Я - Андрей Артищев.
Я практик, который разрабатывает AI&ML продукты.
В прошлом также создал 2 hardware продукта - гаджет для коррекции осанки «Мастер осанки», и мотошлем дополненной реальности Livemap
Контакты @andrewartishchev
Post #5330
23
Коллеги, рекомендую серию из семи лекций об агентных системах. На мой взгляд, это хороший вариант бесплатного и качественного самообразования: можно последовательно разобраться, как устроены современные AI-агенты, что они умеют и какие задачи приходится решать, чтобы им можно было доверять в работе.
В подборке — основы, архитектуры, инструменты, оценка качества и самообучение. Кратко о каждой лекции:
1. [Определение, уровни автономии, агентный цикл](https://www.youtube.com/watch?v=HfQzAyotOcQ) — Владимир Шапошников
База: как работает языковая модель и что превращает её в агента — инструменты, память, планирование и взаимодействие со средой. Разбираются агентный цикл, уровни автономии и цена самостоятельности: сложность отладки, дополнительные вызовы модели и необходимость ограничений.
2. [System prompts для автономных агентов. RAG как self-retrieval для агента](https://www.youtube.com/watch?v=sQHRU3DFnwo) — Никита Глазков
Как задавать агенту роль, правила, ограничения и условия обращения к человеку. Помимо системных промптов, разбираются способы организации рассуждений и поиск по данным, при котором агент сам решает, какой информации ему не хватает и где её искать.
3. [Tool use: function calling, MCP, A2A. Error handling / fallbacks](https://www.youtube.com/watch?v=13VtYAb1Co4) — Ольга Волкова, Никита Глазков
Как агент переходит от текста к действиям: вызывает функции, подключает инструменты через MCP и взаимодействует с другими агентами через A2A. Много практики про описание инструментов, проверку параметров, тайм-ауты, повторные попытки и действия при сбоях.
4. [Архитектуры агентных систем. ReAct, Reflection, Plan Execute. Фреймворки](https://www.youtube.com/watch?v=p07glxmRBxw) — Владимир Шапошников
Как организовать работу агента: чередовать рассуждения и действия, проверять результат критиком, заранее строить и затем выполнять план. Также — распределение задач между несколькими агентами, выбор фреймворков и причины начинать с простой, управляемой архитектуры.
5. [Как оценивать автоматически улучшающиеся системы](https://www.youtube.com/watch?v=-y7bOAh4xb0) — Ольга Волкова, Владимир Шапошников
Как понять, что агент действительно работает хорошо и новая версия стала лучше. Разбираются бенчмарки, повторяемость результатов, проверка кодом, человеком и другой моделью, а также сбор тестовых примеров из реальных запусков.
6. [Self-improving & life-long learning agents. Эволюция агентных систем](https://www.youtube.com/watch?v=m7H8yjk13co) — Ольга Волкова
Как агент может использовать накопленный опыт: сохранять полезные решения в памяти, формировать библиотеку навыков, обновлять модель и изменять собственную программу. Отдельно обсуждаются качество обратной связи, риск «обмануть» метрику и необходимость проверять улучшения.
7. [Human-in-the-loop: человек как постановщик задачи, критик и финальный арбитр](https://www.youtube.com/watch?v=ZWkJywso_lM) — Владимир Шапошников
Где и зачем в работе автономной системы нужен человек: при постановке задачи, проверке результата и разрешении важных действий. Особенно полезен разбор того, почему постоянные запросы подтверждения утомляют и как выбирать точки, в которых человеческий контроль действительно помогает.
В сумме — чуть больше восьми часов. Я бы рекомендовал смотреть по порядку, например по одной лекции за вечер: получится связное представление о текущем состоянии агентных систем и хорошая основа для собственных экспериментов.
YouTube Владимир Шапошников | Определение, уровни автономии, агентный цикл Enjoy the videos and music you love, upload original content, and share it all with friends, family, and the world on YouTube. В подборке — основы, архитектуры, инструменты, оценка качества и самообучение. Кратко о каждой лекции:
1. [Определение, уровни автономии, агентный цикл](https://www.youtube.com/watch?v=HfQzAyotOcQ) — Владимир Шапошников
База: как работает языковая модель и что превращает её в агента — инструменты, память, планирование и взаимодействие со средой. Разбираются агентный цикл, уровни автономии и цена самостоятельности: сложность отладки, дополнительные вызовы модели и необходимость ограничений.
2. [System prompts для автономных агентов. RAG как self-retrieval для агента](https://www.youtube.com/watch?v=sQHRU3DFnwo) — Никита Глазков
Как задавать агенту роль, правила, ограничения и условия обращения к человеку. Помимо системных промптов, разбираются способы организации рассуждений и поиск по данным, при котором агент сам решает, какой информации ему не хватает и где её искать.
3. [Tool use: function calling, MCP, A2A. Error handling / fallbacks](https://www.youtube.com/watch?v=13VtYAb1Co4) — Ольга Волкова, Никита Глазков
Как агент переходит от текста к действиям: вызывает функции, подключает инструменты через MCP и взаимодействует с другими агентами через A2A. Много практики про описание инструментов, проверку параметров, тайм-ауты, повторные попытки и действия при сбоях.
4. [Архитектуры агентных систем. ReAct, Reflection, Plan Execute. Фреймворки](https://www.youtube.com/watch?v=p07glxmRBxw) — Владимир Шапошников
Как организовать работу агента: чередовать рассуждения и действия, проверять результат критиком, заранее строить и затем выполнять план. Также — распределение задач между несколькими агентами, выбор фреймворков и причины начинать с простой, управляемой архитектуры.
5. [Как оценивать автоматически улучшающиеся системы](https://www.youtube.com/watch?v=-y7bOAh4xb0) — Ольга Волкова, Владимир Шапошников
Как понять, что агент действительно работает хорошо и новая версия стала лучше. Разбираются бенчмарки, повторяемость результатов, проверка кодом, человеком и другой моделью, а также сбор тестовых примеров из реальных запусков.
6. [Self-improving & life-long learning agents. Эволюция агентных систем](https://www.youtube.com/watch?v=m7H8yjk13co) — Ольга Волкова
Как агент может использовать накопленный опыт: сохранять полезные решения в памяти, формировать библиотеку навыков, обновлять модель и изменять собственную программу. Отдельно обсуждаются качество обратной связи, риск «обмануть» метрику и необходимость проверять улучшения.
7. [Human-in-the-loop: человек как постановщик задачи, критик и финальный арбитр](https://www.youtube.com/watch?v=ZWkJywso_lM) — Владимир Шапошников
Где и зачем в работе автономной системы нужен человек: при постановке задачи, проверке результата и разрешении важных действий. Особенно полезен разбор того, почему постоянные запросы подтверждения утомляют и как выбирать точки, в которых человеческий контроль действительно помогает.
В сумме — чуть больше восьми часов. Я бы рекомендовал смотреть по порядку, например по одной лекции за вечер: получится связное представление о текущем состоянии агентных систем и хорошая основа для собственных экспериментов.




