Продвинутый практикум: мультиагентная разработка на Python

Уровень: для разработчика с практическим Python, Git и pytest. Опыт с Ollama, LangGraph, MCP и агентными фреймворками не требуется — они появляются в контексте инженерных задач.

Ритм: 9 недель, ориентир 24–40 часов на обязательное ядро суммарно; заключительный Capstone распределён между solution design и productionization.

Основной результат: минимальный проверяемый Python-workflow для безопасного решения задачи в кодовой базе.

Инструменты: Python, pytest и Git. Живой прогон требует model API через небольшой адаптер: локальный Ollama или уже доступный API-провайдер. Тесты пишутся с mock provider, поэтому платный API не обязателен.

Зачем этот курс

Курс учит не основам программирования и не первым промптам, а построению проверяемого агентного процесса. Всё строится вокруг небольшого Python-репозитория: договорённости между этапами, ограничение действий, оценка качества и безопасная работа с изменениями.

Кому подходит

Разработчики, которые уже пишут на Python и хотят перейти от единичных промптов к системной автоматизации
Команды, внедряющие AI-ассистентов в кодовую базу и нуждающиеся в контроле качества и безопасности
Инженеры, которые хотят понять архитектуру агентных систем до выбора фреймворка

Что студент умеет после курса

Определить, нужен ли для задачи агент, и выбрать single-agent или multi-agent архитектуру
Декомпозировать workflow на роли и проверяемые handoff-контракты
Проектировать state/context и подключать tools через runtime
Ограничивать permissions, применять allowlist и ставить human approval
Задавать отказные переходы, bounded retry, escalation и конечное состояние
Количественно оценивать задачу, регрессии, scope, стоимость и latency
Анализировать traces и находить причину неверного перехода
Отделять неизменную архитектуру от заменяемых моделей, провайдеров и фреймворков

9 недель

Студент не начинает новый проект в конце курса. Один и тот же Capstone развивается от Week 1 до Week 9: Week 8 определяет automation opportunity и solution design, Week 9 превращает это решение в production-like сервис. Подробнее в эволюции Capstone.

Week 1: Start Capstone: baseline, problem-definition, выбор задачи
Week 2: Structure Capstone: topology, handoff contracts, граф workflow
Week 3: Context + State в Capstone: path:line evidence, role templates
Week 4: ModelClient boundary: provider abstraction, structured output, tool calling
Week 5: Runtime + Policy: State → Role → Transition → RunPolicy + HumanGate
Week 6: Tools + Permissions: tool registry, allowlist, external integration
Week 7: Evaluate Capstone: ground truth, trace, метрики, регрессии
Week 8: Business Automation & Solution Design: процесс, кандидаты автоматизации, human boundary, KPI-цели
Week 9: Productionize the Capstone: FastAPI, PostgreSQL, Docker, observability, CI

%%{init: {"flowchart": {"useMaxWidth": false, "nodeSpacing": 20, "rankSpacing": 40}, "themeVariables": {"fontSize": "13px"}}}%%
flowchart TD
  W1["Week 1\nstart: baseline"] --> W2["Week 2\n+ workflow / handoff"]
  W2 --> W3["Week 3\n+ context / state"]
  W3 --> W4["Week 4\n+ ModelClient"]
  W4 --> W5["Week 5\n+ runtime / policy"]
  W5 --> W6["Week 6\n+ tools / permissions"]
  W6 --> W7["Week 7\n+ eval / trace"]
  W7 --> W8["Week 8\nbusiness automation\n+ solution design"]
  W8 --> W9["Week 9\nproductionize\n+ delivery"]
  classDef week fill:#f5faf9,stroke:#0d9488,stroke-width:2px;
  class W1,W2,W3,W4,W5,W6,W7,W8,W9 week;

Обязательное ядро vs Расширения

В курсе встречаются метки Обязательное ядро и Расширение. Выполнение расширений не требуется для зачёта основного курса — они для углубления. Каждая строка ниже — это Capstone evolution: студент развивает одну и ту же систему от Week 1 до Week 9, а не начинает новый проект.

Неделя	Capstone evolution	Обязательное ядро	Расширение
1	Start Capstone (baseline)	baseline + один workflow-кандидат	сравнение топологий, параллельные аналитики
2	Structure Capstone (topology/handoff)	граф capstone с условиями перехода	реализация второго паттерна
3	Context + State	передача `path:line` evidence	контекстные эксперименты, retrieval
4	ModelClient boundary	ModelClient + structured output + tool call + mock test	локальная модель в Ollama/VS Code/Kilo
5	Runtime + Policy	Workflow с конечным бюджетом на mock	model routing, сравнение провайдеров
6	Tools + Permissions	проверки allowlist, approval, denied-сценарии	сравнение с Kilo/Kodacode, Integration Lab
7	Evaluate Capstone	trace двух запусков, отчёт baseline vs workflow	retrieval eval, LLM-as-judge
8	Business Automation & Solution Design	process analysis, automation candidate, architecture, human boundary, measurable goals	сравнение нескольких automation candidates
9	Productionize the Capstone	FastAPI + PostgreSQL + Docker + observability + CI + measured KPI report	LangGraph, checkpoint/resume, 10+ golden cases

Учебный репозиторий

Используйте подготовленный учебный репозиторий курса или создайте disposable Python-проект:

src/
tests/
docs/
issues/

Подготовьте 5 основных issue: bug с тестом, «добавить тест», doc-правка с scope, needs_input кейс, edge case. Расширение: red-team issue с prompt injection (10 кейсов всего).

Продолжение

После основного курса — трек автономных агентов: шесть модулей, из которых выбирают 1–2 под свою задачу.