Магистратура
2026/2027





Практическое применение агентских систем
ID 1130281
Статус:
Курс по выбору (Финансовые технологии и анализ данных)
Кто читает:
Базовая кафедра Сбер
Где читается:
Факультет компьютерных наук
Когда читается:
2-й курс, 2 модуль
Охват аудитории:
для своего кампуса
Преподаватели:
Толпаров Алан Артурович
Язык:
русский
Кредиты:
3
Контактные часы:
28
Программа дисциплины
Аннотация
Дисциплина посвящена полному циклу разработки ИИ-агентов на базе больших языковых моделей: от постановки задачи и проектирования архитектуры до реализации, тестирования, оценки качества и эксплуатации. Курс является практическим продолжением дисциплины «Промышленная разработка AI-агентов» и опирается на опыт разработки агентных систем и инструментов их тестирования в ПАО Сбербанк. Студенты изучают проектирование инструментов и интеграций агента, управление состоянием, памятью и контекстом, оркестрацию агентного поведения, а также вопросы надёжности, безопасности и системной оценки качества (evals). В рамках сквозного командного проекта студенты разрабатывают собственного ИИ-агента для прикладной задачи из финансовой сферы, оформляют его в виде работающего сервиса и подтверждают его качество набором оценочных сценариев.
Цель освоения дисциплины
- Формирование знаний, умений и навыков проектирования, реализации, тестирования и эксплуатации ИИ-агентов на базе больших языковых моделей: проектирования инструментов и интеграций с внешними системами, управления состоянием и контекстом агента, организации агентного поведения, обеспечения надёжности и безопасности, построения систем оценки качества агентных систем и вывода агента в эксплуатацию в виде сервиса.
Планируемые результаты обучения
- Знать устройство агентной системы: цикл «модель — решение — инструмент — результат», роль языковой модели, инструкций, инструментов, состояния и памяти; уметь отличать агента от LLM-приложения с заранее заданным потоком.
- Уметь проектировать инструменты агента: контракты и схемы аргументов, валидацию, права доступа, обработку ошибок, идемпотентность; подключать инструменты через MCP.
- Уметь управлять состоянием, памятью и контекстом агента: краткосрочная и долговременная память, сжатие контекста, использование RAG как инструмента агента.
- Уметь выбирать и реализовывать схему оркестрации: workflow с заранее заданным потоком, agent loop, планирование, маршрутизация, мультиагентные схемы, и обосновывать выбор.
- Владеть навыками оформления агента в виде сервиса: API, асинхронное выполнение, потоковая выдача результата, хранение состояния, интеграция с приложением.
- Уметь обеспечивать надёжность и безопасность агента: human-in-the-loop, ограничение автономности, guardrails, защита от prompt injection, обработка сбоев инструментов и модели.
- Владеть методами оценки качества агентных систем: проектирование сценариев, метрики, анализ траекторий, симуляция пользователя, LLM-as-a-judge и его калибровка, регрессионное тестирование.
- Уметь обеспечивать наблюдаемость и эксплуатацию агента: трассировка, учёт стоимости и задержек, CI/CD, развёртывание.
Содержание учебной дисциплины
- Агент как система. Жизненный цикл разработки ИИ-агента
- Инструменты агента и интеграции с внешними системами
- Состояние, память и управление контекстом
- Организация агентного поведения: оркестрация
- Надёжность и безопасность агентных систем
- Тестирование и оценка качества агентов (evals)
- Наблюдаемость и эксплуатация. Готовность агента к промышленному использованию
Элементы контроля
- КвизыВыполняется в начале каждого занятия в течение 10 минут. Шесть квизов по 5 вопросов на материал предыдущей лекции и предзаданного чтения. В зачёт идут 5 лучших результатов из 6.
- Домашние заданияДемонстрационное видео продолжительностью до 3 минут и ссылка на репозиторий команды. Выполняется в составе проектной команды (3–4 человека).
- Ревью проектовНа семинаре команды демонстрируют проекты друг другу и оценивают по чеклисту; преподаватель утверждает итоговые оценки. Два раунда: 1) Контрольная точка – каждая команда показывает 3-минутное демо текущего состояния проекта, остальные команды фиксируют по чеклисту, что работает, и дают 3 замечания. 2) Ревью – команды в парах проверяют eval-наборы друг друга и прогоняют чужого агента на своих сценариях.
- Защита проектаПубличная защита командного проекта, 10 минут доклада и 5 минут вопросов; каждому участнику задаётся индивидуальный вопрос. Сдаются репозиторий, README с описанием архитектуры и отчёт по оценке качества. Итог сквозного проекта: ИИ-агент для прикладной задачи из финансовой сферы (например, ассистент по операциям клиента, агент проверки контрагента по открытым данным, агент поддержки по базе знаний, агент анализа финансовой отчётности, агент триажа инцидентов).
Промежуточная аттестация
- 2026/2027 2nd module0.15 * Квизы + 0.4 * Защита проекта + 0.15 * Ревью проектов + 0.3 * Домашние задания
Список литературы
Рекомендуемая основная литература
- Бессмертный, И. А. Искусственный интеллект. Введение в многоагентные системы : учебник для вузов / И. А. Бессмертный. — Москва : Издательство Юрайт, 2026. — 148 с. — (Высшее образование). — ISBN 978-5-534-20348-6. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/589921 (дата обращения: 02.07.2026).
- Искусственный интеллект. Введение в многоагентные системы : учебник для вузов, Бессмертный, И. А., 2024
Рекомендуемая дополнительная литература
- GPT-3: Руководство по использованию API OpenAI - С.Кублик; Ш.Сабу - ДМК Пресс - 9785937002112 - 2023 - русский - https://hse.alpinadigital.ru/document/45456 - Alpina - 45456
- The optimist : Sam Altman, OpenAI, and the race to invent the future, Hagey, K., 2025