В Stanford этой осенью запускают курс CS329Z — Engineering AI Agents. Начинается он с перехода от монолитных языковых моделей к compound AI systems — системам, где LLM работает вместе с retrieval, инструментами, памятью, другими агентами и механизмами оценки.
По программе хорошо видно, что теперь входит в этот инженерный слой: RAG, tool use и function calling, MCP, context engineering, DSPy, LangGraph, LlamaIndex, agent loops, memory, multi-agent systems, evals и safety. В заданиях студенты сначала собирают RAG, tool use и agent loop с нуля, а затем строят систему оценки агента с программными проверками и LLM-as-a-judge.
Курс начинается 23 сентября, поэтому записей лекций пока нет. Но похожие программы с уже открытым контентом есть в других университетах.
CMU Large Language Model Applications посвящён прикладному слою вокруг LLM: prompting, fine-tuning, embeddings, retrieval, RAG, deep research, tool use, assistants, synthetic data, AI-as-a-judge и multi-agent systems. Доступны слайды, notebooks и задания, в том числе отдельная работа про chatbots, agents and assistants.
В Harvard CS265 — Big Data & AI Systems тот же слой рассматривают со стороны систем. Там разбирают RAG, self-designing RAG, serving и оптимизацию LLM-приложений: как выбирать retrieval strategy, параметры системы и балансировать качество, latency и стоимость.
У Berkeley Large Language Model Agents фокус смещён к агентам и orchestration. В программе agent frameworks, AutoGen, LlamaIndex, tool use, enterprise workflows, evaluation, software engineering agents и отдельная лекция про Compound AI Systems & DSPy. Доступны записи, слайды и readings.
Есть и более исследовательское продолжение — Berkeley Advanced Large Language Model Agents. Там inference-time reasoning, planning, memory, coding agents, theorem proving, multimodal и computer-use agents. Это уже скорее курс про развитие агентных систем, чем про архитектуру обычного LLM-приложения.
Модель остаётся важной частью системы, но уже не определяет её целиком. Отдельными инженерными задачами становятся выбор контекста, работа с инструментами, хранение состояния, координация компонентов и проверка результата.
По программе хорошо видно, что теперь входит в этот инженерный слой: RAG, tool use и function calling, MCP, context engineering, DSPy, LangGraph, LlamaIndex, agent loops, memory, multi-agent systems, evals и safety. В заданиях студенты сначала собирают RAG, tool use и agent loop с нуля, а затем строят систему оценки агента с программными проверками и LLM-as-a-judge.
Курс начинается 23 сентября, поэтому записей лекций пока нет. Но похожие программы с уже открытым контентом есть в других университетах.
CMU Large Language Model Applications посвящён прикладному слою вокруг LLM: prompting, fine-tuning, embeddings, retrieval, RAG, deep research, tool use, assistants, synthetic data, AI-as-a-judge и multi-agent systems. Доступны слайды, notebooks и задания, в том числе отдельная работа про chatbots, agents and assistants.
В Harvard CS265 — Big Data & AI Systems тот же слой рассматривают со стороны систем. Там разбирают RAG, self-designing RAG, serving и оптимизацию LLM-приложений: как выбирать retrieval strategy, параметры системы и балансировать качество, latency и стоимость.
У Berkeley Large Language Model Agents фокус смещён к агентам и orchestration. В программе agent frameworks, AutoGen, LlamaIndex, tool use, enterprise workflows, evaluation, software engineering agents и отдельная лекция про Compound AI Systems & DSPy. Доступны записи, слайды и readings.
Есть и более исследовательское продолжение — Berkeley Advanced Large Language Model Agents. Там inference-time reasoning, planning, memory, coding agents, theorem proving, multimodal и computer-use agents. Это уже скорее курс про развитие агентных систем, чем про архитектуру обычного LLM-приложения.
Модель остаётся важной частью системы, но уже не определяет её целиком. Отдельными инженерными задачами становятся выбор контекста, работа с инструментами, хранение состояния, координация компонентов и проверка результата.