задача не решена. Этот курс ведёт от понятия «чем агент отличается от чат-бота» к рабочим механикам: вы напишете цикл агента и диспетчер инструментов, разберёте и реализуете паттерн ReAct (мысль → действие → наблюдение), добавите память и планирование, соберёте мультиагентную систему и дойдёте до продакшн-вопросов — фреймворков (LangGraph, CrewAI, AutoGen), протоколов (function calling, MCP), надёжности, оценки, стоимости и безопасности. Ядро курса — цикл агента, диспетчер инструментов, парсер ReAct и планировщик — запускается прямо в браузере на чистом Python: вместо настоящей LLM стоит детерминированная заглушка, поэтому вы видите всю механику по шагам. Нужны базовый Python и общее представление о том, что такое LLM и промпт.

Курс «AI-агенты» состоит из 6 разделов и 25 уроков: Что такое AI-агент, Инструменты (tools), Паттерн ReAct, Память и планирование, Мультиагентные системы и Продакшн и практика. Уроки идут по порядку — от основ к более сложным темам, в каждом есть объяснение с примерами, а в конце — вопросы для самопроверки. К урокам привязаны задачи с автоматической проверкой: прочитали тему — сразу закрепили её кодом.

Программа курса

  1. 1 Что такое AI-агент

    1. От чат-бота к агенту

      Чем AI-агент отличается от обычного чат-бота: агент = LLM + инструменты + цикл + цель. Разбираем суть автономности на простом примере.

    2. Анатомия агента: мозг, инструменты, память, цикл

      Из чего состоит AI-агент: LLM как «мозг» для рассуждений, инструменты как «руки», память как контекст и цикл управления, связывающий всё вместе.

    3. Когда нужен агент, а когда хватит промпта

      Агенты дороже, медленнее и непредсказуемее простого промпта. Разбираем критерии: когда автономный цикл оправдан, а когда достаточно одного вызова LLM.

    4. Применения и риски автономности

      Где AI-агенты уже приносят пользу — от кодинга до ресёрча — и какие риски несёт автономность: ошибки, стоимость, безопасность, действия без контроля.

  2. 2 Инструменты (tools)

    1. Зачем LLM инструменты

      LLM умеет только продолжать текст и часто ошибается в счёте и фактах. Инструменты выводят её за пределы текста: точный расчёт, свежие данные, доступ к API и коду.

    2. Как описать инструмент модели

      Чтобы LLM могла вызвать инструмент, ей нужно описание: имя, понятный текст и схема параметров. Разбираем, как составить хорошее описание и схему в JSON.

    3. Диспетчер инструментов

      Сердце агента с инструментами — диспетчер: по имени находит нужную функцию и вызывает её с аргументами. Пишем запускаемый диспетчер с реестром инструментов.

    4. Обработка ошибок инструментов

      Инструменты падают: неверные аргументы, упавший API, плохой запрос. Учим агента переживать ошибки — возвращать их как наблюдение, чтобы модель исправилась.

  3. 3 Паттерн ReAct

    1. Идея ReAct: мысль → действие → наблюдение

      ReAct (Reasoning + Acting) чередует рассуждение и действие: агент думает вслух, делает шаг, смотрит результат и думает снова. Разбираем идею и зачем она работает.

    2. Парсер формата ReAct

      Модель выдаёт ReAct как текст — нам нужно извлечь из него действие, аргумент или финальный ответ. Пишем запускаемый парсер формата Thought/Action/Observation.

    3. Полный цикл ReAct с заглушкой LLM

      Собираем всё вместе: парсер, диспетчер инструментов и детерминированную заглушку LLM в один рабочий цикл ReAct, который решает задачу через инструменты.

    4. Остановка, лимиты и зацикливание

      Как агент понимает, что закончил, и что делать, если он застрял. Разбираем условия остановки, лимит шагов и обнаружение зацикливания — с запускаемыми примерами.

  4. 4 Память и планирование

    1. Типы памяти: краткосрочная и долгосрочная

      Краткосрочная память агента — контекст диалога в окне модели; долгосрочная — внешнее хранилище, обычно векторная база. Разбираем оба типа и мост к RAG.

    2. Память и состояние агента на практике

      Пишем запускаемый класс памяти агента: краткосрочная история с обрезкой по окну и долгосрочные факты «ключ-значение». Видим, как агент помнит между шагами.

    3. Планирование: разбиение цели на подзадачи

      Сложную цель агент разбивает на подзадачи и выполняет их по порядку. Пишем запускаемый планировщик и исполнитель плана — основу планирующих агентов.

    4. Рефлексия и самокоррекция

      Агент может проверять собственный результат и исправлять ошибки. Разбираем рефлексию: критик оценивает ответ, агент его улучшает — с запускаемым примером.

  5. 5 Мультиагентные системы

    1. Зачем несколько агентов

      Один агент с десятком инструментов перегружается. Несколько специализированных агентов делят роли и упрощают каждую задачу. Разбираем плюсы и когда это оправдано.

    2. Паттерны: оркестратор, конвейер, дебаты

      Три способа организовать команду агентов: оркестратор-исполнители, конвейер (выход одного — вход другого) и дебаты (спор ради качества). Разбираем каждый.

    3. Передача задач: маршрутизация между агентами

      Как решить, какому агенту отдать задачу? Маршрутизатор по типу запроса выбирает специалиста. Пишем запускаемый роутер — основу оркестратора.

    4. Координация, общая память и компромиссы

      Как агенты делятся информацией через общую память, и почему мультиагентность не бесплатна: сложность, стоимость и накопление ошибок между агентами.

  6. 6 Продакшн и практика

    1. Фреймворки: LangGraph, LangChain, CrewAI, AutoGen

      Обзор фреймворков для агентов: LangChain agents, LangGraph, CrewAI, AutoGen. Что они дают поверх ручного цикла и когда стоит брать готовое решение.

    2. Протоколы инструментов: function calling и MCP

      Как стандартизируют вызов инструментов: function calling в API моделей и протокол MCP для подключения внешних инструментов. Обзор и зачем нужен стандарт.

    3. Надёжность: гардрейлы, лимиты, человек-в-цикле, песочница

      Как сделать автономного агента безопасным: гардрейлы на входе и выходе, лимиты шагов и бюджета, человек-в-цикле для опасных действий и песочница для кода.

    4. Оценка, стоимость и безопасность агентов

      Как измерять качество агента (метрики успешности задач), почему агенты дорогие и медленные, и какие риски безопасности нужно держать в голове.

    5. Собираем агента целиком и что дальше

      Финал курса: собираем простого, но полного агента (цель, инструменты, ReAct-цикл, лимит шагов) в один разбор и намечаем дальнейший путь обучения.