Оркестрация ИИ-агентов и мультиагентных систем

Лекция: понятие агента, отличие от обычной LLM‑вызовы, компоненты (память, инструменты, планирование).

Практика: разбор типовых архитектур агентов на примерах.

Лекция: когда нужны несколько агентов, типовые паттерны ролей, плюсы распределённого рассуждения.

Практика: сравнение кейсов «один агент vs мультиагент» по качеству и стоимости.

Лекция: формулирование ролей, распределение ответственности, стратегии декомпозиции.

Практика: упражнение по разбиению сложной задачи на подзадачи и назначению ролей.

Лекция: A2A, MCP, ACP, базовые модели коммуникации (запрос‑ответ, публикация‑подписка).

Практика: симуляция обмена сообщениями между агентами в упрощённой среде.

Лекция: сравнение по архитектуре, поддержке оркестрации, интеграции с инструментами.

Практика: запуск минимального примера в каждом фреймворке (Hello World для агентов).

Лекция: типы памяти (краткосрочная, долгосрочная), векторные хранилища, TTL, семантический поиск.

Практика: подключение векторной БД к агенту, реализация диалога с историей.

Лекция: безопасность, валидация, обработка ошибок, лимиты.

Практика: создание агента с доступом к реальному API и обработкой ошибок.

Лекция: контейнеризация агентов, очереди (RabbitMQ/Kafka), горизонтальное масштабирование.

Практика: сборка образа агента и запуск в Docker, отправка задач через CLI.

Лекция: схемы потоков, ветвления, обработка исключений, retry‑политики.

Практика: реализация нескольких паттернов в LangGraph/AutoGen.

Лекция: механизмы синхронизации, барьеры, кворумы, консенсус в упрощённом виде.

Практика: моделирование сценария с ожиданием результатов от нескольких агентов.

Лекция: очереди задач, балансировка, лимиты параллелизма, backpressure.

Практика: настройка очереди и мониторинг нагрузки в демо‑среде.

Лекция: как совместить детерминированную бизнес‑логику и недетерминированные ИИ‑шаги.

Практика: интеграция простого BPMN‑процесса с вызовом агента.

Лекция: авто‑перепланирование, изменение ролей «на лету», fallback‑стратегии.

Практика: сценарий, где агент меняет план при ошибке или изменении входных данных.

Лекция: точность, полнота, согласованность, latency, стоимость, human‑in‑the‑loop.

Практика: расчёт метрик на тестовом наборе задач.

Лекция: prompt injection, утечки данных, валидация ввода/вывода, RBAC.

Практика: внедрение проверок и фильтров в пайплайн агента.

Лекция: OpenTelemetry, распределённый трейсинг, структурированные логи, дашборды.

Практика: добавление трейсинга в агент и просмотр трейсов в Jaeger/Tempo.

Лекция: unit‑тесты агентов, моки инструментов, регрессионные тесты, симуляции.

Практика: написание тестов для простого сценария с двумя агентами.

Практикум: выбор архитектуры, ролей, инструментов, плана оркестрации.

Практикум: сборка и отладка мультиагентной системы в выбранном фреймворке.

Защита: демонстрация работы, разбор метрик, обсуждение улучшений.