Можно собрать агента на готовом фреймворке и ни разу не выяснить, почему он срывает задачу на пятом шаге. Осенний курс Carnegie Mellon University «11-768: AI Agents» предлагает другой маршрут: построить рабочую обвязку, измерить её поведение и разобраться, как обучение меняет возможности агента. Лекции и материалы доступны для самостоятельного изучения на английском языке.
Что это за курс
11-768: AI Agents преподают Дэниел Фрид и Грэм Нойбиг. В описании курса агентом называют систему на базе языковой модели, которая воспринимает окружение, рассуждает, планирует и действует в несколько шагов: вызывает инструменты, работает с интерфейсами, пишет код и взаимодействует с людьми.
Это не вводный ролик про один фреймворк. Курс соединяет инженерную сторону — инструменты, память, управление контекстом и агентную обвязку — с вопросами надёжности, оценки и обучения модели. Записи лекций появляются в открытом плейлисте YouTube по ходу семестра. Не стоит ожидать, что весь курс уже выложен: занятия продолжаются осенью 2026 года.
Почему одной «обвязки» мало
Обвязка, или harness, — это программная среда вокруг модели. Она даёт модели доступные действия, передаёт результаты инструментов обратно в контекст, управляет последовательностью шагов и решает, когда агент закончил. От того, как устроен этот слой, зависит не меньше, чем от выбора самой модели.
Например, агент может получить правильный инструмент, но передать ему неверные аргументы. Или инструмент ответит с задержкой, вернёт ошибку, а агент продолжит так, будто действие удалось. В лекции об использовании инструментов эти сбои рассматриваются отдельно от качества ответа модели: в реальной задаче нужно измерять и успех, и ошибки инфраструктуры.
Поэтому работающий демо-сценарий ещё не доказывает, что агент надёжен. Нужны повторяемые задачи, проверка результата и разбор того, на каком шаге произошёл сбой. Если интересна именно эта инженерная перспектива, у нас есть отдельный материал про ИИ-агента как инженерный процесс.
Маршрут: построить, оценить, обучить
Практическую логику курса удобно читать как три этапа.
Сначала построить агента. Определить среду, набор действий, цикл вызова инструментов и способ сохранять нужный контекст. Здесь важно не количество подключённых сервисов, а предсказуемое поведение системы при обычных и нештатных ответах.
Затем оценить его. Придумать задачи и критерии, по которым видно, выполнена ли цель. Если агент допускает ошибку, нужно отделить промах модели от неисправного инструмента, неудачного представления контекста и дефекта самого теста.
Наконец, изучить обучение. Обвязка может сделать существующую модель полезнее, но не всякую проблему исправить новым промптом или ретраем. Курс рассматривает и методы улучшения поведения самой модели, включая обучение с учителем и с подкреплением. Это уже более техническая часть: она требует понимания машинного обучения, а не только навыка пользоваться чат-ботом.
В вводных слайдах курса эта последовательность сформулирована прямо: создать агентную инфраструктуру, проектировать оценку многошаговых задач и обучать агентов. Если хочешь сначала освежить основы языковых моделей, начни с нашего материала «Как работают LLM».
Кому будет полезно
Разработчику, который уже пользуется кодовыми агентами, курс поможет смотреть не только на итоговый diff, но и на цепочку действий: что агент увидел, какие инструменты вызвал и где потерял задачу. Создателю собственного агента пригодится связка «построил — измерил — исправил», а не слепой перебор промптов.
Для тех, кто только знакомится с темой, практическая часть может оказаться сложной. Начать можно с открытых лекций про инструменты, контекст, навыки и память, а к заданиям вернуться после знакомства с кодом. Сертификат или университетскую проверку работ открытый просмотр лекций не обещает; речь именно о свободном доступе к учебным материалам.
С чего начать
Открой сайт курса и посмотри программу, затем включи плейлист лекций. После первых занятий выбери небольшую собственную задачу для агента и заранее запиши, что будет считаться успехом. Только потом меняй модель, память или инструменты — иначе сравнивать результаты будет не с чем.
Главная ценность курса в этом развороте мышления: агент — не название библиотеки и не длинный системный промпт, а система, которую можно построить, проверить и постепенно улучшать.
Источники: официальная страница курса, вводные слайды и лекция об инструментах. Программа и ссылки проверены 30 сентября 2026 года.
