- Регистрация
- 26 Март 2018
- Сообщения
- 89.856
Автор: Евгений Борисов
Название: AI Harness.Построение агентных систем: как надо, а не как все [Евгений Борисов]
Описание:
Складчина: AI Harness.Построение агентных систем: как надо, а не как все [Евгений Борисов]
[О чем будет курс]
ИИ-ассистенты за два года стали частью работы — и остались чёрным ящиком. Почему агент уверенно пересказывает файл, которого не читал? Почему он забывает середину разговора? Что происходит между «напиши тест» и появлением файла на диске? Что мешает ему стереть ваш проект? Ответы лежат не в машинном обучении, а в обычной инженерии.
Это инженерный курс для опытных разработчиков, которые хотят выйти за рамки использования готовых ИИ-инструментов и понять, как такие инструменты устроены внутри — чтобы собирать свои.
За 13 уроков мы с нуля пишем на Java и Spring AI настоящего coding-агента: 60 классов, 8 инструментов. Он читает ваш репозиторий, ищет по нему, правит файлы, запускает команды и доводит задачу до зелёных тестов.
Собственный агент с нуля
Курс построен так, что каждая новая подсистема появляется тогда, когда в ней возникает необходимость. Начинаем с простого чат-бота. Потом сразу добавляем цикл работы и инструменты, что превращает его в агента. Дальше постепенно расширяем его возможности: учим работать с репозиторием и файлами, задавать поведение через системный промпт, безопасно выполнять команды, планировать действия, сжимать контекст, работать автономно, использовать субагентов и вести интерактивный диалог в терминале.
Каждый урок начинается с кода, который пока не работает. Сначала мы пробуем запустить нужную функцию и сталкиваемся с ошибкой или неправильным ответом модели. Затем разбираемся в причине и исправляем код.
Локальная модель: все грабли видны, и всё бесплатно
Модель работает локально в Docker: ни API-ключей, ни счетов, ни отправки вашего кода наружу. Курс купили — дальше платить не надо ни за что, и можно гонять один и тот же цикл пятьдесят раз.
Вторая причина методическая, и она важнее. Небольшая модель честно ломается там, где большая замаскировала бы архитектурную дыру: мощная модель многое вытащила бы сама, без части инструментов и без управления контекстом, и половина курса осталась бы невидимой. Те же проблемы есть и у больших моделей — просто чтобы их увидеть, нужен production-проект и очень серьёзный счёт за токены. Эти же навыки незаменимы там, где внешние API недоступны: закрытый контур, чувствительные данные, запрет на выход наружу. Стек взят самый свежий — версии, под которые ещё не написано статей. Отдельный навык курса: разбираться в новом API самостоятельно, а не пересказывать чужие посты.
Скрытая ссылка
Название: AI Harness.Построение агентных систем: как надо, а не как все [Евгений Борисов]
Описание:
Складчина: AI Harness.Построение агентных систем: как надо, а не как все [Евгений Борисов]
[О чем будет курс]
ИИ-ассистенты за два года стали частью работы — и остались чёрным ящиком. Почему агент уверенно пересказывает файл, которого не читал? Почему он забывает середину разговора? Что происходит между «напиши тест» и появлением файла на диске? Что мешает ему стереть ваш проект? Ответы лежат не в машинном обучении, а в обычной инженерии.
Это инженерный курс для опытных разработчиков, которые хотят выйти за рамки использования готовых ИИ-инструментов и понять, как такие инструменты устроены внутри — чтобы собирать свои.
За 13 уроков мы с нуля пишем на Java и Spring AI настоящего coding-агента: 60 классов, 8 инструментов. Он читает ваш репозиторий, ищет по нему, правит файлы, запускает команды и доводит задачу до зелёных тестов.
Собственный агент с нуля
Курс построен так, что каждая новая подсистема появляется тогда, когда в ней возникает необходимость. Начинаем с простого чат-бота. Потом сразу добавляем цикл работы и инструменты, что превращает его в агента. Дальше постепенно расширяем его возможности: учим работать с репозиторием и файлами, задавать поведение через системный промпт, безопасно выполнять команды, планировать действия, сжимать контекст, работать автономно, использовать субагентов и вести интерактивный диалог в терминале.
Каждый урок начинается с кода, который пока не работает. Сначала мы пробуем запустить нужную функцию и сталкиваемся с ошибкой или неправильным ответом модели. Затем разбираемся в причине и исправляем код.
Локальная модель: все грабли видны, и всё бесплатно
Модель работает локально в Docker: ни API-ключей, ни счетов, ни отправки вашего кода наружу. Курс купили — дальше платить не надо ни за что, и можно гонять один и тот же цикл пятьдесят раз.
Вторая причина методическая, и она важнее. Небольшая модель честно ломается там, где большая замаскировала бы архитектурную дыру: мощная модель многое вытащила бы сама, без части инструментов и без управления контекстом, и половина курса осталась бы невидимой. Те же проблемы есть и у больших моделей — просто чтобы их увидеть, нужен production-проект и очень серьёзный счёт за токены. Эти же навыки незаменимы там, где внешние API недоступны: закрытый контур, чувствительные данные, запрет на выход наружу. Стек взят самый свежий — версии, под которые ещё не написано статей. Отдельный навык курса: разбираться в новом API самостоятельно, а не пересказывать чужие посты.
Скрытая ссылка