Интеллектуальные агентные системы на базе языковых моделей

Бакалавриат 2025/2026

Статус: Курс по выбору (Прикладная математика и информатика)

Кто читает: Базовая кафедра МТС

Где читается: Факультет компьютерных наук

Когда читается: 4-й курс, 3 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 4

Контактные часы: 40

Дополнительные материалы в LMS Задать вопрос

Аннотация

В эпоху больших языковых моделей (LLM) фокус смещается от создания единичных ML-моделей к разработке автономных интеллектуальных агентов, способных рассуждать, планировать и взаимодействовать с инструментами для решения сложных задач. Этот курс посвящен проектированию и реализации мультиагентных систем, которые автоматизируют полный цикл работы Data Scientist'а - от исследования данных (EDA) до построения, валидации и развертывания моделей. Курс построен на практическом подходе: студенты изучат ключевые архитектурные паттерны, такие как ReAct, Chain-of-Thought и BDI, и научатся применять ведущие фреймворки (AutoGen, LangGraph, LlamaIndex) для создания собственных систем. Особое внимание уделяется интеграции RAG-систем для работы со знаниями, механизмам координации и коммуникации между агентами, а также вопросам безопасности, оценки и развертывания в production. Кульминацией курса станет разработка в командах мультиагентной системы для автоматического решения задачи бинарной классификации на соревновании формата Kaggle. Студенты пройдут путь от идеи до реализации готового, надежного и документированного решения, готового к реальным вызовам.

Цель освоения дисциплины

Сформировать у студентов глубокое понимание архитектуры, принципов работы и ограничений современных интеллектуальных агентов.
Научить проектировать, разрабатывать и координировать сложные мультиагентные системы для автоматизации задач в области анализа данных.
Освоить передовые фреймворки и технологии для создания RAG-систем, управления памятью агентов и интеграции внешних инструментов (Tool Use).
Развить навыки оценки, тестирования и обеспечения безопасности агентных систем для их последующего развертывания в производственной среде.

Планируемые результаты обучения

Различать типы агентов и понимать ключевые архитектурные паттерны (BDI, ReAct, CoT).
Проектировать и реализовывать RAG-системы для извлечения знаний, используя векторные базы данных (FAISS, ChromaDB) и embedding-модели.
Разрабатывать мультиагентные системы на базе фреймворка AutoGen, организуя их координацию, коммуникацию и управление состоянием.
Применять и разрабатывать бенчмарки для оценки производительности LLM и агентных систем в задачах генерации кода и рассуждений (HumanEval, SWE-bench, GAIA2).
Интегрировать внешние Python-библиотеки в качестве инструментов агента (Tool Use) и работать со стандартизированными протоколами (MCP).
Реализовывать механизмы долговременной памяти и управления знаниями для агентов.
Проектировать рефлексивные системы с циклами самокритики и планирования (Planner-Executor-Critic).
Анализировать уязвимости (prompt injection, tool misuse) и внедрять механизмы защиты (guardrails, sandboxing).
Контейнеризировать (Docker) и подготавливать агентные системы к развертыванию в production.

Содержание учебной дисциплины

Введение в агентные системы
RAG-системы и поиск знаний
Мультиагентные системы, координация агентов
Оценка языковых моделей и агентных систем
Tool Use, MCP и стандартизация интерфейсов
Память агентов, персистентность и knowledge management
Advanced planning, self-critique и рефлексивные агенты
Безопасность, атаки и защита агентных систем
Продвинутая оценка агентов, метрики и сравнительный анализ
Production deployment, мониторинг и наблюдаемость

Элементы контроля

Итоговый проект
Задача: Студенты разрабатывают мультиагентную систему для автоматического решения задачи бинарной классификации на предоставленном табличном датасете Kaggle-формата. Требования к проекту: Структура и функция: Проект должен включать от 3 специализированных агентов, использующих современные архитектурные паттерны и RAG-модули. Автоматизация: Вся коммуникация между агентами, передача данных и принятие решений должны быть полностью автоматизированы. Безопасность и надежность: В системе должны быть реализованы механизмы защиты, такие как input validation, guardrails и мониторинг. Оценка и бенчмаркинг: Встроено автоматическое оценивание метрик качества модели и эффективности агентов. Документирование и прозрачность: Код организован в виде структурированного и воспроизводимого репозитория с подробной документацией.
Итоговый проект

Промежуточная аттестация

2025/2026 3rd module
1 * Итоговый проект

Список литературы

Авторы

Кононова Елизавета Дмитриевна

Программа дисциплины