Разработка ИИ-агентов

2026/2027

Статус: Маго-лего

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 2 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 3

Контактные часы: 24

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс посвящен разработке ИИ-агентов — прикладных систем на основе больших языковых моделей, которые взаимодействуют с внешним миром и самостоятельно решают поставленную задачу. Слушатели разберутся, из чего состоит агент, как устроен агентский цикл, как измерять качество агента и как обеспечить безопасность его работы. Практика идет от простого к сложному: от прямых вызовов языковой модели до готовых инструментальных сред и декомпозиции на субагентов. Итог курса — собственный агент, решающий прикладную задачу и проходящий заданный набор тестов.

Цель освоения дисциплины

Знать принципы построения ИИ-агентов
Уметь формулировать критерий правильной работы агента
Уметь обеспечить безопасность среды выполнения
Управлять стоимостью и временем работы агента
Выбирать уровень автономии агента
Оценивать качество агента на данных

Планируемые результаты обучения

Объясняет устройство агента как связки языковой модели и харнесса
Определяет, когда задача требует агента, а когда достаточно одного вызова модели
Реализует агентский цикл и задает условие его остановки
Подключает к агенту внешние инструменты
Формулирует критерий правильной работы агента и собирает набор тестов
Оценивает качество агента на данных и сравнивает варианты решения
Находит причину сбоя агента
Управляет стоимостью и временем работы агента
Выбирает уровень автономии агента
Защищает агента от типовых атак и изолирует среду выполнения

Содержание учебной дисциплины

Понятие агента: модель и харнесс. Базовые характеристики модели: контекст, prefill/decode, prefix caching. Экономика вызовов модели. Роли сообщений (system, user, assistant). Structured output и tool calls.
Оценка, и почему разработка агента начинается с неё. Что считать правильным ответом. Eval из отладки, выборка из исторических данных, LLM-as-a-judge.
Tool calls и agent loop. MCP как стандартизация интерфейса. Агентский цикл: шаг рассуждения, вызов, наблюдение, условие остановки.
Современные харнессы: OpenCode, Claude Code, Pi. Из чего состоит готовый харнесс. Dogfooding, использование в разработке
RAG, эмбеддинги, векторные хранилища, Как это устроено, почему было стандартом и что от него осталось.
Skills и субагенты. Стандарт Agent Skills: SKILL.md, прогрессивное раскрытие, подгрузка по необходимости. Изоляция контекста как мотив декомпозиции.
Feedback loop: агент действует и видит результат. Каналы действия — CLI, HTTP, браузер. Каналы обратной связи — вывод команды, ответ API, скриншот. Зрение там, где текстового результата нет.
Экосистема LangChain и LangGraph: абстракции, граф состояний, типовые сценарии. Pydantic.
Мультиагентные системы: супервизор-исполнитель, цепочка, параллельный запуск, обмен сообщениями. Когда мультиагент хуже одного агента
Где агенты ломаются. Слабости модели: арифметика и счёт, деградация на длинном контексте, потеря середины, склонность соглашаться с пользователем, уверенный ответ вместо отказа, зацикливание.
Безопасность. Prompt injection и косвенные инъекции через файлы, веб-страницы, результаты инструментов. Утечка данных. Guardrails, sandboxing.
Production использование. O11Y.

Элементы контроля

Проект
Экзамен
Активность

Промежуточная аттестация

2026/2027 2nd module
Оценка = Min(0,6 · Проект + 0,4 · Экзамен + 0,2 · Активность; 10)

Список литературы

Авторы

Ахмедова Гюнай Интигам кызы

Программа дисциплины