Разработка ИИ-агентов для сбора данных и автоматизации решений (AI_AGENT)
Кому следует посетить
- проектировать и разрабатывать агента, осуществляющего автоматический сбор данных (логи, заявки, метрики) из нескольких источников посредством API и протокола MCP;
- строить мульти-агентный программный комплекс (сбор данных → анализ → формирование вариантов решения → верификация) с применением LangGraph либо CrewAI;
- интегрировать агента с внешними системами посредством протокола Model Context Protocol (MCP) взамен индивидуальных программных интеграций;
- оценивать качество и надёжность функционирования агента посредством формализованных методов тестирования (evals) и механизмов ограничения (guardrails);
- учитывать финансовые затраты на обращения к LLM и базовые риски информационной безопасности (prompt injection, утечка данных через используемые инструменты);
- разворачивать агента в качестве контейнеризированного сервиса с базовой системой мониторинга.
Курс «Разработка ИИ-агентов для сбора данных и автоматизации решений» (AI_AGENT) — это практическое обучение для специалистов по информационной безопасности, Python-разработчиков, инженеров DevOps/SRE и руководителей технических команд, которым необходимо освоить проектирование и разработку ИИ-агентов для автоматического сбора данных, анализа событий и формирования вариантов решений. На курсе рассматриваются создание программных обёрток над LLM API, structured output, архитектурный подход ReAct, работа с Model Context Protocol (MCP), подключение агентов к журналам событий, системам заявок и внешним API, построение мультиагентных систем с использованием LangGraph и CrewAI, оценка качества через evals, внедрение guardrails, защита от prompt injection и утечек данных, расчёт и оптимизация стоимости обращений к LLM, контейнеризация в Docker, мониторинг и трассировка с помощью Langfuse.
Когда численность персонала ограничена, а нагрузка высока, основным узким местом становится не выработка решений, а выполнение рутинных операций: сбор журналов событий, их консолидация, проведение типовых проверок и формулирование вариантов решения. Программа курса построена вокруг единого практического кейса — разработки агента, обеспечивающего автоматический сбор логов и иных данных, диагностику проблемы и формирование вариантов её решения.
Обучение включает 5 модулей (по одному на учебный день, теоретическая часть ~4 академических часа) и 5 лабораторных работ, последовательно наращивающих один и тот же программный комплекс — от простой обёртки над LLM до промышленно развёрнутого мульти-агентного сервиса с мониторингом. К окончанию курса участники защищают итоговый проект на собственном либо учебном наборе данных.
актуальный технологический стек — программа опирается на инструменты, применяемые в продакшене на момент разработки курса: LangGraph, CrewAI, Model Context Protocol (MCP), Langfuse. Это не учебные абстракции, а решения, используемые индустрией прямо сейчас.
сквозной практический кейс — все пять лабораторных работ являются этапами одного и того же проекта, а не изолированными упражнениями. К концу курса участник получает не набор разрозненных знаний, а работающий программный комплекс.
внимание к надёжности и стоимости — отдельный модуль посвящён вопросам оценки качества агента, защите от prompt injection и расчёту фактической стоимости LLM-вызовов — аспектам, которые на рынке курсов по ИИ-агентам чаще всего остаются за скобками.
применимость для смешанных групп — программа рассчитана на совместное обучение специалистов по информационной безопасности и разработчиков: модули по сбору данных и по надёжности содержат отдельные разделы, актуальные для каждого из профилей.
Программа рассчитана на группу смешанного состава (специалисты по информационной безопасности и разработчики). Возможна корректировка содержания Модулей 2 и 4 с учётом отраслевой специфики заказчика — для группы либо в индивидуальном порядке.
Даты и регистрация
- Понятие ИИ-агента и его отличие от чат-бота: цикл «анализ — действие — проверка» (ReAct)
- Structured output: методы получения от LLM предсказуемого результата в формате JSON
- Архитектура программной обёртки над LLM API: валидация данных, обработка ошибок, механизмы повторных попыток
- Обзор технологического стека: LangGraph, CrewAI, MCP, OpenAI Agents SDK — области применения
- Практика : разработка обёртки над LLM с поддержкой structured output на примере разбора записи журнала событий; внедрение LLM-as-a-Judge для верификации качества разбора
- Результат : вы научитесь строить надёжный программный слой поверх LLM API, что является основой для любого последующего агента.
- Проблематика индивидуальных программных интеграций и её решение посредством Model Context Protocol (MCP)
- Архитектура MCP: host, client, server — принцип обнаружения агентом доступных инструментов
- Модели сбора данных: периодический опрос журналов событий, webhook-механизмы, доступ к системам заявок и облачным API
- Вопросы информационной безопасности: ограничения действий агента при доступе к внешним системам
- Практика : разработка собственного MCP-сервера, предоставляющего агенту доступ к источнику журналов событий; подключение агента и настройка самостоятельного сбора данных по запросу
- Результат : вы сможете подключать агента к любым внутренним системам через единый протокол, не разрабатывая индивидуальную интеграцию под каждый источник данных.
- Целесообразность применения мульти-агентных систем: разделение ролей (сбор данных → анализ → формирование решений → верификация)
- LangGraph: графы состояний, узлы, механизмы сохранения памяти между этапами
- CrewAI как альтернативный подход: распределение ролей и делегирование задач
- Критерии выбора между единичным агентом и мульти-агентной оркестрацией
- Практика : построение мульти-агентного комплекса (агент сбора данных → агент диагностики → агент формирования вариантов решения с обоснованием); настройка передачи контекста между агентами
- Результат : вы сможете проектировать мульти-агентные системы под задачи, не решаемые одним агентом, обоснованно выбирая степень сложности архитектуры.
- Evaluation агентов: методы верификации фактического решения поставленной задачи
- Guardrails и базовые риски согласно OWASP Top 10 for LLM: prompt injection, утечка данных через используемые инструменты
- Экономические аспекты эксплуатации агента: расчёт стоимости обращений к LLM, методы оптимизации (кэширование, маршрутизация между моделями)
- Практика :внедрение eval-тестов и механизмов guardrails в комплекс, разработанный в Модуле 3; расчёт стоимости выполнения и оптимизация наиболее затратного этапа
- Результат : вы сможете подтверждать надёжность агента формализованными методами и контролировать бюджет его эксплуатации, а не полагаться на субъективную оценку.
- • Контейнеризация мульти-агентной системы: базовые практики применения Docker
- Обеспечение наблюдаемости: протоколирование этапов работы агента, трассировка цепочки решений, метрики (Langfuse)
- Требования к промышленной эксплуатации: сценарии отката, ограничение доступа, система оповещений
- Итоговый проект: развёртывание полного комплекса (Модули 1–4) в качестве контейнеризированного сервиса; подключение мониторинга; защита проекта на собственном либо учебном наборе данных
- Результат : вы получите работающий, развёрнутый агентный сервис с подключённой наблюдаемостью, готовый к пилотному использованию и дальнейшей адаптации к требованиям промышленной эксплуатации.