Agents Course от Hugging Face: путеводитель

Что это и для кого

Agents Course — бесплатный курс Hugging Face об ИИ-агентах: программах, в которых языковая модель сама решает, какой инструмент вызвать, смотрит на результат и решает, что делать дальше. Курс ведёт сквозной персонаж — агент-дворецкий Альфред, который готовит приём в поместье Уэйнов. Сначала вы пишете агента почти без библиотек, потом — на трёх фреймворках (smolagents, LlamaIndex, LangGraph), а в конце собираете агента для бенчмарка GAIA и отправляете его на студенческий лидерборд.

Курс требует базового Python и базового понимания LLM. В программе ChinaAI это ступень 8: читайте его вместе с модулем 8.3 «Агенты», когда уже знаете, как вызывать модель через API (модуль 8.1) и что такое RAG (модуль 8.2).

Что уже есть на русском

Русский перевод — у самого Hugging Face

Сообщество перевело на русский вводный юнит 0, юнит 1 «Введение в агентов» и бонусный юнит 1 «Дообучение LLM для вызова функций». Перевод лежит в репозитории курса: units/ru-RU, а на сайте — huggingface.co/learn/agents-course/ru-RU/unit0/introduction. Юниты 2–4 и бонусные юниты 2–3 есть только на английском — ниже их подробный пересказ.

Мы сверили русские файлы с английскими (репозиторий на 9 сентября 2026 года): переведённые юниты переведены целиком, разделы и тесты на месте.

Русские юниты по разделам

Раздел	Русская страница	О чём	Урок ChinaAI
0. Добро пожаловать	introduction, onboarding	Программа, сертификаты, аккаунт Hugging Face, Discord	—
1.1 Введение	introduction	План юнита	—
1.2 Что такое агент?	what-are-agents	Агент = «мозг» (модель) + «тело» (инструменты); уровни агентности	8.3.1
1.3 Что такое LLM?	what-are-llms	Трансформер, токены, предсказание следующего токена, внимание	4.5.1, 4.6.1
1.4 Сообщения и специальные токены	messages-and-special-tokens	Роли system/user/assistant, chat-шаблоны, специальные токены	6.1.1
1.5 Что такое инструменты?	tools	Описание инструмента текстом для модели, декоратор @tool, авто-описание из сигнатуры	8.3.2
1.6 Цикл «мысль → действие → наблюдение»	agent-steps-and-structure	Главный цикл агента на примере агента погоды	8.3.1
1.7 Мысль и ReAct	thoughts	Внутреннее рассуждение, chain-of-thought, ReAct	8.3.1
1.8 Действия	actions	JSON-агенты, агенты кода, «остановись и разбери» (stop and parse)	8.3.1, 8.3.2
1.9 Наблюдения	observations	Как результат инструмента возвращается в контекст	8.3.1
1.10 Фиктивный агент	dummy-agent-library	Агент без фреймворка: системный промпт, ручной разбор ответа, остановка генерации	8.3.1
1.11 Первый агент на smolagents	tutorial	Свой агент в Hugging Face Space из шаблона	8.3.1
Тесты 1, 2 и финальный	quiz1, quiz2, final-quiz	Проверка себя	—
Бонус 1. Вызов функций	introduction, what-is-function-calling, fine-tuning	Как модель учат вызывать функции: новые специальные токены, SFT с LoRA	6.2.1, 8.3.4

Что устарело в юнитах 0–1

Сроки сертификации в юните 0 (задания до 1 июля 2025 года) и расписание выхода юнитов давно прошли — курс теперь проходят в своём темпе. В юните 1 часть примеров вызывает модели через бесплатный Serverless API Hugging Face; если пример не отвечает, подставьте любую OpenAI-совместимую конечную точку, как в уроке 8.1.1, или локальный сервер vLLM.

Юниты только на английском: о чём они

Ниже — пересказ англоязычных юнитов своими словами, чтобы вы знали, что внутри, и могли решить, нужны ли они вам. Читать оригинал удобно с автопереводом страницы в браузере: язык простой, код комментирован.

Юнит 2. Фреймворки для агентов (≈25 000 слов)

Вступление юнита честно предупреждает: фреймворк нужен не всегда. Если задача решается цепочкой промптов, проще написать обычный код и полностью понимать систему. Фреймворк окупается, когда появляются вызовы функций, несколько агентов, память и повторы при ошибках. Дальше одни и те же идеи показаны в трёх библиотеках.

Подъюнит	Что внутри	Урок ChinaAI
2.1 smolagents	Библиотека Hugging Face. Главный тип — CodeAgent: модель пишет действия кодом на Python, а не JSON-ом, и так может вызвать несколько инструментов и обработать результат в одном шаге. Второй тип — ToolCallingAgent с JSON-вызовами. Свои инструменты через @tool и класс Tool, обмен инструментами через Hub, агент-поисковик с RAG, мультиагентная система (менеджер и агенты-исполнители), агенты со зрением и браузерный агент	8.3.1, 8.3.3
2.2 LlamaIndex	Инструментарий для агентов «над своими данными»: LlamaHub с готовыми интеграциями, компоненты (загрузка, разбиение, индексы, движки запросов), инструменты, агенты и агентные workflow с шагами и событиями	8.2.1, 8.2.2
2.3 LangGraph	Агент как граф: состояние, узлы, рёбра и условные переходы. Даёт полный контроль над потоком — удобно для предсказуемых продакшн-сценариев. Пример — граф анализа документов и писем	8.3.3

Юнит 3. Агентный RAG (≈7 000 слов)

Практический кейс: Альфреду нужно на приёме отвечать на вопросы о гостях, следить за погодой для фейерверка и избегать опасных тем. Вы строите инструмент поиска по описаниям гостей (RAG-инструмент), подключаете веб-поиск, погоду и статистику моделей с Hub, а потом собираете всё в одного агента с памятью разговора. Код дан в трёх вкладках — для smolagents, LlamaIndex и LangGraph. Отличие от обычного RAG: агент сам решает, когда и что искать, и может искать несколько раз. К урокам 8.2.2 и 8.3.3.

Юнит 4. Итоговый проект (≈1 600 слов)

Знакомство с бенчмарком GAIA: 466 вопросов, простых для человека, но трудных для ИИ (поиск, файлы, картинки, многошаговые рассуждения), три уровня сложности. По данным курса, люди решают около 92%, GPT-4 с плагинами — около 15%. Для итогового задания отобрано 20 вопросов первого уровня валидационной части; ваш агент получает их через API, отвечает, а ответы сверяются точным совпадением. Порог сертификата — 30%. Шаблон для старта — Space agents-course/Final_Assignment_Template. К уроку 8.3.4, где разобраны бенчмарки агентов, в том числе GAIA.

Бонусный юнит 2. Наблюдаемость и оценка агентов (≈4 000 слов)

Как «подключить приборы» к агенту на smolagents через OpenTelemetry и Langfuse: трассы каждого шага, расход токенов, задержки, ошибки. Онлайн-оценка (отзывы пользователей, LLM-судья) и офлайн-оценка на датасете (GSM8K). К урокам 8.4.2 и 7.3.2.

Бонусный юнит 3. Агенты в играх: Pokémon (≈2 700 слов)

Обзор того, как LLM уже используются в играх, и практикум: агент, который ведёт пошаговые бои в стиле Pokémon через движок Pokémon Showdown, с запуском боя против других агентов. Для курса ChinaAI — по желанию, как весёлое закрепление цикла «наблюдение → действие».

Как пройти курс вместе с ChinaAI

flowchart LR
U0["Юнит 0<br/>(RU)"] --> U1["Юнит 1: основы<br/>(RU)"]
U1 --> L1["Урок 8.3.1<br/>агентный цикл"]
L1 --> B1["Бонус 1: вызов функций<br/>(RU)"]
B1 --> L2["Урок 8.3.2<br/>инструменты и MCP"]
L2 --> U2["Юнит 2.1: smolagents<br/>(EN)"]
U2 --> U3["Юнит 3: агентный RAG<br/>(EN)"]
U3 --> L3["Урок 8.3.3<br/>планирование и память"]
L3 --> U4["Юнит 4: GAIA<br/>(EN)"]
U4 --> L4["Урок 8.3.4<br/>agentic RL и безопасность"]

Порядок: русские юниты курса Hugging Face чередуются с уроками модуля 8.3

1. Перед уроком 8.3.1 пройдите по-русски юнит 1 целиком (≈4–6 часов). Особенно важны разделы 1.6–1.10: цикл «мысль → действие → наблюдение» и агент без фреймворка. В уроке 8.3.1 то же самое сделано через tool calling в OpenAI-совместимом API и разобрана статья ReAct.

2. Вместе с уроком 8.3.2 прочитайте раздел 1.5 «Что такое инструменты?» и бонусный юнит 1 (тоже по-русски): он показывает, как модель учат вызывать функции на уровне токенов. Протокол MCP подробно — в MCP Course, у нас переведены его юниты 1–2.

3. Вместе с уроком 8.3.3 возьмите из юнита 2 только подъюнит 2.1 (smolagents), а из него — CodeAgent, инструменты и мультиагентные системы. LlamaIndex и LangGraph нужны, только если вы будете с ними работать. Затем юнит 3 — агентный RAG.

4. После урока 8.3.4 сделайте итоговый проект юнита 4: агент для вопросов GAIA. Это хорошая разминка перед выпускным проектом на ступени 10.

Как запускать код

• Hugging Face Spaces. Практика юнитов 1 и 4 построена на шаблонах Space: вы дублируете Space себе в аккаунт и меняете код прямо в браузере. Бесплатного CPU-Space хватает, если модель вызывается по API.
• Ноутбуки. У юнитов 2–3 и бонусных юнитов есть ноутбуки: они лежат на Hub в репозитории agents-course/notebooks, а на страницах курса к ним ведут кнопки «Google Colab».
• Ваша машина (4×RTX 4080). Агенту нужна модель с хорошим tool calling. Поднимите локально, например, Qwen-модель среднего размера через vLLM (урок 7.1.2) и подключите её к smolagents через OpenAI-совместимый клиент. Бонусный юнит 1 (дообучение для вызова функций с LoRA) помещается на одну вашу карту.

Что читать дальше

• MCP Course — протокол подключения инструментов к агентам, переведён у нас.
• AI Agents for Beginners от Microsoft — паттерны агентов, есть машинный перевод на русский.
• Статья Anthropic Building Effective Agents — её рекомендует и сам курс; на неё опирается урок 8.3.3.

Словарик

English	Русский
agent	агент
tool, tool calling, function calling	инструмент, вызов инструментов, вызов функций
Thought → Action → Observation	мысль → действие → наблюдение
ReAct (Reason + Act)	ReAct: рассуждение + действие
code agent / JSON agent	агент кода / JSON-агент
stop and parse	«остановись и разбери» (прервать генерацию и разобрать вызов)
multi-agent system	мультиагентная система
agentic RAG	агентный RAG
observability, trace	наблюдаемость, трасса
leaderboard	лидерборд, таблица результатов