Основы работы с агентами.
Обзор LLM: различия между квантизированными моделями, instruct-моделями и их влияние на выбор модели для различных задач.

• Запуск LLM: API-методы и локальное развертывание с помощью Ollama. Основы токенизации и её влияние на производительность и стоимость.
• Основы работы с LangChain: Реализация памяти агентов.
• Создание простых агентов с использованием LangChain: пошаговая реализация и тонкости интеграции памяти и источников данных.
• Основы вероятностного моделирования для агентных систем.
• Введение в простые вероятностные графы и их применение в контексте LLM.

Основные компоненты RAG: как работают retrievers и векторные базы данных.

• Генерация датасетов для тестирования RAG: стратегии и методы создания тестовых выборок.
• Оценка качества RAG: Методы метрик для оценки качества документов (например, Mean Average Precision).
• Методы оценки производительности агентов в RAG-системах.
• Алгоритмы поиска по векторам и их эффективность.
• Оценка качества через вероятностные модели и использование функций потерь в RAG-системах.

Теория и принципы коллективного принятия решений:

• Actor-Critic подходы для координации агентов.
• Принципы многошаговых агентов.

Библиотеки для построения MAS: Обзор и использование Crew AI, LangGraph, AutoGen, SmolAgents, Swarm.

Механизмы координации между агентами и обмена информацией.

Введение в использование и анализ промптов с помощью SPADE.

Оптимизация многошаговых стратегий агентов.

Анализ совместных распределений для многомерных агентных систем.

Глубокие методы оптимизации: использование стохастических градиентных методов в агентных системах.

Обзор и возможности LangGraph и LangChain:
Как LangChain помогает в построении сложных агентов и их интеграции с внешними источниками данных.

Особенности работы с LangGraph: структура, концепции и принципы.

Интеграция LangChain в веб-приложения:

• Как использовать LangGraph с React приложениями для построения динамичных интерфейсов.
• Пример интеграции агентов в реальном времени с использованием streaming.
• Настройка веб-сокетов для реального времени и их использование с LangChain для построения интерактивных агентов.

Современные техники интеграции:

• Работа с реактивными данными (реактивные приложения с агентами).
• Введение в использование LangGraph для интеграции потоковых данных и обработки информации в реальном времени.
• Теория потоковых данных и их интеграция с агентными системами.
• Моделирование времени и обработка информации в динамических системах.

Разработка и настройка агентных фреймворков:

• Обзор популярных фреймворков и их возможностей.
• Как интегрировать различные инструменты для улучшения функционала агентов (например, векторные базы данных, внешние API).
• Настройка рабочих процессов для многоагентных систем.

Оценка качества работы агентов:

• Методы оценки эффективности агентных решений, GAIA.
• Разбор примеров использования этих метрик на реальных примерах.
• Модели вероятностного прогнозирования для многократных итераций.
• Применение методов машинного обучения для оценки результатов работы агентных систем.

Протокол MCP (Multi-agent Communication Protocol): основные принципы и практика применения.

Создание End-to-End приложений с использованием MCP и фреймворка FastMCP:

• Реализация протокола MCP для обеспечения совместной работы агентов.
• Пример полного пайплайна от разработки до внедрения в реальную задачу.
• Теория взаимодействия агентов: кооперативные игры, теория информации и коммуникации.

Оценка производительности MCP-систем: анализ сложности и оптимизация передачи данных.

Введение в методы обучения агентов:

• Как обучить агентов через реренкинг (Re-ranking), методы обучения с подкреплением.
• Обучение через наблюдение и самообучение агентов.
• Применение реранкеров в задачах поиска и классификации: как это повышает качество работы агентов.
• Построение и обучение реранкеров через оптимизацию функций потерь.
• Теория обучения с подкреплением: использование Value Iteration и Policy Gradient методов в контексте агентов.