2026/2027
Мультиагентные системы
ID 1259738
Статус:
Маго-лего
Где читается:
Факультет компьютерных наук
Когда читается:
1, 2 модуль
Охват аудитории:
для всех кампусов НИУ ВШЭ
Преподаватели:
Алгазинов Александр Иванович
Язык:
английский
Кредиты:
6
Контактные часы:
30
Course Syllabus
Abstract
This course is about how large language models actually work and how you can use them to build agent systems that do something useful. The course is taught bottom-up. We start with the mechanics of the model itself - tokenization, the transformer architecture, how text gets generated, and how inference works. From there we move to the agent and its parts: tools and function calling, RAG, memory and context management. Then to systems: multi-agent architectures, the framework landscape, advanced reasoning methods. And finally to practice - agentic coding, a close look at real agent systems and the evidence that they work, and what it takes to run an agent in production: evaluation, security, cost. Throughout, the emphasis is on concepts rather than on particular libraries. The frameworks in this field get updated and outdated fast. The ideas underneath them - the agent loop, the tool contract, the decision about what goes into context - do not.
Learning Objectives
- The goal of mastering the disciplines is to gradually develop a systematic understanding of the principles of constructing, modifying, and applying multi-agent systems, as well as to transform the skills of analyzing, designing, and analyzing the interaction of intelligent agents to solve complex distributed problems in the field of artificial intelligence, digital technologies, and automation processes.
Expected Learning Outcomes
- Применять инструменты промышленной разработки.
- Понимать устройство LLM (трансформеры, эмбеддинги, параметры генерации).
- Различать типы агентов и использовать архитектуры ReAct, Plan and Execute
- Интегрировать инструменты, function calling, structured output и RAG
- Строить агентов и RAG-системы на LangChain
- Реализовывать краткосрочную и долгосрочную память, суммаризацию контекста и Agentic RAG
- Проектировать мультиагентные системы с различными типами взаимодействия и shared memory
- Обеспечивать стабильность агентов
- Презентовать и защищать проект, обосновывая архитектурные решения
Course Contents
- Введение в курс. Основы промышленной разработки
- Основы LLM
- Введение в агентов
- Основы разработки агентов
- LangChain
- Память в агентах и Agentic RAG
- Мультиагентные системы
- Библиотеки / фреймворки для написания агентов
- Продвинутые методы рассуждения
- Вайб кодинг
- Конкретные агентные системы и парадигмы
- AgentOPS
- Agent Harness, Self-Improving Agents, Future of AI
Interim Assessment
- 2026/2027 2nd module0.4 * project_proposal + 0.6 * project_defense Где project_proposal оценивается в 10 баллов, из которых: 4 - валидность идеи (использование LLM должно быть обосновано, например, зачем использовать LLM в обычном калькуляторе / поиске кратчайшего маршрута в метро. Может и имеет смысл, но явно нужно это обосновать). Нужно предложить идею, обосновать мотивацию проекта и использование LLM, объяснить, какую проблему это решает, и грамотно описать ожидаемые исходы проекта (польза для себя / научная новизна / идея для стартапа) 4 - демонстрация MVP проекта (нормальный репозиторий, сервис запущенный хотя бы на localhost и работающий, демонстрация какого-то результата. 1 балл - сервис хотя бы запускается в реальном времени. 1 балл - сервис оформлен в нормальном публичном репозитории (есть понятный readme, dockerfile, файл с самим приложением, и так далее). 2 балла - сервис демонстрирует хоть и простой и минимальный, но критически важный функционал привязанный к идее с использованием LLM 2 - ответы на вопросы (в основном, технического характера) Project_defense тоже оценивается в 10 баллов, из которых: 4 - доработанность решения. Проект можно считать завершенным до какого-то логического этапа. 2 балла - деплой на сервер (чтобы можно было затестировать по ссылке). 2 балла - представленный функционал соответствует заявленному на project_proposal 4 - инструментарий, техническая сложность реализации, грамотно оформленный репозиторий. Пример на 1 балл: обычный вызов LLM без чего-либо, гитхаб где даже нет докера / ридми. Пример на 4 балла: наличие мультиагентной системы с грамотной коммуникацией между агентами, асинхронной обработкой запросов, и вызовом функций 2 - ответы на вопросы (в основном, технического характера)
Bibliography
Recommended Core Bibliography
- Data Science в действии : пять реальных проектов Python, Апельцин, Л., 2023
Recommended Additional Bibliography
- A Tutorial on Machine Learning and Data Science Tools with Python. (2017). Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.E5F82B62
- Python : исчерпывающее руководство, Бизли, Д. М., 2023