Aleks
Админ
- Регистрация
- Июл 2, 2020
- Сообщения
- 131,740
Складчина: Полный курс по созданию ИИ-агентов и работе с MCP [Udemy] [Эд Доннер, Лидженси]
AI Engineer Agentic Track: The Complete Agent & MCP Course [Ed Donner, Ligency]
Язык курса английский + субтитры на английском
Большой практический курс по созданию AI-агентов и agentic AI-систем. Он посвящен не просто работе с нейросетями, а именно построению автономных решений, которые умеют выполнять задачи, использовать инструменты, взаимодействовать между собой и решать прикладные сценарии.
В центре курса - современные подходы к разработке AI-агентов с использованием
OpenAI Agents SDK, CrewAI, LangGraph, AutoGen и MCP. Программа выстроена от базовых принципов agentic AI и LLM workflows к более сложным multi-agent системам, где несколько агентов работают как единая архитектура.
Что будет в курсе:
сочетание теории и практики с акцентом на прикладную часть
разбор ключевых фреймворков для создания AI-агентов
принципы проектирования agentic AI-систем
организация взаимодействия между агентами
подключение инструментов и работа с Model Context Protocol (MCP)
8 практических проектов, среди которых Career Digital Twin, SDR Agent, Deep Research, Stock Picker Agent, инженерная команда из нескольких агентов, браузерный оператор, Agent Creator и финальный проект с несколькими агентами, MCP-серверами и большим набором инструментов
пошаговый формат обучения - от знакомства с основами agentic AI до создания более сложных систем и финальных проектов
Для чего нужен курс:
чтобы разобраться, как создаются современные AI-агенты
чтобы перейти от общего интереса к практическим навыкам
чтобы освоить конкретные инструменты, архитектуры и сценарии применения
для разработки собственных AI-проектов
для автоматизации рабочих процессов
для создания исследовательских и бизнес-ассистентов
для более глубокого понимания того, как строятся автономные AI-системы в реальных задачах
Для кого подойдет:
для разработчиков
для AI-энтузиастов
для специалистов, которые уже работают с Python и LLM
для тех, кто хочет глубже разобраться в теме AI-агентов и multi-agent систем
для новичков, готовых последовательно и внимательно входить в тему
Особенности курса:
130 лекций
более 17 часов видео
программа примерно на 6 недель
большой и насыщенный материал
упор на практику и реальные проекты
подходит тем, кто ищет не краткий обзор, а полноценное погружение в тему
Программа
Программа 1 недели: 27 уроков - 4 ч 6 мин
День 1 - Демонстрация автономного AI-агента: использование n8n для управления устройствами умного дома
День 1 - Обзор фреймворков AI-агентов: OpenAI SDK, CrewAI, LangGraph и AutoGen
День 1 - Настройка среды для agent engineering: знакомство с Cursor IDE, UV и вариантами работы с API
День 1 - Настройка Windows для AI-разработки: Git, Cursor IDE и менеджер пакетов UV
День 1 - Настройка Mac для AI-проектов: GitHub, Cursor IDE и OpenAI API Key
День 1 - Создание первого agentic AI workflow с OpenAI API: пошаговый разбор
День 1 - Введение в agentic AI: создание многошаговых LLM workflows и автономности
День 2 - Создание эффективных агентов: автономность LLM и интеграция инструментов
День 2 - 5 ключевых паттернов проектирования LLM workflows для создания устойчивых AI-систем
День 2 - Понимание разницы между агентом и workflow в проектировании LLM-приложений
День 3 - Оркестрация нескольких LLM: сравнение GPT-4o, Claude, Gemini и DeepSeek
День 3 - Интеграция нескольких LLM по API: сравнение OpenAI, Anthropic и других моделей
День 3 - Сравнение LLM API: использование клиентской библиотеки OpenAI с Claude, Gemini и другими моделями
День 3 - Оркестрация нескольких моделей: создание системы для оценки ответов LLM
День 3 - Связь agentic-паттернов с использованием инструментов: базовые строительные блоки AI
День 4 - Сравнение фреймворков AI-агентов: простота и мощность в оркестрации LLM
День 4 - Ресурсы и инструменты: два способа расширения возможностей LLM в agentic AI
День 4 - Создание веб-чатбота, который действует как вы, с помощью Gradio и OpenAI
День 4 - Использование Gemini для оценки ответов GPT-4: multi-LLM pipeline
День 4 - Построение agentic LLM workflows: ресурсы, инструменты и структурированные выходные данные
День 5 - Создание вашего карьерного альтер эго: вызов LLM-функций с push-уведомлениями
День 5 - Разбор tool calls в LLM: как обрабатывать и выполнять запросы на вызов функций
День 5 - Создание AI-ассистентов: внедрение инструментов для обработки неизвестных вопросов
День 5 - Создание и развертывание AI-агента: от chat loop до HuggingFace Spaces
День 5 - Развертывание чатботов для карьерных консультаций в Gradio
День 5 - Итоги базовой недели: создание полноценных AI-агентов с API и инструментами
День 5 [дополнительно] - Создание первого agent loop с OpenAI Tools с нуля
Программа 2 недели: 21 урок - 2 ч 26 мин
День 1 - Понимание асинхронного Python: основа для OpenAI Agents SDK
День 1 - Основы OpenAI Agents SDK: создание, трассировка и запуск агентов
День 1 - Введение в классы Agent, Runner и Trace в OpenAI Agents SDK
День 1 - Vibe Coding: 5 ключевых советов для эффективной генерации кода с помощью LLM
День 1 - OpenAI Agents SDK: понимание базовых концепций AI-разработки
День 2 - Создание AI-агентов для продаж с SendGrid: инструменты и совместная работа в Agent SDK
День 2 - Параллельные вызовы LLM: использование asyncio для одновременного выполнения агентов
День 2 - Превращение агентов в инструменты: построение иерархических AI-систем
День 2 - Управление потоком агента: когда использовать handoffs, а когда - агентов как инструменты
День 2 - От вызова функций к автономии агента: автоматизация продаж с OpenAI SDK
День 2 - Agentic AI для бизнеса: создание интерактивных инструментов для outreach и продаж
День 3 - Интеграция нескольких моделей: использование Gemini, DeepSeek и Groq с OpenAI Agents
День 3 - Внедрение guardrails и структурированных выходных данных для надежных AI-агентных систем
День 3 - Практика AI-безопасности: внедрение guardrails для LLM-агентных приложений
День 4 - Создание агентов для глубоких исследований: использование инструмента OpenAI Web Search
День 4 - Создание planner-agent: использование структурированных выходных данных с Pydantic в AI
День 4 - Построение полного research pipeline с GPT-4 Agents и асинхронными задачами
День 4 - Создание deep research-агента: параллельный поиск с AsyncIO
День 5 - Создание модульной AI-системы для исследований с реализацией интерфейса на Gradio
День 5 - Приложение Deep Research: визуализация и мониторинг автономных AI-агентов через Gradio
День 5 - Развертывание умных исследовательских агентов с помощью Gradio и HuggingFace Space
Программа 3-й недели: 19 уроков - 2 ч 32 мин
День 1 - Framework CrewAI: создание совместных команд AI-агентов
День 1 - Обзор фреймворка CrewAI: агенты, задачи и режимы обработки
День 1 - CrewAI и LightLLM: гибкий фреймворк для интеграции нескольких LLM
День 1 - Практика по CrewAI: настройка проекта AI-дебатов с GPT-4o mini
День 1 - Как создать систему AI-дебатов с помощью CrewAI и нескольких LLM
День 1 - Построение AI-системы дебатов с CrewAI: сравнение разных LLM
День 2 - Создание проектов на CrewAI: инструменты, контекст и интеграция Google Search
День 2 - Построение мультиагентных систем финансовых исследований с CrewAI
День 2 - Усиление AI-агентов с помощью веб-поиска: решение проблемы knowledge cutoff
День 3 - Создание Stock Picker на CrewAI: мультиагентная система для инвестиций
День 3 - Реализация Pydantic-выводов в CrewAI: практикум по агенту для отбора акций
День 3 - Разработка собственных инструментов для CrewAI: JSON Schema и push-уведомления
День 4 - Память в CrewAI: векторное хранилище и SQL-реализация для AI-агентов
День 4 - CrewAI для задач программирования: агенты, которые генерируют и запускают Python-код
День 4 - Создание AI-агента, пишущего на Python: практическая реализация на CrewAI
День 5 - Создание AI-команд: настройка CrewAI для совместной разработки
День 5 - Совместная разработка AI-агентов для торгового фреймворка
День 5 - Создание торгового приложения с использованием GPT-4o и Claude
День 5 - От отдельных модулей к полноценным системам: продвинутые техники CrewAI
Программа 4-й недели: 23 урока - 2 ч 59 мин
День 1 - Обзор LangGraph: графовая архитектура для надежных AI-агентов
День 1 - Обзор LangGraph: сравнение framework, studio и platform-компонентов
День 1 - Теория LangGraph: ключевые компоненты для построения продвинутых агентных систем
День 2 - Глубокое погружение в LangGraph: управление состоянием в графовых агентных workflow
День 2 - Освоение LangGraph: как задавать state-объекты и использовать reducers
День 2 - Основы LangGraph: создание nodes, edges и workflows шаг за шагом
День 2 - Практика по LangGraph: создание OpenAI-чатбота на графовых структурах
День 3 - Продвинутый разбор LangGraph: super steps и checkpointing
День 3 - Настройка LangSmith и создание собственных инструментов для приложений на LangGraph
День 3 - Tool calling в LangGraph: работа с conditional edges и tool nodes
День 3 - Checkpointing в LangGraph: как сохранять память между диалогами
День 3 - Создание постоянной AI-памяти с SQLite: управление состоянием в LangGraph
День 4 - Интеграция Playwright с LangGraph: создание AI-агентов для веб-серфинга
День 4 - Создание AI-веб-ассистентов: реализация с Playwright, LangChain и Gradio
День 4 - LLM-агенты-оценщики: создание feedback loops со структурированными выходными данными
День 4 - Создание feedback loops для LLM: реализация worker-evaluator в LangGraph
День 4 - Создание AI-sidekick с использованием LangGraph, Gradio и браузерной автоматизации
День 5 - Agentic AI: добавление Web Search, файловой системы и Python REPL в вашего ассистента
День 5 - Интеграция инструментов LangChain: создание мощного AI-sidekick с нуля
День 5 - Создание AI-workflows: graph builders и техники взаимодействия узлов
День 5 - Создание изолированных пользовательских сессий в приложениях Gradio с помощью управления состоянием
День 5 - Внутри AI feedback loops: как AI оценивает и исправляет ошибки
День 5 - Улучшения AI-ассистента: память, уточняющие вопросы и кастомные инструменты
Программа 5-й недели: 17 уроков - 2 ч 10 мин
День 1 - Microsoft AutoGen 0.5.1: обзор фреймворка AI-агентов для начинающих
День 1 - AutoGen и другие agent frameworks: сравнение возможностей и компонентов
День 1 - Практика по Agent Chat в AutoGen: создание инструментов и интеграция базы данных
День 1 - Основные AI-компоненты: модели, сообщения и агенты
День 2 - Продвинутый Agent Chat в AutoGen: мультимодальные возможности и структурированные выходные данные
День 2 - Реализация primary и evaluator-агентов в AutoGen с LangChain
День 2 - Практика по headless web scraping: интеграция MCP Server Fetch в AutoGen
День 3 - AutoGen Core: основа распределенных коммуникаций между агентами
День 3 - Коммуникация агентов в AutoGen Core: message handlers и dispatching
День 3 - Регистрация агентов и обработка сообщений в AutoGenCore: практические примеры
День 3 - Автономные агенты в AutoGenCore: Rock Paper Scissors с GPT-4o и Llama
День 4 - Distributed runtime в AutoGen Core: архитектура и обзор компонентов
День 4 - Реализация распределенных AI-агентов с AutoGen Core и gRPC runtime
День 4 - Создание распределенных агентных систем: межпроцессное взаимодействие в AutoGen
День 5 - Создание автономных агентов, которые пишут и развертывают других агентов в AutoGen
День 5 - Реализация обмена сообщениями между агентами с AutoGen Core и templates
День 5 - Создание автономных AI-агентов, которые сотрудничают с использованием Async Python
Программа 6-й недели: 23 урока - 2 ч 50 мин
День 1 - Введение в MCP: USB-C в мире Agentic AI
День 1 - Понимание MCP hosts, clients и servers
День 1 - Использование MCP servers с OpenAI Agents SDK
День 1 - Изучение node-based MCP servers и доступа к инструментам
День 1 - Создание агента, который использует несколько MCP servers
День 1 - MCP marketplaces и вопросы безопасности
День 2 - Введение в Week 6 Day 2: создание собственного MCP server
День 2 - Подключение бизнес-логики к вашему MCP server
День 2 - Создание клиентского кода для работы с вашим MCP server
День 2 - Итоги: возможности вашего кастомного MCP server
День 3 - Изучение типов MCP servers и памяти агента
День 3 - Brave Search API: вызов веб-поиска через MCP server
День 3 - Интеграция Polygon API для данных фондового рынка
День 3 - Продвинутые рыночные инструменты с использованием платного тарифа Polygon
День 4 - Что дальше: запуск нашего Agent Trading Floor
День 4 - Просмотр пользовательского интерфейса для торговой активности
День 4 - Как торговые агенты работают и принимают решения
День 4 - Управление портфелем с помощью четырех автономных агентов
День 5 - Какой agent framework выбрать?
День 5 - Ключевые настройки и запуск торговой системы
День 5 - Рекомендации по выбору agentic frameworks
День 5 - 10 ключевых уроков по созданию agent solutions
День 5 - Итоги курса и финальное прощание - продолжайте создавать
Спойлер: Оригинальное описание
AI Engineer Agentic Track: The Complete Agent & MCP Course is an intensive 6-week hands-on program designed to help you master Agentic AI and build real autonomous AI agents from the ground up. At a time when AI agents are becoming one of the most important technological shifts, this course focuses on giving you practical skills to design, develop, and deploy agent-based systems that can solve real-world problems and open new career and commercial opportunities.
The course starts by building a strong foundation in connecting LLMs using proven design patterns, and then progressively introduces the major frameworks used in modern agent development, including OpenAI Agents SDK, CrewAI, LangGraph, and AutoGen. It culminates in a dedicated focus on MCP (Model Context Protocol), highlighting its growing role in the agent ecosystem. Throughout the program, the emphasis is on learning by doing, with a strong practical approach rather than abstract theory.
You will build 8 real-world projects that demonstrate the power of Agentic AI in different contexts. These include a Career Digital Twin to represent you to employers, an SDR Agent for business outreach, a Deep Research system, a Stock Picker Agent for investment insights, a 4-agent engineering team for building and testing software, an Operator-style browser sidekick, an Agent Creator that generates new agents, and a final Trading Floor capstone powered by multiple MCP servers and tools. Each project is designed to show how agent-based systems can be applied to real business and automation scenarios.
By the end of the course, you will have a solid understanding of how to build and orchestrate autonomous AI agents, work confidently with the major agent frameworks, and recognize both the strengths and limitations of Agentic AI. You will be able to apply these skills to practical use cases, from automation and research to business applications, and confidently develop your own agent-based solutions.
The course is designed for a wide audience. While it is ideal to have some experience with Python and LLMs, it is not strictly required. Beginners can follow along using the included self-study materials that cover foundational programming concepts, with patience being the only real requirement. The course can be completed without spending on APIs, although optional use of advanced models may involve a small cost, typically under $5.
Overall, this course offers a comprehensive and practical path into one of the most important areas of modern AI, combining structured learning, real projects, and hands-on experience with the tools and frameworks that define today’s Agentic AI landscape.
Цена 1540 руб.(19,99 долларов)
СКАЧАТЬ КУРС
AI Engineer Agentic Track: The Complete Agent & MCP Course [Ed Donner, Ligency]
Язык курса английский + субтитры на английском
Большой практический курс по созданию AI-агентов и agentic AI-систем. Он посвящен не просто работе с нейросетями, а именно построению автономных решений, которые умеют выполнять задачи, использовать инструменты, взаимодействовать между собой и решать прикладные сценарии.
В центре курса - современные подходы к разработке AI-агентов с использованием
OpenAI Agents SDK, CrewAI, LangGraph, AutoGen и MCP. Программа выстроена от базовых принципов agentic AI и LLM workflows к более сложным multi-agent системам, где несколько агентов работают как единая архитектура.
Что будет в курсе:
сочетание теории и практики с акцентом на прикладную часть
разбор ключевых фреймворков для создания AI-агентов
принципы проектирования agentic AI-систем
организация взаимодействия между агентами
подключение инструментов и работа с Model Context Protocol (MCP)
8 практических проектов, среди которых Career Digital Twin, SDR Agent, Deep Research, Stock Picker Agent, инженерная команда из нескольких агентов, браузерный оператор, Agent Creator и финальный проект с несколькими агентами, MCP-серверами и большим набором инструментов
пошаговый формат обучения - от знакомства с основами agentic AI до создания более сложных систем и финальных проектов
Для чего нужен курс:
чтобы разобраться, как создаются современные AI-агенты
чтобы перейти от общего интереса к практическим навыкам
чтобы освоить конкретные инструменты, архитектуры и сценарии применения
для разработки собственных AI-проектов
для автоматизации рабочих процессов
для создания исследовательских и бизнес-ассистентов
для более глубокого понимания того, как строятся автономные AI-системы в реальных задачах
Для кого подойдет:
для разработчиков
для AI-энтузиастов
для специалистов, которые уже работают с Python и LLM
для тех, кто хочет глубже разобраться в теме AI-агентов и multi-agent систем
для новичков, готовых последовательно и внимательно входить в тему
Особенности курса:
130 лекций
более 17 часов видео
программа примерно на 6 недель
большой и насыщенный материал
упор на практику и реальные проекты
подходит тем, кто ищет не краткий обзор, а полноценное погружение в тему
Программа
Программа 1 недели: 27 уроков - 4 ч 6 мин
День 1 - Демонстрация автономного AI-агента: использование n8n для управления устройствами умного дома
День 1 - Обзор фреймворков AI-агентов: OpenAI SDK, CrewAI, LangGraph и AutoGen
День 1 - Настройка среды для agent engineering: знакомство с Cursor IDE, UV и вариантами работы с API
День 1 - Настройка Windows для AI-разработки: Git, Cursor IDE и менеджер пакетов UV
День 1 - Настройка Mac для AI-проектов: GitHub, Cursor IDE и OpenAI API Key
День 1 - Создание первого agentic AI workflow с OpenAI API: пошаговый разбор
День 1 - Введение в agentic AI: создание многошаговых LLM workflows и автономности
День 2 - Создание эффективных агентов: автономность LLM и интеграция инструментов
День 2 - 5 ключевых паттернов проектирования LLM workflows для создания устойчивых AI-систем
День 2 - Понимание разницы между агентом и workflow в проектировании LLM-приложений
День 3 - Оркестрация нескольких LLM: сравнение GPT-4o, Claude, Gemini и DeepSeek
День 3 - Интеграция нескольких LLM по API: сравнение OpenAI, Anthropic и других моделей
День 3 - Сравнение LLM API: использование клиентской библиотеки OpenAI с Claude, Gemini и другими моделями
День 3 - Оркестрация нескольких моделей: создание системы для оценки ответов LLM
День 3 - Связь agentic-паттернов с использованием инструментов: базовые строительные блоки AI
День 4 - Сравнение фреймворков AI-агентов: простота и мощность в оркестрации LLM
День 4 - Ресурсы и инструменты: два способа расширения возможностей LLM в agentic AI
День 4 - Создание веб-чатбота, который действует как вы, с помощью Gradio и OpenAI
День 4 - Использование Gemini для оценки ответов GPT-4: multi-LLM pipeline
День 4 - Построение agentic LLM workflows: ресурсы, инструменты и структурированные выходные данные
День 5 - Создание вашего карьерного альтер эго: вызов LLM-функций с push-уведомлениями
День 5 - Разбор tool calls в LLM: как обрабатывать и выполнять запросы на вызов функций
День 5 - Создание AI-ассистентов: внедрение инструментов для обработки неизвестных вопросов
День 5 - Создание и развертывание AI-агента: от chat loop до HuggingFace Spaces
День 5 - Развертывание чатботов для карьерных консультаций в Gradio
День 5 - Итоги базовой недели: создание полноценных AI-агентов с API и инструментами
День 5 [дополнительно] - Создание первого agent loop с OpenAI Tools с нуля
Программа 2 недели: 21 урок - 2 ч 26 мин
День 1 - Понимание асинхронного Python: основа для OpenAI Agents SDK
День 1 - Основы OpenAI Agents SDK: создание, трассировка и запуск агентов
День 1 - Введение в классы Agent, Runner и Trace в OpenAI Agents SDK
День 1 - Vibe Coding: 5 ключевых советов для эффективной генерации кода с помощью LLM
День 1 - OpenAI Agents SDK: понимание базовых концепций AI-разработки
День 2 - Создание AI-агентов для продаж с SendGrid: инструменты и совместная работа в Agent SDK
День 2 - Параллельные вызовы LLM: использование asyncio для одновременного выполнения агентов
День 2 - Превращение агентов в инструменты: построение иерархических AI-систем
День 2 - Управление потоком агента: когда использовать handoffs, а когда - агентов как инструменты
День 2 - От вызова функций к автономии агента: автоматизация продаж с OpenAI SDK
День 2 - Agentic AI для бизнеса: создание интерактивных инструментов для outreach и продаж
День 3 - Интеграция нескольких моделей: использование Gemini, DeepSeek и Groq с OpenAI Agents
День 3 - Внедрение guardrails и структурированных выходных данных для надежных AI-агентных систем
День 3 - Практика AI-безопасности: внедрение guardrails для LLM-агентных приложений
День 4 - Создание агентов для глубоких исследований: использование инструмента OpenAI Web Search
День 4 - Создание planner-agent: использование структурированных выходных данных с Pydantic в AI
День 4 - Построение полного research pipeline с GPT-4 Agents и асинхронными задачами
День 4 - Создание deep research-агента: параллельный поиск с AsyncIO
День 5 - Создание модульной AI-системы для исследований с реализацией интерфейса на Gradio
День 5 - Приложение Deep Research: визуализация и мониторинг автономных AI-агентов через Gradio
День 5 - Развертывание умных исследовательских агентов с помощью Gradio и HuggingFace Space
Программа 3-й недели: 19 уроков - 2 ч 32 мин
День 1 - Framework CrewAI: создание совместных команд AI-агентов
День 1 - Обзор фреймворка CrewAI: агенты, задачи и режимы обработки
День 1 - CrewAI и LightLLM: гибкий фреймворк для интеграции нескольких LLM
День 1 - Практика по CrewAI: настройка проекта AI-дебатов с GPT-4o mini
День 1 - Как создать систему AI-дебатов с помощью CrewAI и нескольких LLM
День 1 - Построение AI-системы дебатов с CrewAI: сравнение разных LLM
День 2 - Создание проектов на CrewAI: инструменты, контекст и интеграция Google Search
День 2 - Построение мультиагентных систем финансовых исследований с CrewAI
День 2 - Усиление AI-агентов с помощью веб-поиска: решение проблемы knowledge cutoff
День 3 - Создание Stock Picker на CrewAI: мультиагентная система для инвестиций
День 3 - Реализация Pydantic-выводов в CrewAI: практикум по агенту для отбора акций
День 3 - Разработка собственных инструментов для CrewAI: JSON Schema и push-уведомления
День 4 - Память в CrewAI: векторное хранилище и SQL-реализация для AI-агентов
День 4 - CrewAI для задач программирования: агенты, которые генерируют и запускают Python-код
День 4 - Создание AI-агента, пишущего на Python: практическая реализация на CrewAI
День 5 - Создание AI-команд: настройка CrewAI для совместной разработки
День 5 - Совместная разработка AI-агентов для торгового фреймворка
День 5 - Создание торгового приложения с использованием GPT-4o и Claude
День 5 - От отдельных модулей к полноценным системам: продвинутые техники CrewAI
Программа 4-й недели: 23 урока - 2 ч 59 мин
День 1 - Обзор LangGraph: графовая архитектура для надежных AI-агентов
День 1 - Обзор LangGraph: сравнение framework, studio и platform-компонентов
День 1 - Теория LangGraph: ключевые компоненты для построения продвинутых агентных систем
День 2 - Глубокое погружение в LangGraph: управление состоянием в графовых агентных workflow
День 2 - Освоение LangGraph: как задавать state-объекты и использовать reducers
День 2 - Основы LangGraph: создание nodes, edges и workflows шаг за шагом
День 2 - Практика по LangGraph: создание OpenAI-чатбота на графовых структурах
День 3 - Продвинутый разбор LangGraph: super steps и checkpointing
День 3 - Настройка LangSmith и создание собственных инструментов для приложений на LangGraph
День 3 - Tool calling в LangGraph: работа с conditional edges и tool nodes
День 3 - Checkpointing в LangGraph: как сохранять память между диалогами
День 3 - Создание постоянной AI-памяти с SQLite: управление состоянием в LangGraph
День 4 - Интеграция Playwright с LangGraph: создание AI-агентов для веб-серфинга
День 4 - Создание AI-веб-ассистентов: реализация с Playwright, LangChain и Gradio
День 4 - LLM-агенты-оценщики: создание feedback loops со структурированными выходными данными
День 4 - Создание feedback loops для LLM: реализация worker-evaluator в LangGraph
День 4 - Создание AI-sidekick с использованием LangGraph, Gradio и браузерной автоматизации
День 5 - Agentic AI: добавление Web Search, файловой системы и Python REPL в вашего ассистента
День 5 - Интеграция инструментов LangChain: создание мощного AI-sidekick с нуля
День 5 - Создание AI-workflows: graph builders и техники взаимодействия узлов
День 5 - Создание изолированных пользовательских сессий в приложениях Gradio с помощью управления состоянием
День 5 - Внутри AI feedback loops: как AI оценивает и исправляет ошибки
День 5 - Улучшения AI-ассистента: память, уточняющие вопросы и кастомные инструменты
Программа 5-й недели: 17 уроков - 2 ч 10 мин
День 1 - Microsoft AutoGen 0.5.1: обзор фреймворка AI-агентов для начинающих
День 1 - AutoGen и другие agent frameworks: сравнение возможностей и компонентов
День 1 - Практика по Agent Chat в AutoGen: создание инструментов и интеграция базы данных
День 1 - Основные AI-компоненты: модели, сообщения и агенты
День 2 - Продвинутый Agent Chat в AutoGen: мультимодальные возможности и структурированные выходные данные
День 2 - Реализация primary и evaluator-агентов в AutoGen с LangChain
День 2 - Практика по headless web scraping: интеграция MCP Server Fetch в AutoGen
День 3 - AutoGen Core: основа распределенных коммуникаций между агентами
День 3 - Коммуникация агентов в AutoGen Core: message handlers и dispatching
День 3 - Регистрация агентов и обработка сообщений в AutoGenCore: практические примеры
День 3 - Автономные агенты в AutoGenCore: Rock Paper Scissors с GPT-4o и Llama
День 4 - Distributed runtime в AutoGen Core: архитектура и обзор компонентов
День 4 - Реализация распределенных AI-агентов с AutoGen Core и gRPC runtime
День 4 - Создание распределенных агентных систем: межпроцессное взаимодействие в AutoGen
День 5 - Создание автономных агентов, которые пишут и развертывают других агентов в AutoGen
День 5 - Реализация обмена сообщениями между агентами с AutoGen Core и templates
День 5 - Создание автономных AI-агентов, которые сотрудничают с использованием Async Python
Программа 6-й недели: 23 урока - 2 ч 50 мин
День 1 - Введение в MCP: USB-C в мире Agentic AI
День 1 - Понимание MCP hosts, clients и servers
День 1 - Использование MCP servers с OpenAI Agents SDK
День 1 - Изучение node-based MCP servers и доступа к инструментам
День 1 - Создание агента, который использует несколько MCP servers
День 1 - MCP marketplaces и вопросы безопасности
День 2 - Введение в Week 6 Day 2: создание собственного MCP server
День 2 - Подключение бизнес-логики к вашему MCP server
День 2 - Создание клиентского кода для работы с вашим MCP server
День 2 - Итоги: возможности вашего кастомного MCP server
День 3 - Изучение типов MCP servers и памяти агента
День 3 - Brave Search API: вызов веб-поиска через MCP server
День 3 - Интеграция Polygon API для данных фондового рынка
День 3 - Продвинутые рыночные инструменты с использованием платного тарифа Polygon
День 4 - Что дальше: запуск нашего Agent Trading Floor
День 4 - Просмотр пользовательского интерфейса для торговой активности
День 4 - Как торговые агенты работают и принимают решения
День 4 - Управление портфелем с помощью четырех автономных агентов
День 5 - Какой agent framework выбрать?
День 5 - Ключевые настройки и запуск торговой системы
День 5 - Рекомендации по выбору agentic frameworks
День 5 - 10 ключевых уроков по созданию agent solutions
День 5 - Итоги курса и финальное прощание - продолжайте создавать
Спойлер: Оригинальное описание
AI Engineer Agentic Track: The Complete Agent & MCP Course is an intensive 6-week hands-on program designed to help you master Agentic AI and build real autonomous AI agents from the ground up. At a time when AI agents are becoming one of the most important technological shifts, this course focuses on giving you practical skills to design, develop, and deploy agent-based systems that can solve real-world problems and open new career and commercial opportunities.
The course starts by building a strong foundation in connecting LLMs using proven design patterns, and then progressively introduces the major frameworks used in modern agent development, including OpenAI Agents SDK, CrewAI, LangGraph, and AutoGen. It culminates in a dedicated focus on MCP (Model Context Protocol), highlighting its growing role in the agent ecosystem. Throughout the program, the emphasis is on learning by doing, with a strong practical approach rather than abstract theory.
You will build 8 real-world projects that demonstrate the power of Agentic AI in different contexts. These include a Career Digital Twin to represent you to employers, an SDR Agent for business outreach, a Deep Research system, a Stock Picker Agent for investment insights, a 4-agent engineering team for building and testing software, an Operator-style browser sidekick, an Agent Creator that generates new agents, and a final Trading Floor capstone powered by multiple MCP servers and tools. Each project is designed to show how agent-based systems can be applied to real business and automation scenarios.
By the end of the course, you will have a solid understanding of how to build and orchestrate autonomous AI agents, work confidently with the major agent frameworks, and recognize both the strengths and limitations of Agentic AI. You will be able to apply these skills to practical use cases, from automation and research to business applications, and confidently develop your own agent-based solutions.
The course is designed for a wide audience. While it is ideal to have some experience with Python and LLMs, it is not strictly required. Beginners can follow along using the included self-study materials that cover foundational programming concepts, with patience being the only real requirement. The course can be completed without spending on APIs, although optional use of advanced models may involve a small cost, typically under $5.
Overall, this course offers a comprehensive and practical path into one of the most important areas of modern AI, combining structured learning, real projects, and hands-on experience with the tools and frameworks that define today’s Agentic AI landscape.
Цена 1540 руб.(19,99 долларов)
СКАЧАТЬ КУРС
Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.