Дневник курса
Практические разборы по мере прохождения курса по ИИ-агентам: как устроены агенты, как выбирать модель, как строить RAG и управлять рассуждением модели. Каждый урок — самостоятельная заметка с выводами, FAQ и источниками.
ИИ-агенты в 2026: устройство, выбор модели и провалы в проде
Лестница зрелости от чат-бота до агента, четыре компонента анатомии, обрыв контекста при росте каталога инструментов, четыре критерия выбора модели, бенчмарки 2026 с поправкой на обвязку и типология провалов агентов в проде.
Управление мышлением агента: глубина рассуждения, бюджеты и роутинг
Глубина «мышления» модели имеет обратную точку: после порога качество падает, а счёт растёт. Как мерить, ограничивать и роутить — в проде, не на бумаге.
RAG-системы: качество ответа определяет поиск, а не модель
Ответ модели хорош ровно настолько, насколько хорош поиск по вашим данным. Как собрать такой поиск, что делать со сканами и таблицами и почему на сложных вопросах слабым звеном становится не поиск, а рассуждение модели.
Структурный вывод и типизация агента: контракт вместо парсинга JSON
Схема как контракт, а не просьба в промпте: три уровня контроля вывода, рассуждение по схеме, зависимости без промпта и циклы валидации в PydanticAI.
Агент за рулём компьютера: как работает и где быть осторожным
Агент видит экран и кликает как человек: где он заменяет API, как читать его бенчмарки и три слоя защиты от вредных инструкций.
LangGraph: агент как машина состояний
LangGraph описывает агента как граф: ветвления, циклы, сохранение прогресса и паузы на подтверждение человека — то, чего линейная цепочка не даёт.
AgentOps: наблюдаемость, оценка качества и контроль затрат агентов
Три зоны ответственности при эксплуатации ИИ-агентов: трассировка шагов, регресс-тесты на метриках и лимиты против неконтролируемых циклов.
Мультиагентные системы: когда команда агентов окупается
Почему надёжность падает экспоненциально с длиной цепочки и координация множит ошибки, какие топологии выживают в проде, фреймворки CrewAI/AutoGen/LangGraph и память Mem0 между сессиями.
Безопасность ИИ-агентов: модель угроз, защита архитектурой и закон о данных
Почему фильтры на промпт пробиваемы, как защищаться архитектурой и изоляцией, что требует ФЗ-152 и почему высокая точность детектора инъекций обманчива.
Протокол A2A: общий язык агентов, паспорт исполнителя и спор о зрелости
Зачем нужен слой «агент ↔ агент», как устроены паспорт агента и жизненный цикл задачи и почему протокол зрелый на синтаксисе, но сырой в управлении.
Мультиагентные системы в продакшене: паттерн выбирают по слабому месту
Уязвимость каждого архитектурного шаблона команды агентов, предел глубины декомпозиции, запасной путь при отказе провайдера и чем оплачена изоляция.
Мультиагентное обучение с подкреплением: устройство, ограничения и граница переноса
Академическая мультиагентность против инженерной: взрыв совместных действий, нестационарность, назначение вклада и где кончается перенос приёмов.
Гарантии LangGraph кончаются на границе состояния
Что сохраняется при сбое узла, во сколько обходится снимок состояния, почему после паузы работа повторяется и как выкатывать новую версию на живых диалогах.
Инженерия контекста и защита входа от промпт-инъекций
Сколько данных влезает в контекстное окно модели, чем платит сжатие истории и что на самом деле отсекает фильтр против промпт-инъекций — с числами из замеров.
Инструмент агента — это API с двумя контрактами
Вход и выход инструмента проверяют разное: где кончается гарантия схемы, как упаковать сбой сети в валидный ответ и чем кормить модель при ошибке.
Надёжность агента и границы самоисправления
Почему длинная цепочка шагов рвётся, что измерено про петлю самоисправления и как строят лестницу деградации, когда ответ модели не годится.
Корпоративные интеграции и стандарт MCP
Стандарт MCP закрывает подключение и обнаружение инструментов; права, подтверждения и проверка результата остаются вашим кодом.
Хранение состояния агента и восстановление после сбоев
Что остаётся от агента после перезапуска процесса, как прерванная работа продолжается с того же места и во что обходится накопленная история чекпоинтов.
Наблюдаемость агента: где искать отказ под кодом 200
Как идентификатор запроса проходит цепочку сервисов, почему словарей описания шагов три, где режут персональные данные и чего телеметрия не решает.
Тестирование ИИ-агента и оценка качества ответов
Зелёная сборка не говорит о качестве ответа. Как собирают золотой набор кейсов и что замеры показывают про надёжность модели-судьи.
Экономика ИИ-агента: себестоимость запроса и ущерб от ошибки
Из чего складывается себестоимость одного запроса, почему рассуждающие нагрузки съедают в 5–30 раз больше токенов и как обратимость ошибки задаёт архитектуру.
Счёт за вызовы модели: кэш, каскад и лимиты
Кэш промпта, семантический кэш, каскад моделей и лимиты режут счёт за модель по-разному, и ни один из них не бесплатен. В каком порядке их включают.
Защита ИИ-агента: накладные расходы и избыточные отказы
Проверки перед моделью и после неё ловят атаки, но заодно блокируют обычные вопросы клиентов. Во что обходится этот слой и как измерить, сколько он режет.
Инфраструктура ИИ-агента — обычная инженерия и одна граница
Один образ на все среды, холодный старт, очередь для долгих задач, поток токенов без буферизации и песочница для кода, который пишет модель.
Выкатка новой версии агента: ступени, пороги и откат
Почему тестовый набор не ловит деградацию, во что обходится проверка новой версии на живом трафике и что делать, когда откатываться уже некуда.