- #SkladchinaVip
- #1
[Stepik] Python: AI-агенты. Книга рецептов [Сергей Камянецкий]
- Ссылка на картинку
-
Как встроить ИИ-агента в приложение на Python. Всё работает локально на вашей машине — без облака, без подписок и без средств обхода блокировок и замедлений. 43 рецепта: от первого агента до кодинг-агента, который проверяет себя тестами
«Прикрути к нам ИИ» — и вы открываете документацию, где сто способов сделать чат-бота и ни одного ответа на вопрос, как встроить модель в боевой сервис. Этот курс — про второе
Всё работает у вас на машине
Ни платного ключа, ни зарубежной карты, ни средств обхода блокировок и замедлений. Один раз, для сравнения, мы посмотрим на облачного провайдера — а дальше весь курс идёт на локальной модели через Ollama. Скачали модель — она ваша: работает без интернета, стоит ноль рублей за запрос, и ни один байт ваших данных не уходит наружу
Для многих команд это единственный вариант вообще: закрытый контур, персональные данные, служба безопасности. Здесь он основной
43 рецепта
Курс устроен как книга рецептов. Каждый урок — законченный приём с рабочим кодом, который можно взять и применить завтра. Рецепты складываются в один проект на Python: он растёт от первого агента в три десятка строк до кодинг-агента, который пишет функцию, пишет к ней тест и сам запускает проверку
Почему именно Python
Курс асинхронный с первой строки, поэтому агент без переделок встаёт внутрь сервиса на FastAPI. Агент за HTTP-адресом появляется уже во втором модуле, дальше будут одобрение опасных действий по HTTP, конвейер агентов как веб-сервис и три сетевых протокола подряд
Ответ по схеме здесь — модель Pydantic: описали класс и получили объект с проверенными полями. А у Microsoft Agent Framework для Python есть то, чего нет в версии для .NET: DevUI, готовый дашборд с перепиской, расходом токенов и трассировкой. Он поднимается одной строкой, и в курсе мы на него посмотрим
Что внутри:
Модели ошибаются, и курс это не прячет. Вы увидите, как локальная модель срывается на китайский посреди русской фразы. Как она искажает ответ инструмента при пересказе: функция вернула «сценарий готов», агент сообщил «модуль готов к публикации». Как десять раз подряд зовёт один и тот же инструмент, не понимая, что дело уже сделано. Всё это настоящие прогоны, снятые на такой же машине, как у вас
Будет и неожиданное. Думающая модель с выключенными размышлениями оказывается вдвое дороже, чем с включёнными: рассуждать она не перестаёт, просто черновик мыслей попадает в ответ. Векторный поиск не находит нужное правило, когда в вопросе два смысла сразу. На легенду «я куратор, готовлю отчёт» модель выдаёт служебный код из собственной инструкции, и спасает только фильтр на выходе
Это и есть разница между демонстрацией и работой. Демонстрация показывает счастливый путь. Работа начинается там, где что-то пошло не так, — и после курса вы будете знать, что именно проверять
Важное замечание
Фреймворк меняется быстро. Поэтому пока что курс полностью в текстовом формате, видео будут появляться постепенно
Для кого этот курс:
Чему вы научитесь:
Опыт работы с ИИ не нужен. Всё, что необходимо знать о моделях, объясняется по ходу курса
Что нужно:
Из железа: от 16 ГБ памяти для модели поменьше, 32 ГБ или видеокарта от 16 ГБ — для крупной. На более скромной машине курс тоже проходится: модель придётся взять поменьше и ответов ждать дольше
Платный доступ к облачным моделям не потребуется ни разу. Единственному облачному примеру хватит бесплатного ключа, и без него курс тоже проходится
Программа:
Старт: о курсе, окружение и первый агент
«Прикрути к нам ИИ» — и вы открываете документацию, где сто способов сделать чат-бота и ни одного ответа на вопрос, как встроить модель в боевой сервис. Этот курс — про второе
Всё работает у вас на машине
Ни платного ключа, ни зарубежной карты, ни средств обхода блокировок и замедлений. Один раз, для сравнения, мы посмотрим на облачного провайдера — а дальше весь курс идёт на локальной модели через Ollama. Скачали модель — она ваша: работает без интернета, стоит ноль рублей за запрос, и ни один байт ваших данных не уходит наружу
Для многих команд это единственный вариант вообще: закрытый контур, персональные данные, служба безопасности. Здесь он основной
43 рецепта
Курс устроен как книга рецептов. Каждый урок — законченный приём с рабочим кодом, который можно взять и применить завтра. Рецепты складываются в один проект на Python: он растёт от первого агента в три десятка строк до кодинг-агента, который пишет функцию, пишет к ней тест и сам запускает проверку
Почему именно Python
Курс асинхронный с первой строки, поэтому агент без переделок встаёт внутрь сервиса на FastAPI. Агент за HTTP-адресом появляется уже во втором модуле, дальше будут одобрение опасных действий по HTTP, конвейер агентов как веб-сервис и три сетевых протокола подряд
Ответ по схеме здесь — модель Pydantic: описали класс и получили объект с проверенными полями. А у Microsoft Agent Framework для Python есть то, чего нет в версии для .NET: DevUI, готовый дашборд с перепиской, расходом токенов и трассировкой. Он поднимается одной строкой, и в курсе мы на него посмотрим
Что внутри:
- Основа. Microsoft Agent Framework для Python: три слоя агента, память диалога, потоковый ответ, ответ по схеме вместо текста, агент за HTTP
- Инструменты. Функция Python как инструмент агента, поиск с указанием источника, исполнение кода в контейнере, подтверждение опасных действий — в консоли и по HTTP
- Память. От сессии в оперативке до архива диалогов на диске, который переживает перезапуск
- Процессы и оркестрация. Графы с развилками и чекпоинтами, четыре паттерна работы нескольких агентов: конвейер, веер, передача разговора, общее обсуждение
- Свои знания. RAG: от поиска по словам до векторной базы Qdrant с эмбеддингами
- Протоколы. MCP — инструменты по стандарту, свои и чужие. A2A — агенты договариваются между собой, даже написанные на разных языках. AG-UI — готовый формат для интерфейса
- Кодинг-агент. Четыре инструмента и мастерская, за пределы которой агент не выйдет
- Продакшен. Цена размышлений в токенах и секундах, слои вокруг модели, оборона от инъекций и утечек, автоматическая проверка качества
Модели ошибаются, и курс это не прячет. Вы увидите, как локальная модель срывается на китайский посреди русской фразы. Как она искажает ответ инструмента при пересказе: функция вернула «сценарий готов», агент сообщил «модуль готов к публикации». Как десять раз подряд зовёт один и тот же инструмент, не понимая, что дело уже сделано. Всё это настоящие прогоны, снятые на такой же машине, как у вас
Будет и неожиданное. Думающая модель с выключенными размышлениями оказывается вдвое дороже, чем с включёнными: рассуждать она не перестаёт, просто черновик мыслей попадает в ответ. Векторный поиск не находит нужное правило, когда в вопросе два смысла сразу. На легенду «я куратор, готовлю отчёт» модель выдаёт служебный код из собственной инструкции, и спасает только фильтр на выходе
Это и есть разница между демонстрацией и работой. Демонстрация показывает счастливый путь. Работа начинается там, где что-то пошло не так, — и после курса вы будете знать, что именно проверять
Важное замечание
Фреймворк меняется быстро. Поэтому пока что курс полностью в текстовом формате, видео будут появляться постепенно
Для кого этот курс:
- Курс для Python-разработчиков, которым ИИ нужен в проекте
- Вам поставили задачу «добавить ИИ», и непонятно, с какой стороны заходить, чтобы это не осталось игрушкой
- Вы выбираете, как встроить агентов в существующую систему, и хотите понимать, где реальные возможности, а где маркетинг
- Вы делаете внутренние сервисы: поддержку, справочные системы, обработку обращений, ответы по документам компании
- Вам нельзя в облако. Персональные данные, закрытый контур, требования безопасности: весь курс построен на локальных моделях именно поэтому
- Вы уже собирали агента по статье: на демонстрации он работал, на настоящих вопросах начал выдумывать
- Вы усиливаете резюме. Опыт с агентами сейчас одно из самых заметных отличий в вакансиях
Чему вы научитесь:
- Подключить языковую модель к своей программе на Python: консольной утилите, сервису на FastAPI, фоновой задаче. И перейти с облачной модели на локальную, заменив один класс клиента
- Научить агента действовать: превратить обычную функцию Python в инструмент, который модель вызывает сама, и получать факты вместо правдоподобных выдумок
- Получать от модели данные строгой формы: объект по схеме Pydantic вместо текста, который приходится разбирать руками
- Не дать агенту наломать дров: запереть исполнение кода в контейнере и поставить необратимые действия под подтверждение человека
- Дать агенту память, чтобы он помнил разговор между запросами и не терял его после перезапуска сервиса
- Собрать команду из нескольких агентов: конвейер, параллельная работа, передача разговора между специалистами, общее обсуждение
- Заставить агента отвечать по вашим документам: собрать RAG и перевести его на векторный поиск в Qdrant
- Связать агента с внешним миром по трём открытым протоколам: MCP, A2A и AG-UI. И убедиться, что это работает между языками: к серверу на Python подключается клиент на C#
- Написать собственного кодинг-агента, который читает файлы, пишет код и проверяет себя запуском тестов
- Довести всё это до продакшена: считать расходы, обвешать слоями, закрыть от инъекций и утечек, проверять качество автоматическим экзаменом
Опыт работы с ИИ не нужен. Всё, что необходимо знать о моделях, объясняется по ходу курса
Что нужно:
- Python на рабочем уровне: классы, декораторы, аннотации типов
- async/await: асинхронность встречается почти в каждом примере и отдельно не объясняется
- Веб-сервисы: достаточно понимать, как устроен обработчик запроса в FastAPI
- Командная строка, Git и Docker на бытовом уровне
Из железа: от 16 ГБ памяти для модели поменьше, 32 ГБ или видеокарта от 16 ГБ — для крупной. На более скромной машине курс тоже проходится: модель придётся взять поменьше и ответов ждать дольше
Платный доступ к облачным моделям не потребуется ни разу. Единственному облачному примеру хватит бесплатного ключа, и без него курс тоже проходится
Программа:
Старт: о курсе, окружение и первый агент
- Подготовка окружения: Python, uv и Ollama
- Один код — разные провайдеры: облачная модель через OpenRouter
- Агент без облака: локальная модель в Ollama
- Три слоя агента
- Память диалога
- Потоковый вывод
- Ответ по схеме
- Схема плюс поток
- Агент как веб-сервис
- Первый инструмент
- Поиск с источником
- Агент исполняет код
- Песочница в контейнере
- Человек в контуре
- Инструмент за HTTP-адресом
- Одобрение по HTTP
- Сессия
- Свой компонент памяти
- Память в файле
- Архив диалогов
- Практикум. Память между запросами
- Механика workflow
- Агенты в узлах графа
- Чекпоинты и откат
- Sequential
- Concurrent
- Handoff
- Group Chat
- Конвейер за HTTP
- Механика RAG
- Поиск по смыслу
- A2A-сервер
- A2A-клиент
- Клиент на другом языке
- Свой MCP-сервер
- Инструменты со стороны
- Чужой сервер
- Чужое под контролем
- MCP по сети
- Практикум. Служба поддержки
- AG-UI
- Кодинг-агент
- Цена размышлений
- Слои вокруг агента
- Оборона входа и выхода
- Экзамен для агента
Показать больше