Задача: Реализовать Self-Correction (самоисправление)

Дано: LLM генерирует SQL-запрос. Часто он синтаксически неверен.

Решение на LangGraph:

1. Узел Generate: пишет код.
2. Узел Execute: пытается выполнить.
3. Условное ребро:

— Если Error: возвращает в Generate с текстом ошибки;
— Если Ok: идёт дальше.

Это простейший граф. На курсе мы строим системы сложнее: с памятью, поиском и внешними инструментами.

Записаться на курс

Разбор логики работы графов: Смотрите вводный урок бесплатно.

Задача: создать систему, где LLM сама пишет и проверяет код

Это не фантастика, а стандартный кейс мультиагентной системы. На курсе «Разработка ИИ-агентов» мы разбираем такие паттерны на практике. Группа уже стартовала.

Стек курса:

— Python (основа);
— LangChain / LangGraph (оркестрация);
— векторные БД (память);
— AgentOps (мониторинг).

Посмотрите вводное занятие, чтобы понять, как строятся human-in-the-loop системы и иерархические команды агентов.

Смотреть первую лекцию

Записаться на курс

Задача: Построить агента, который пишет, тестирует и правит код. С чего начнёшь?

Просто отправить промпт в LLM — это решение трёхлетней давности. Нужен цикл: планирование -> генерация -> запуск тестов -> чтение ошибки -> исправление (Self-Correction).

Именно такие архитектурные задачи мы решаем на курсе. На вебинарах разбираем реальные кейсы студентов, помогая им настраивать циклы обратной связи (Human-in-the-loop) и выбирать правильные инструменты.

Практический стек:

👉 LangGraph для управления состоянием агента;
👉 Docker для безопасного исполнения кода (Sandboxing);
👉 Векторные БД для памяти проекта.

Научиться решать задачи уровня Middle+