[Podlodka] AI Crew #4 «Мультиагентные системы» (2026)

AI Crew #4: «Мультиагентные системы» — это конференция о проектировании, разработке и внедрении AI-агентов в реальные процессы разработки ПО. Вы разберёте, когда достаточно одного агента, а когда нужна мультиагентная система, как распределять роли между агентами, управлять контекстом, памятью, качеством и стоимостью таких решений.

О курсе

Четвёртый сезон AI Crew посвящён мультиагентным системам: архитектурам AI-агентов, оркестрации, автономной разработке кода, локальным LLM, инструментам для команд разработки и практическим подходам к созданию «фабрики ПО» на базе искусственного интеллекта.

Материалы подойдут тем, кто хочет не просто использовать отдельные AI-инструменты, а понимать, как собирать устойчивые агентные решения: от постановки задач и выбора архитектуры до тестирования, контроля качества и оценки экономической эффективности.

Что вы изучите

Когда одного AI-агента достаточно, а когда стоит переходить к мультиагентной системе.
Как проектировать взаимодействие агентов: распределять роли, задачи и зоны ответственности.
Какие архитектуры мультиагентных систем используются в разработке ПО.
Как устроена оркестрация AI-агентов и какие подходы помогают управлять их работой.
Как собрать автономный «заводик» по написанию кода и оценить его реальные ограничения.
Как работать с контекстом, долговременной памятью и состоянием агентов.
Как тестировать мультиагентные системы и контролировать качество их результатов.
Как оценивать стоимость работы кодинг-агентов и оптимизировать агентную архитектуру.

Кому будет полезно

Разработчикам, которые хотят применять AI-агентов для автоматизации задач, работы с кодом, ревью и интеграции с Jira или Git-процессами.
Тимлидам и архитекторам, которым важно понимать, как строить масштабируемые агентные системы и не превращать их в неконтролируемый набор инструментов.
ML- и AI-инженерам, изучающим практическое применение LLM, MCP, памяти, оркестрации и локальных моделей.
CTO и техническим руководителям, которые оценивают внедрение AI-платформ, AI-коллег и автоматизированных фабрик разработки ПО.
Продуктовым и инженерным командам, которым нужно понять, где AI-агенты дают реальную пользу, а где создают дополнительные риски и расходы.

Программа сезона

Открытые сессии AI Crew
AI в разработке: купить нельзя внедрить — обсуждение практических проблем внедрения AI в инженерные процессы.
Фабрика будущего: от harness к полноценной AI-платформе — путь от отдельных инструментов к системной AI-инфраструктуре.

Доклады

Эффективная оркестрация AI-агентов / Родион Мостовой, codealive.ai
Строим собственный завод по написанию кода / Александр Пахомов
Как архитектура кодинг-агента определяет его стоимость / Максим Качурин
Масштабирование интеллекта через мультиагентность? / Савелий Батурин, Postgres Pro
Как сделать фабрику ПО и всё не развалить / Владимир Иванов, Supplied
Работа AI-агента: архитектура, защита, экономика / Егор Урванов

Демо-сессии

Codey: как задача из Jira превращается в проверенный MR / Михаил Мужаровский, EXANTE
Агентный сетап на осень 2026: избавляемся от субагентов, MCP, памяти / Николай Шейко
ИИ-коллега команды разработки / Надежда Волкова, Т-Банк
Безоблачные локальные LLM: зачем и как / Роман Алейников
Рой над одной средой / Алексей Григорьев и Иван Опарин

Какие навыки вы получите

Понимание ключевых принципов построения мультиагентных систем.
Умение выбирать архитектуру агентного решения под конкретную задачу.
Представление о том, как организовать взаимодействие AI-агентов в разработке ПО.
Навык оценки рисков: качества, безопасности, стоимости и управляемости AI-агентов.
Понимание ограничений автономной генерации кода и роли человека в агентных процессах.
Знание практических сценариев применения AI-агентов в командах разработки.

Результат после изучения

После просмотра материалов вы будете лучше понимать, как проектировать мультиагентные системы для разработки ПО, как выбирать подходы к оркестрации, памяти и контролю качества, а также как оценивать практическую пользу AI-агентов для команды и бизнеса.

Курс поможет перейти от разрозненного использования AI-инструментов к более осознанному проектированию агентных решений: с понятной архитектурой, ролями, процессами, ограничениями и критериями качества.