Вернуться к курсуСкачать Markdown

Пошаговое руководство по курсу

Для кого: разработчики, изучающие оркестрацию агентов до (или параллельно с) AI-Factory.
Язык лаб: COURSE_LANG=en|ru|es|fr|zh · строки UI в i18n/ · этот гайд на русском. English · Español · Français · 中文

Сверка с текущей экосистемой

Лабораторные Python объясняют шаблоны оркестрации на воспроизводимых данных. Для практики на Hub откройте HEPHAESTUS Studio, изучите предложенный граф и оценку по каталогу до запуска, затем сравните стоимость шагов и подписанную ведомость разрешённого прогона. Отметьте, какие шаги вернули подтверждения. Оценка по каталогу может измениться до выполнения.

Содержание

  1. Выбор трека
  2. Установка (10 минут)
  3. M1 — Цикл агента и инструменты
  4. M2 — Топологии
  5. M3 — Передача управления (handoff)
  6. M4 — Discovery и invoke
  7. M5 — State и context
  8. M6 — Guardrails
  9. M7 — Trust и receipts
  10. M8 — Экономика оркестрации (продвинутый)
  11. LLM (опционально)
  12. Упражнения и сертификат
  13. M9 — Наблюдаемость
  14. Мост: от курса к AI-Factory
  15. Чеклист самопроверки
  16. Типичные проблемы

Выбор трека

Трек Модули Время LLM Hub
Базовый M1 → M4 ~2 ч Нет Sandbox только в M4
Продвинутый Базовый + M8 +1 ч Опционально Встроенный sandbox hub
Мост к Factory После M4 или M8 +30 мин Да (ваши ключи) Реальная фабрика + Hub

После каждой лабы смотрите блок Trace (M9).

Установка (10 минут)

Шаг 1 — Клон и установка

git clone https://github.com/alexar76/aimarket-courses.git
cd aimarket-courses/orchestration-course
pip install -e ".[dev]"

Для M4 и M8:

pip install -e ".[sandbox,dev]"

Шаг 2 — Тесты

pytest -q

Шаг 3 — Язык интерфейса лаб

export COURSE_LANG=ru
python labs/lab01_agent_and_tool.py

Шаг 4 — Google Colab

  1. Откройте сайт курса → Open in Colab.
  2. Выполните setup-ячейку (clone + pip).
  3. В setup: os.environ["COURSE_LANG"] = "ru".
  4. Запустите ячейку лабы.

M1 — Цикл агента и инструменты

Концепция: агент — политика выбора инструмента.
Лаба: labs/lab01_agent_and_tool.py · ~15 мин

Шаги

  1. Прочитайте docstring в начале файла лабы.
  2. python labs/lab01_agent_and_tool.py
  3. Найдите в выводе: задача → инструмент → результат → trace.
  4. Перезапустите с COURSE_LANG=ru — текст задач меняется, ключевые слова для policy тоже.
  5. Откройте courselib/orchestration.py — классы Agent, Tool, Trace.

Самопроверка

M2 — Топологии

Лаба: lab02_topologies.py · ~20 мин · нужен M1

Шаги

  1. python labs/lab02_topologies.py
  2. Три блока: sequential, parallel, router
  3. Сравните порядок событий в trace
  4. (Опционально) добавьте ключевое слово в router и перезапустите

Самопроверка

M3 — Передача управления (handoff)

Лаба: lab03_handoff.py · ~20 мин

Шаги

  1. python labs/lab03_handoff.py
  2. Найдите делегирование на legal vs работу assistant
  3. Секция handoffs в trace

M4 — Discovery и invoke

Лаба: lab04_discover_invoke.py · ~20 мин · нужен [hub-lite] (~5 MB)

Шаги

  1. pip install -e ".[hub-lite,dev]"
  2. python labs/lab04_discover_invoke.py (hub-lite ~2 с)
  3. discover → invoke → receipt nonce

M5 — State и context

Лаба: lab05_state_context.py · ~20 мин

  1. python labs/lab05_state_context.py
  2. Смотрите рост Context: brief → plan → artifacts
  3. Упражнение: python labs/run_exercises.py --module m5

M6 — Guardrails

Лаба: lab06_guardrails.py · ~20 мин

  1. python labs/lab06_guardrails.py
  2. Сравните safe vs injection — guardrail_block в trace
  3. Упражнение: python labs/run_exercises.py --module m6

M7 — Trust и receipts

Лаба: lab07_receipt_verify.py · ~25 мин · [hub-lite]

  1. python labs/lab07_receipt_verify.py
  2. Валидный чек → True; подделка → False
  3. Упражнение: python labs/run_exercises.py --module m7

M8 — Экономика оркестрации (продвинутый)

Лаба: lab08_metered_economy.py · ~45 мин · [sandbox] (~50 MB, один раз)

Шаги

  1. pip install -e ".[sandbox,dev]" (в Colab — один раз на сессию)
  2. python labs/lab08_metered_economy.py
  3. channel → total spent → receipt

LLM (опционально)

USE_LLM=1 OPENAI_API_KEY=sk-… python labs/lab01_agent_and_tool.py

Упражнения и сертификат

python labs/run_exercises.py
python labs/run_exercises.py --certificate "Иван Петров" --lang ru

HTML-сертификат → Print → PDF в браузере.

M9 — Наблюдаемость в каждой лабе

После каждой лабы (5 мин):

  1. Блок trace в конце stdout
  2. Сопоставьте events с шагами
  3. Production: observability-langsmith.md

Боевой хаб: те же вызовы на modelmarket.dev

Задайте COURSE_HUB_URL=https://modelmarket.dev и используйте courselib.economy.connect() вместо embedded_sandbox(): discover, invoke и hire пойдут в живую федерацию. Платные вызовы там нужно оплачивать — возьмите ключ на modelmarket.dev/start, пополните его в USDC (от $0.01) и задайте COURSE_API_KEY=aimk_…; он передаётся как X-API-Key, и каждый вызов оплачивается с предоплаченного баланса. Без ключа платный вызов отвечает payment_required и перечисляет способы оплаты.

Мост: от курса к AI-Factory

~30 мин

  1. docker compose up -d app → http://localhost:9080

  2. Гостевой лендинг на / → prod-…

  3. USER_GUIDE.ru.md — «Первые 15 минут»: Admin → New product → Pipeline

  4. Сопоставление:

    Курс Factory
    M1 tools Developer + QA
    M2 топологии Граф pipeline
    M3 handoff Agent handoff audit
    M4 invoke Hub /ai-market/v2/invoke
    M8 economy Channels + checkout

Чеклист самопроверки

Базовый трек:

Продвинутый:

Типичные проблемы

Проблема Решение
No module courselib Запуск из корня репозитория
M4/M8 зависает Подождите hub; проверьте порт
Ошибка [sandbox] pip Нужны git и сеть
Пустой RU export COURSE_LANG=ru
pytest i18n Ключи во всех трёх JSON

Factory: FAQ.ru.md

Обновление сайта после правок лаб:

python3 scripts/build_course_assets.py

Гайды в docs/ правятся вручную — сначала EN, затем RU/ES.