Полный инженерный курс по AI-агентам на русском: от tool calling до production

Курс инженерный, а не обзорный. Здесь почти нет рассуждений о том, «изменит ли ИИ мир», зато есть: минимальные работающие реализации каждого механизма, лабораторные с критериями приёмки, шаблоны для копирования, чек-листы перед релизом, каталог антипаттернов и набор бенчмарков, по которым можно честно сравнить две версии своего агента.

Качество агента почти никогда не упирается в модель. Оно упирается в инженерию вокруг модели: как описаны инструменты, что попадает в контекст, где стоят проверки, что происходит при третьей подряд ошибке и сколько это стоит за тысячу запусков. Модель - двигатель. Курс -про всё остальное в автомобиле.

https://github.com/justxor/Aiagentsfullcourse

🔥 DeepSeek Harness - пример того, почему сегодня важна не только модель, но и всё окружение вокруг неё

Harness - это слой между LLM и реальной работой: инструменты, terminal, permissions, память, tool loop и правила обработки ответов.

У deepseek-harness есть Python-библиотека, CLI dsh, MCP-сервер и интеграция в формате Anthropic Skill. Проект документирует особенности протокола DeepSeek V4-Pro/V4-Flash и автоматически обрабатывает проблемные места вроде reasoning_content, parallel tool calls, streaming и context limits.

Например:

pip install deepseek-harness-cli

Ключевая идея очень актуальна для agent engineering:

одна и та же модель с разным harness может вести себя как совершенно другой агент.

Модель отвечает за интеллект.
Harness - за то, сможет ли этот интеллект стабильно работать с инструментами и длинными workflow.

Вот полезный гайд, где собрали большой разбор проекта: 23 секции, от запуска за минуту до архитектуры и теории Cordis.

Что особенно интересно:

архитектура максимально модульная - компоненты можно заменять плагинами;
проект model-agnostic и работает с OpenAI-compatible API;
под harness лежит Cordis - отдельная формальная модель безопасного самоизменения программ;
можно менять не только tools, но даже логику, которая решает, что агент должен делать дальше;
проект пока developer preview, поэтому breaking changes ожидаемы


Разбор: https://helmcode.com/deepseek-harness

⚡️ Harness Engineering - полный курс на русском

Как заставить AI-агента писать код надёжно. Не «какую модель выбрать», а как спроектировать вокруг неё рабочую систему: инструкции, инструменты, среду, состояние и верификацию.

Курс - от нуля до продвинутых тем: теоретическая база из 11 блоков, 14 модулей, 8 практических проектов, 14 лабораторных работ, диагностический протокол «как починить агента», библиотека готовых шаблонов, карта инструментов, 40 приёмов и каталог антипаттернов.

Главный тезис курса: способность модели и надёжность исполнения - это две разные вещи. Одна и та же модель в «голой» среде и в среде с продуманным harness даёт качественно разные результаты. Апгрейд модели - это самый дорогой и обычно не самый эффективный способ починить агента.

https://github.com/justxor/Harness_ru

Разница между C++ и Python

🤖Чем больше этапов в разработке решений машинного обучения (ML), тем выше риск запутаться в коде, версиях данных и экспериментах. Но есть подход, который превращает хаос в стройную систему — конвейер машинного обучения (ML‑pipeline).

🦾На открытом уроке вы узнаете, как строить цепочки обработки данных и обучения моделей, которые работают надёжно, гибко и масштабируемо. Разберём понятие конвейера машинного обучения (ML‑pipeline), шаги его построения и практические примеры.

👥Кому подходит урок:
• Инженерам машинного обучения и исследователям данных, которые хотят автоматизировать работу и обеспечить воспроизводимость экспериментов.
• Разработчикам и ИТ‑специалистам, желающим системно подойти к построению решений на основе машинного обучения и перейти на продвинутый уровень.

➡ Открытый урок пройдёт 9 сентября в преддверии старта курса «Машинное обучение. Продвинутый уровень». Регистрируйтесь https://otus.pw/G0ppi/?erid=2W5zFGqfgUR


Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.