Сначала — результат
Что должно измениться в бизнесе и как мы поймём, что решение работает.
Agents Effect School / 2026
Code is a tool.
Architecture creates value.
Agents Effect School teaches you to design AI systems that automate business processes and deliver measurable value.
Value comes not from the number of lines written, but from the architecture of a system that solves a specific business problem.
Codex, Cursor, Claude, and other agents help assemble code. We teach you to understand the process, design agent roles, data, tools, constraints, and control the outcome.
Короткий ответ
Учиться надо не синтаксису очередного фреймворка,
а способу мышления архитектора.
Потом — система
Роли, данные, инструменты, разрешения, точки контроля и ответственность.
И только потом — код
AI-среда разработки превращает ясную архитектуру в работающий прототип.
01Метод
Архитектура агента начинается не с модели.
Она начинается с процесса, решения и границ ответственности.
Бизнес-эффект
Фиксируем результат, владельца процесса и измеримую ценность.
Карта процесса
Находим решения, данные, исключения и места, где нужен человек.
Топология агентов
Разделяем роли, контекст и контракты передачи результата.
Инструменты и доступ
Подключаем только нужные источники и разрешённые действия.
Контроль и метрики
Проектируем тесты, журналирование, остановку и оценку качества.
Что меняется
Вы перестаёте быть заложником конкретного инструмента.
Сегодня это Codex и Cursor. Завтра появятся другие среды. Если вы умеете проектировать систему, инструмент можно заменить без потери замысла.
Не цель обучения
Коллекционировать интерфейсы
- запоминать кнопки LangSmith;
- повторять чужие шаблоны;
- писать код без модели процесса;
- путать красивое демо с бизнес-результатом.
Цель обучения
Принимать архитектурные решения
- выбирать задачу, достойную автоматизации;
- задавать роли и контракты агентов;
- управлять контекстом, доступом и риском;
- доводить прототип до проверяемого пилота.
02Программа
ИИ-Агенты: от нуля до внедрения за 10 уроков.
0% отвлечённой теории, 100% практики. Первый работающий агент — уже на первом уроке.
-
Урок 01 / Python + LLM
Чем агент отличается от чат-бота — и первый запуск за 60 минут
Цель: понять границу между чат-ботом и агентом и запустить первую рабочую систему в Telegram.
- Разбираем: чат-бот отвечает на сообщение, а агент получает цель, состояние, инструменты и право выполнить действие.
- Создаём бота в BotFather, настраиваем токен и безопасно храним ключ LLM в файле
.env. - Собираем асинхронный цикл Telegram → Python → OpenAI/Gemini → Telegram и проверяем обработку ошибок.
- Добавляем журнал запросов, ограничение длины ответа и понятное сообщение при недоступности модели.
Итог: Telegram-агент отвечает пользователю, сохраняет события запуска и имеет понятную архитектурную схему.
Домашняя работа: проверить агента на 20 разных вопросах, найти повторяющиеся ошибки и дополнить логирование.
-
Урок 02 / n8n
No-code-агент и управляемый workflow
Цель: собрать визуальный процесс, в котором маршрут сообщения виден и изменяется без переписывания кода.
- Запускаем n8n в Docker или облаке и изучаем структуру workflow, входы и историю выполнений.
- Соединяем Telegram Trigger, AI Agent и Telegram Response в один проверяемый маршрут.
- Настраиваем узел OpenAI/Gemini, системную инструкцию и обработку пустых или некорректных сообщений.
- Добавляем ветвления для цены, технической поддержки и общих вопросов.
Итог: no-code-агент в n8n с прозрачной логикой маршрутизации и журналом запусков.
Домашняя работа: добавить пять бизнес-сценариев, описать условия каждого перехода и проверить пограничные случаи.
03–04Программа
Память, документы и действия.
-
Урок 03 / LangFlow + RAG
Агент с памятью и доступом к документам
Цель: научить агента отвечать по заданному корпусу документов и показывать источник ответа.
- Устанавливаем LangFlow и собираем поток Input → Vector Store → LLM → Output.
- Загружаем PDF и текстовые материалы, разбиваем документы на фрагменты и создаём векторные представления.
- Настраиваем релевантность поиска, объём контекста и правило «не отвечать без подтверждения в документах».
- Экспортируем поток как API или Python-код и фиксируем контракт входа и результата.
Итог: RAG-агент отвечает по вашим материалам и возвращает проверяемые ссылки на фрагменты источника.
Домашняя работа: загрузить пять документов, подготовить 30 контрольных вопросов и отметить ответы без достаточного основания.
-
Урок 04 / Tools + API
Агент, который не только отвечает, но и действует
Цель: дать агенту ограниченный набор инструментов и научиться контролировать их вызовы.
- Создаём в LangFlow пользовательские функции для погоды, времени и поиска в базе данных.
- Подключаем узлы HTTP Request в n8n и описываем входные параметры каждого API.
- Задаём правила выбора инструмента, таймауты, повторные попытки и запрет опасных действий.
- Сохраняем аргументы вызова и результат, чтобы каждое действие можно было проверить.
Итог: агент самостоятельно выбирает разрешённый инструмент и возвращает результат с журналом выполненного действия.
Домашняя работа: добавить два инструмента для своего процесса — например, письмо или запрос к CRM — и описать их ограничения.
05–06Программа
Команды и мультиагентные системы.
-
Урок 05 / Orchestrator + Workers
Мультиагентная система в n8n
Цель: разделить сложную задачу между несколькими ролями и собрать единый проверяемый результат.
- Создаём три рабочих маршрута: Researcher собирает факты, Writer формирует черновик, Editor проверяет качество.
- Добавляем оркестратор, который передаёт каждой роли только необходимую часть контекста.
- Настраиваем параллельное выполнение, обработку незавершённых задач и финальный агрегатор.
- Определяем контракт передачи: формат входа, ожидаемый результат и критерий принятия.
Итог: один запрос запускает согласованную работу трёх агентов и возвращает собранный артефакт.
Домашняя работа: заменить роли на Sales, Support и Analytics либо на роли собственного бизнес-процесса.
-
Урок 06 / CrewAI + LangFlow
Визуальная сборка команды агентов
Цель: спроектировать роли, задачи и порядок взаимодействия CrewAI-системы в визуальном интерфейсе.
- Создаём Researcher, Writer и Reviewer, описываем их цели, ограничения и ожидаемые выходы.
- Настраиваем последовательную и совместную работу, границы делегирования и общий контекст.
- Запускаем подготовку статьи и наблюдаем, где роли дублируют или теряют работу.
- Корректируем архитектуру, чтобы проверка действительно влияла на финальный результат.
Итог: CrewAI-команда собрана визуально, а обязанности каждого агента закреплены в явном контракте.
Домашняя работа: добавить четвёртую роль, например SEO-редактора, и измерить её влияние на качество результата.
07–08Программа
Поддержка и продажи.
-
Урок 07 / Support + Vector DB
Агент поддержки с эскалацией человеку
Цель: автоматизировать типовые обращения, не скрывая неуверенности и не блокируя путь к оператору.
- Загружаем FAQ в ChromaDB или Pinecone и проверяем качество поиска по намерению пользователя.
- Строим маршрут Telegram → классификатор → поиск → ответ с источником.
- Добавляем эскалацию: при низкой уверенности агент создаёт уведомление для человека.
- Сохраняем диалоги и результаты обработки в Google Sheets для последующей оценки.
Итог: агент поддержки закрывает подтверждённые вопросы и безопасно передаёт остальные оператору.
Домашняя работа: провести 50 проверочных диалогов и рассчитать точность, долю эскалаций и количество неподтверждённых ответов.
-
Урок 08 / Sales + CRM + Calendar
Агент продаж и квалификация лидов
Цель: собрать прозрачный сценарий, который задаёт вопросы, оценивает лид и предлагает следующий шаг.
- Проектируем пять квалификационных вопросов и прозрачную систему скоринга.
- Подключаем Google Calendar и Notion или Airtable, задаём минимально необходимые разрешения.
- Показываем доступные слоты, создаём встречу и отправляем подтверждение.
- Обрабатываем отказ, неполные данные, дубликаты и недоступность календаря.
Итог: агент квалифицирует лидов, сохраняет решение и записывает подходящих клиентов на встречу.
Домашняя работа: адаптировать вопросы под свой продукт и провести десять тестовых диалогов с разными профилями лидов.
09–10Программа
Аналитика и продакшен.
-
Урок 09 / SQL + Analytics
Агент-аналитик с отчётами и графиками
Цель: научить агента безопасно отвечать на вопросы к данным и показывать ход получения результата.
- Подключаем PostgreSQL к n8n через пользователя с ограниченными правами чтения.
- Генерируем SQL по вопросу, проверяем запрос до выполнения и ограничиваем объём выборки.
- Строим график в узле Python с помощью matplotlib и сохраняем изображение отчёта.
- Отправляем ответ, SQL и визуализацию в Telegram или по электронной почте.
Итог: агент отвечает на вопрос к базе, показывает запрос и прикладывает понятный график.
Домашняя работа: подключить учебный набор своих данных, задать десять вопросов и проверить каждый отчёт вручную.
-
Урок 10 / Docker + VPS
Деплой в продакшен и эксплуатация 24/7
Цель: перенести агента на сервер и подготовить его к наблюдаемой, обновляемой и восстанавливаемой работе.
- Подготавливаем VPS и Docker Compose для бота, n8n, LangFlow и используемых хранилищ.
- Настраиваем домен, Nginx, HTTPS, переменные окружения и закрытые сервисные порты.
- Подключаем Uptime Kuma, Telegram-уведомления, журналы ошибок и проверку доступности.
- Создаём резервные копии и отрабатываем восстановление, а не только их создание.
Итог: агент работает на сервере, сообщает о сбоях и имеет проверенный сценарий восстановления.
Домашняя работа (финальная): запустить собственного агента в продакшене и защитить архитектуру, метрики и результаты проверки.
Результат обучения
После 10 уроков у вас есть работающие системы, а не только конспект.
Telegram-агентыWorkflow в n8nRAG и CrewAI в LangFlowИнструменты, API и SQLDocker + VPSФинальный проект в продакшене
03Аудитория
Для тех, кто отвечает за результат, а не за стек.
Технический опыт полезен, но не является главной точкой входа.
Предпринимателям
Чтобы видеть, где агент создаёт экономический эффект, а где добавляет сложность.
Руководителям продуктов
Чтобы переводить пользовательские и бизнес-задачи в архитектуру решения.
Аналитикам и консультантам
Чтобы превращать методику и экспертизу в воспроизводимую агентную систему.
Разработчикам
Чтобы подняться от генерации кода к проектированию целой системы и её ограничений.
04Ответы
Частые вопросы о школе.
Прямые ответы: разверните нужный вопрос или откройте все сразу.
Нужно ли уметь программировать?
Нет, глубокое знание языков программирования не является входным требованием. Важно уметь описать процесс, результат, ограничения и критерии качества. Codex, Cursor и другие AI-инструменты помогают превратить эту архитектуру в код.
Что я создам во время обучения?
Вы разберёте реальный бизнес-процесс, спроектируете архитектуру агента, зададите контракты ролей и данных, соберёте прототип и подготовите план пилотного запуска с метриками.
Заменяет ли курс разработчика или архитектора?
Нет. Школа учит принимать архитектурные решения и управлять сборкой решения с AI-инструментами. Для сложных интеграций, высокой нагрузки и критичных систем по-прежнему нужны профильные инженеры и специалисты по безопасности.
Что входит в архитектуру AI-агента?
Бизнес-цель, роли агентов, данные, память, инструменты, разрешения, ограничения, точки контроля человека, журналирование и метрики результата.
Чем AI-агент отличается от чат-бота?
Чат-бот обычно отвечает на отдельное сообщение. Агент получает цель, хранит состояние, выбирает разрешённые инструменты и выполняет действия в заданных границах.
Почему вы не строите обучение вокруг LangSmith, LangChain или CrewAI?
Инструменты быстро меняются. Архитектурные решения остаются: какие роли нужны системе, какие данные им доступны, где требуется контроль человека и как измеряется результат. Освоив эти принципы, вы сможете выбирать подходящий инструмент под задачу.
Для каких бизнес-задач подходят AI-агенты?
Для процессов, где есть повторяемая цель, доступные данные, понятные действия и проверяемый результат: исследование, работа с документами, поддержка, продажи, аналитика, контроль качества и внутренняя автоматизация.
Зачем агенту нужен контроль человека?
Контроль человека нужен для рискованных, необратимых или неоднозначных действий. Архитектура заранее определяет, где агент обязан остановиться и запросить подтверждение.
Привязано ли обучение к конкретным инструментам?
Нет. Codex, Cursor, n8n, LangFlow и CrewAI используются как практические средства сборки. Основной навык — проектирование системы, поэтому инструменты можно заменять.
Как оценить пользу агента для бизнеса?
До запуска задаются измеримые показатели: время выполнения процесса, стоимость операции, точность, доля эскалаций, количество ошибок или полученный доход. Пилот сравнивается с исходным процессом.
Сделать первый шаг
Научитесь проектировать агентов, пока другие изучают очередную кнопку.
Напишите нам — пришлём программу и уточним, какой бизнес-процесс вы хотите превратить в работающую систему.
Получить программуБез обещаний «профессии за три дня» и вымышленных гарантий.