Structured output, LLM-арбитр, анализ намерений. Пишем собственный враппер с валидацией и асинхронной записью.

Практика: Свой wrapper + structured output + LLM-judge на простом сценарии.

SDK через LiteLLM-прокси. Три нюанса: CLI игнорирует BASE_URL, drop_params, совместимость версий LiteLLM.

Практика: Поднять LiteLLM gateway + 2−3 SDK-вызова с tool-use.

Что такое AI-агент, tool-calling, паттерн ReAct. Собираем агента через create_react_agent, мост в LangGraph.

Практика: ReAct-агент с инструментами: curl, grep, kubectl (read-only).

Пишем MCP-сервер через FastMCP: stdin/stdout транспорт, декоратор @mcp.tool (), типизация параметров.

Практика: Свой MCP-сервер для Docker/K8s, подключение к LangGraph.

StateGraph, Router, Memory. Human-in-the-loop, Breakpoints, Time Travel. Мульти-агентный incident response.

Практика: Система: classifier, diagnostician, resolver + HITL через Telegram + checkpoint-restart.

Streamable HTTP, JWT, OAuth 2.1. Демо уязвимости STDIO-RCE и защита. LangGraph MultiServerMCPClient.

Практика: Production MCP-сервер с JWT auth и sandbox, интеграция с LangGraph.

DeepEval (Pytest-style), Langfuse eval datasets, Agent-as-Judge. Eval-in-CI через GitHub Actions.

Практика: Свой eval-suite (5−10 тестов) + CI-workflow, который падает на регрессии.

Langfuse v3 self-hosted: tracing, sessions, prompts, datasets, experiments. Grafana + ClickHouse datasource.

Практика: Поднять Langfuse + подключить агента + eval-judge + скриншот дашборда.

Dockerize LangGraph + Helm chartlet. DeepEval в CI + Langfuse в deployment + LiteLLM routing для cost. OWASP LLM Top 10 для агентов.

Практика: Докеризовать агент + DeepEval-in-CI + Langfuse в deployment + FinOps-измерение.

Разбор rubric (11 критериев). Три варианта проекта: Incident Response, K8s Troubleshooter, Infra Code Reviewer.

Практика: GitHub repo + README с Mermaid-архитектурой + eval badge + 10-минутное демо.

Нет, для прохождения курса не требуется опыт в области машинного обучения или Data Science. Программа посвящена практическому применению технологий искусственного интеллекта в инженерных задачах и ориентирована на работу с LLM через API и SDK, а не на обучение или дообучение моделей. Для успешного обучения достаточно базовых знаний Python и опыта работы с Docker.

Материалы курса открываются по установленному расписанию, при этом записи занятий и учебные материалы остаются доступны участникам в течение 24 месяцев после начала обучения. Итоговый проект необходимо сдать до 2 сентября, тогда как для остальных практических заданий жесткие сроки выполнения не предусмотрены, что позволяет выстраивать обучение в удобном темпе.

LangGraph, CrewAI, FastMCP, LiteLLM, Langfuse, DeepEval, Claude Agent SDK, Docker, GitHub Actions.

Да, курс может быть полезен тимлидам, руководителям платформенных команд и CTO, если они готовы участвовать в практической работе наравне с инженерными специалистами. Программа предполагает написание кода на Python, работу с командной строкой и самостоятельное выполнение практических заданий.
Если вашей целью является обзорное знакомство с возможностями искусственного интеллекта без погружения в техническую реализацию и работу с кодом, данный курс, вероятно, не будет оптимальным выбором.