Курс Multi-Agent Systems

На курсі ви навчитеся проєктувати й впроваджувати мультиагентні системи, де AI-агенти з визначеними ролями розв'язують складні багатокрокові задачі в межах єдиної архітектури. Ви опануєте побудову агентів, способи їх комунікації, оркестрацію workflow та підготовку до запуску в продакшн.

Програма курсу

Основи GenAI та LLM як фундамент для мультиагентних систем

• Розумітимете роботу LLM на базовому рівні та їхні обмеження
• Усвідомите цінність агентних та мультиагентних підходів
• Знатимете основні принципи роботи трансформерів та концепцію attention
• Вмітимете пояснити, що таке токени, ембедінги та контекстне вікно
• Орієнтуватиметеся в імовірнісній природі відповідей LLM та причинах виникнення галюцинацій

Поняття LLM Agent

• Знатимете основні компоненти архітектури LLM-агента
• Вмітимете визначати ролі, цілі та обмеження для агента
• Ознайомитеся з популярними фреймворками для побудови агентів
• Орієнтуватиметеся в принципах роботи пам'яті та управління контекстом
• Розумітимете, як формується поведінка агента через поєднання prompt, пам'яті, інструментів та механізмів reasoning

Інженерія LLM-агентів

• Вмітимете створювати базових агентів з використанням фреймворків
• Зможете спроєктувати поведінку агента й керувати його взаємодією з інструментами відповідно до заданої логіки
• Розумітимете концепцію Tool/Function Calling
• Інтегруватимете зовнішні інструменти в агента

Prompt Engineering техніки для керованих мультиагентних систем

• Розберетеся в різниці між Zero-Shot, Few-Shot і Chain-of-Thought підходами
• Знатимете основні компоненти якісного промпту
• Вмітимете використовувати різні техніки промптингу залежно від завдання та проєктувати промпти
• Розумітимете, як за допомогою prompt chaining та reflection-технік забезпечувати передбачувану і стабільну поведінку агентів

Побудова RAG-систем для мультиагентних рішень

• Зрозумієте принципи роботи RAG-систем
• Вмітимете створювати embeddings та зберігати їх у векторних базах
• Знатимете різні стратегії chunking та їх застосування
• Вмітимете будувати базові RAG-системи
• Інтегруватимете RAG як окремий компонент у мультиагентну систему та використовуватимете його для ухвалення рішень агентами

Інструменти оркестрації AI-агентів

• Розберетеся в оркестрації в мультиагентних системах
• Вмітимете створювати складні workflow з використанням LangGraph
• Проєктуватимете і реалізовуватимете керовані мультиагентні workflow з умовами, циклами та паралельними гілками виконання
• Керуватимете станом агентів та передачею контексту між ними в складних сценаріях
• Обиратимете інструмент оркестрації залежно від задачі та архітектури системи

Дизайн взаємодії агентів

• Знатимете різні типи взаємодії між агентами
• Вмітимете проєктувати communication patterns між агентами
• Розумітимете, як розробити мультиагентну систему
• Розподілятимете ролі між агентами та налаштовуватимете їхню відповідальність у складі AI-команди
• Обиратимете модель взаємодії агентів залежно від типу задачі

Воркшоп: побудова мультиагентної системи

• Вмітимете будувати повноцінні мультиагентні системи від початку до кінця
• Розумітимете практичні виклики імплементації теоретичних концепцій
• Імплементуватимете складні communication patterns
• Реалізовуватимете механізми Human-in-the-Loop для контролю критичних рішень у мультиагентних системах
• Будуватимете динамічні воркфлоу з умовною маршрутизацією та вибором агентів залежно від контексту задачі

Протоколи комунікації

• Ознайомитеся з протоколом MCP та його застосуванням
• Знатимете принципи роботи A2A-протоколу
• Вмітимете проєктувати структуру повідомлень для агентів
• Розумітимете, як використовувати протоколи комунікації для побудови масштабованих і незалежних агентних систем
• Реалізовуватимете взаємодію між агентами через стандартизовані протоколи в реальних проєктах

Інструменти тестування та моніторингу

• Розумітимете специфіку тестування LLM-систем
• Вмітимете визначати метрики якості для агентних систем
• Знатимете інструменти для моніторингу і трекінгу
• Проводитимете Prompt Evaluation та Regression Testing
• Виявлятимете погіршення якості роботи агентів у продакшені та прийматимете рішення щодо їхньої оптимізації

Особливості деплойменту агентних систем

• Розумітимете архітектуру продакшн-середовища для LLM-агентів
• Вмітимете контейнеризувати агентні системи
• Ознайомитеся з наявними хмарними сервісами
• Обиратимете оптимальну стратегію деплойменту агентної системи залежно від вимог до масштабування, вартості й безпеки
• Розумітимете ризики безпеки агентних систем та вмітимете закладати базові механізми захисту

Експлуатація та підтримка

• Розумітимете цикл продакшн-системи на базі LLM
• Вмітимете планувати версіювання та оновлення
• Знатимете методи оптимізації продуктивності й вартості
• Вмітимете ухвалювати обґрунтовані рішення щодо оптимізації витрат і якості агентних систем у процесі їхньої експлуатації
• Організовуватимете процес збору фідбеку та метрик для постійного покращення роботи мультиагентної системи

Прикладні сценарії multi-agent systems

• Знатимете реальні сценарії застосування мультиагентних систем
• Вмітимете адаптувати технології до конкретних бізнес-задач
• Оцінюватимете доцільність використання multi-agent підходу
• Зможете проєктувати архітектуру мультиагентної системи під конкретний прикладний сценарій
• Зрозумієте, як обирати інструменти й ролі агентів залежно від задачі та обмежень бізнесу

Захист курсових проєктів

• Презентуєте фінальний проєкт
• Поставите запитання колегам
• Отримаєте фідбек від лектора

Особливості курсу

• Допомога ментора
• Практика
• Підтримка в Slack
• Індивідуальний фідбек
• Курсовий проєкт: власна мультиагентна система
• Сертифікат про проходження курсу

Викладачі курсу

Влад Шанін - Lead AI Engineer у міжнародній техкомпанії