Шутки шутками, но в реальном AI-продукте этот вопрос очень быстро перестаёт быть мемом.

В продакшене начинаются взрослые развлечения:
— модель уверенно врёт, но очень убедительно;
— RAG почему-то достаёт не те документы;
— агент делает 7 лишних вызовов туда, куда не просили;
— бюджет на токены улетает в стратосферу;
— бизнес спрашивает: “а сколько стоит один запрос?”;
— а вы такие: “смотря какой agent…”
И вот именно поэтому AI-агентов нужно проектировать инженерно.

Не через вайб “напиши мне промпт, брат”, а через нормальную архитектуру: логику агента, базу знаний, RAG, метрики качества, логи, трассировку и расчёт экономики.

На курсе «Разработка и проектирование AI-агентов на базе LLM» разбираем, как делать инженерно: с архитектурой, базой знаний, метриками качества, логами, трассировкой и расчётом экономики.

Первый поток уже оценил модули на 10/10 💗

А начать можно через бесплатное демо: первые 7 уроков, формат тренажёра, доступ к LLM, создание проекта, Git и базовая конфигурация агента.