Разберём принципы работы LLM, познакомимся с диалоговыми моделями, освоим использование API (OpenAI, GigaChat) и рассмотрим концепцию ИИ-агентов.

Познакомимся с экосистемой LangChain и библиотекой LangGraph, разберём создание агентных графов и реализуем агента для перевода текста с механизмом human-in-the-loop.

В этом модуле мы рассмотрим виды состояния графа в LangGraph, изучим функции-свертки, познакомимся с типами памяти ИИ-агентов, освоим чекпоинтинг и реализуем простой метод долгосрочной памяти.

Разберём, что такое инструменты для LLM, научимся подключать и создавать их, использовать в агентном цикле, познакомимся с библиотекой Pydantic в контексте LangChain и LangGraph, рассмотрим ReAct-агента и реализуем структурную генерацию в GigaChat.

Разберём тему поиска для ИИ-агентов, изучим этапы постобработки результатов, реализуем алгоритм реранжирования документов и создадим LangGraph-агента с поисковой функцией.

Разберём структуру современных протоколов взаимодействия между агентами. Изучим, как назначать агентам функциональные роли и как координировать их действия, чтобы избежать хаоса и достичь слаженной работы. Мы реализуем микросервисную архитектуру для работы MCP-клиента и MCP-сервера, посмотрим под капот фреймворка и научимся настраивать мультиагентную систему на основе MCP.

Разберем токенизацию LLM и подсчёт токенов, принципы составления промптов, метрики качества LLM-агентов, а также деплой через FastAPI и работу графа в стриминговом режиме. Мы также напишем простого бота для коммуникации с пользователем. Рассмотрим, как задавать асинхронную архитектуру в LangGraph. Поговорим о том, как реализовать механизм human-in-the-loop через Telegram-бота.

Познакомимся с подходом CoT и LLM-критиком, реализуем агента с динамическим роутингом, интегрируем агентный цикл в LangGraph и рассмотрим пример построения полноценного LangGraph-агента.