2025/2026

Практическое применение агентских систем

Статус: Маго-лего

Кто читает: Базовая кафедра ПАО Сбербанк «Финансовые технологии и анализ данных»

Где читается: Факультет компьютерных наук

Когда читается: 2 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 3

Контактные часы: 28

Программа дисциплины

Аннотация

Дисциплина направлена на формирование практических навыков проектирования, разработки и эксплуатации агентных систем на базе больших языковых моделей. В рамках курса рассматриваются типы агентных архитектур, планирование, память, работа с инструментами, подходы к оценке качества и надежности, вопросы безопасности и наблюдаемости, а также основы обучения агентности (GRPO, DAPO, RLVR). Примеры и задания ориентированы на реальные сценарии применения в бизнес‑среде крупных организаций.

Цель освоения дисциплины

• Формирование практических навыков проектирования и эксплуатации агентных систем на базе LLM в условиях промышленной разработки.

Планируемые результаты обучения

• Владеть навыками проектирования агентных решений (планирование, память, инструменты) и их безопасного развертывания
• Уметь интегрировать внешние сервисы и API, настраивать оценку качества (offline/online) и регрессионные тесты
• Знать основы обучения агентности (GRPO, DAPO, RLVR), наблюдаемости и инцидент-менеджмента
• Умение спроектировать и реализовать базовый агент с планированием и памятью
• Навык безопасной интеграции одного инструмента и обработки отказов
• Владение базовой телеметрией (логи/трейсы) и документацией решения
• Умение собрать минимальный RL-контур GRPO для LLM-агента
• Навык проектирования простого reward и учета KL-регуляризации
• Достижение измеримого прироста task_success на валидации и корректная отчетность

Содержание учебной дисциплины

• Введение в агентов
• RAG и подходы к нему
• Методы оценки результатов агентов Offline-оценка и online-оценка
• Практические примеры
• Безопасность в агентах
• Обучение LLM агентности

Элементы контроля

• Домашняя работа 1
  Реализация минимального агента с планированием шагов, рабочей памятью и интеграцией одного внешнего инструмента (API/БД). Короткое демо и README.
• Домашняя работа 2
  Мини-агент в Google Colab с тонкой настройкой по схеме GRPO на синтетических задачах: планирование шага → вызов инструмента (calculator) → ответ. Демо и краткий отчет.
• Экзамен

Промежуточная аттестация

• 2025/2026 2nd module
  0.3 * Домашняя работа 1 + 0.3 * Домашняя работа 2 + 0.4 * Экзамен

Список литературы

Рекомендуемая основная литература

• Shoham, Y., & Leyton-Brown, K. (2009). Multiagent Systems : Algorithmic, Game-Theoretic, and Logical Foundations. Cambridge: Cambridge University Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=269245
• YU LEI, & WENJIE LI. (2019). Interactive Recommendation with User-Specific Deep Reinforcement Learning. ACM Transactions on Knowledge Discovery from Data, 13(6), 1–15. https://doi.org/10.1145/3359554

Рекомендуемая дополнительная литература

• Agent-based computational modelling : applications in demography, social,economic and environmental sciences, , 2006
• Agent-based methods in economics and finance : simulations in Swarm, , 2002
• Agent-based models, Gilbert, N., 2008
• An introduction to agent-based modeling: Modeling natural, social, and engineered complex systems..., Wilensky, U., 2015
• Artificial economics : agent-based methods in finance, game theory and their applications, , 2006

Авторы

• Емашева Валерия Анатольевна