Под капотом будут LangFuse + OpenTelemetry.
Можно будет видеть цепочку выполнения: какие решения принимались, какие инструменты вызывались, где агент потратил время или токены и на каком шаге результат начал ухудшаться.
То есть вместо:
«вчера вроде отвечал нормально, а сегодня почему-то плохо»
появляется возможность разбирать поведение системы инженерно.
7️⃣В финале соберём мультиагентную систему
Часть обязанностей разделим между несколькими агентами и разберём координацию: кто за что отвечает, как маршрутизируются задачи, где хранится общий state и что делать, если результаты агентов конфликтуют.
На выходе получится не просто GitHub-анализатор.
Получится проект, на котором руками пройдены основные проблемы, возникающие при разработке production AI-агентов:
LLM → agent loop → tools → context → storage → memory → state → reliability → observability → multi-agent
И вот это уже можно переносить на свои задачи
Вместо GitHub источником данных может быть корпоративная база, документация, CRM, внутренние API, тикеты поддержки или несколько сервисов сразу.
А вместо вопроса:
«На что жалуются пользователи репозитория?»
может быть:
• «Почему за последнюю неделю выросло количество обращений в поддержку?»
• «Собери данные из нескольких внутренних систем и подготовь сводку по инциденту»
• «Найди связанные документы и ответь на вопрос сотрудника»
• «Проверь состояние проекта и объясни, где появились риски».
Конкретные tools и данные поменяются. Принципы проектирования агента - нет.
И в этом основная задача учебного проекта: не дать один готовый шаблон, который работает только на OpenClaw, а научить собирать архитектуру под новые agentic-задачи.
Это особенно полезно сейчас, когда agent engineering постепенно становится отдельным инженерным слоем. OpenAI развивает Agents SDK для long-running задач, Anthropic - Agent SDK и managed agents, Google прямо позиционирует ADK как инструментарий для разработки и деплоя production-агентов. То есть рынок уже движется дальше простого prompt → LLM → answer в сторону state, tools, orchestration, tracing и управляемой автономности.
🖥 Как будем кодить
После каждого смыслового блока есть домашняя практика: вы дописываете очередной слой проекта самостоятельно.
Преподаватель предоставляет свою реализацию ДЗ как референс. Она специально собрана так, чтобы было видно, из каких решений складывается система, почему они принимаются и какие компромиссы за ними стоят. Поэтому её задача - не показать «единственно правильный» код, а помочь лучше понять механику и сравнить свой подход с другим инженерным решением.
Плюс будет отдельный workshop: Дмитрий в live-режиме соберёт агента и покажет реализацию домашек на практике.
Вопросы по коду и архитектуре можно разбирать на Q&A и в общем чате. Если одного workshop окажется недостаточно, добавим ещё один по ходу потока.
И необязательно повторять наш проект.
Если у вас уже есть идея своего агента или рабочая задача, можно строить её параллельно и обсуждать решения с Дмитрием.
⚡️ Начинаем 15 сентября. На потоке 50 мест.
Сейчас стоимость - 44 300 ₽ вместо 49 300 ₽. Через несколько недель цена увеличится.
Можно разбить оплату на 6 частей без процентов - 7 390 ₽ в месяц.
Для тех, кто уже учился у нас:
〰️ после 1 курса - 39 870 ₽
〰️ после 3+ курсов - 35 440₽
〰️ после 5+ курсов - 31 010 ₽
Для инженерной программы по production AI-агентам это сейчас заметно ниже рынка: сопоставимые live-курсы стоят примерно 66–95 тысяч ₽, а более широкие продвинутые программы по LLM и AI-архитектуре доходят до 100–130+ тысяч ₽.
🔥 Поэтому текущую цену держим только на старте набора.
➡ПРОГРАММА КУРСА