AI-DevOps. Агентная инфраструктура на MCP
Полный курс по AI-DevOps — как построить агента, который сам управляет инфраструктурой через протокол MCP, от первого JSON-RPC-сообщения до боевого on-call агента. Каждая тема закрепляется задачами с автопроверкой и реальными Docker-лабораториями: вы своими руками пишете MCP-сервер, клиент и запускаете агента в изолированной песочнице. Практический фундамент для инженера, который хочет не бояться LLM-агентов, а безопасно ставить их на прод.
Чему вы научитесь
- Понимать, что такое агентная инфраструктура: где LLM-агент реально ускоряет DevOps, а где его нельзя пускать без ограничений.
- Разбираться в протоколе MCP изнутри: JSON-RPC, хендшейк, транспорт и жизненный цикл сессии между агентом и сервером.
- Проектировать инструменты (tools) MCP: JSON-схемы аргументов, валидацию вызовов и аккуратную обработку ошибок.
- Отдавать агенту контекст через ресурсы и промпты MCP — управлять тем, что и как «видит» модель.
- Писать собственный MCP-сервер на Python — с нуля до рабочего.
- Реализовывать MCP-клиент и агентный цикл: план → вызов инструмента → наблюдение результата → следующий шаг.
- Запускать агента в изолированной Docker-песочнице, жёстко ограничивая, что он может сделать.
- Настраивать безопасность и политики доступа: принцип наименьших привилегий, белые списки действий, аудит.
- Делать агента наблюдаемым: трейсы решений, логи вызовов инструментов, метрики.
- Обеспечивать надёжность и держать под контролем стоимость: таймауты, ретраи, лимиты токенов и бюджета.
О курсе
Практический курс о том, как строить AI-агентов, управляющих инфраструктурой через протокол MCP (Model Context Protocol): LLM-агенты и цикл think–act–observe, JSON-RPC 2.0 и хендшейк, инструменты (схемы, вызов, валидация), ресурсы и промпты, разработка MCP-сервера и клиента на Python, запуск агента в изолированной песочнице, безопасность и политики доступа (least privilege, approval-гейты, защита от prompt injection), наблюдаемость (трейсы, метрики, аудит), надёжность и стоимость (ретраи, идемпотентность, токен-бюджеты), интеграция с kubectl, git и terraform, агентные пайплайны в CI/CD, инциденты и AIOps. практические задания с автопроверкой на Python и Bash, включая Docker-лаборатории, где агент реально управляет инфраструктурой в песочнице.
Это **системный курс по AI-DevOps и агентной инфраструктуре** — о том, как построить LLM-агента, который безопасно управляет инфраструктурой через протокол **MCP (Model Context Protocol)**. Курс построен последовательно: от основ MCP и JSON-RPC к инструментам, ресурсам и промптам, затем к собственному MCP-серверу и клиенту, агентному циклу и запуску в песочнице — и далее к продакшен-темам: безопасности, наблюдаемости, надёжности и стоимости, интеграции с инфраструктурой, CI/CD и разбору инцидентов.
Главная особенность — **вы всё строите руками**. Каждая тема закрепляется задачами с **автоматической проверкой** и **реальными Docker-лабораториями**: вы своими руками пишете MCP-сервер и клиент, поднимаете агента в изолированной песочнице и проверяете его поведение на настоящих сценариях, а не на слайдах. Решения отправляются прямо в браузере и прогоняются на наборе тестов — результат виден сразу.
Теория и практика идут вперемешку: короткий блок объяснений сразу подкрепляется вопросом на понимание или практической задачей. К концу курса вы соберёте **работающего агента для DevOps** — от первого JSON-RPC-сообщения до боевого on-call-сценария — и получите проверенный на практике навык безопасно ставить LLM-агентов на прод.
Вы также можете задать любой вопрос по курсу у поддержки t.me/mentorix_support
Для кого этот курс
DevOps- и SRE-инженерам, которые хотят освоить агентную автоматизацию и перестать бояться LLM на проде.
Backend- и Python-разработчикам, которым нужно строить LLM-агентов с инструментами через MCP.
Инженерам, которые хотят понять протокол MCP на практике — своими руками, а не по верхам.
Тем, кто уже работает с инфраструктурой и хочет добавить в стек безопасную агентную автоматизацию с наблюдаемостью и контролем стоимости.
Программа курса
Модулей: 13, уроков: 67. Задачи с кодом проверяются автоматически.
Введение в AI-DevOps и агентную инфраструктуру
- Добро пожаловать: как устроен курс
- Что такое AI-DevOps и агенты
- Зачем нужен протокол MCP
- Агент, инструменты и контекст
- Агентный цикл: think–act–observe
- Риски, безопасность и ответственность
Протокол MCP: основы JSON-RPC и хендшейк
- JSON-RPC 2.0: анатомия запроса и ответа
- Хендшейк MCP: initialize и capabilities
- Транспорт stdio: сообщения построчно
- Ошибки и коды JSON-RPC
- Запросы и уведомления
Инструменты MCP: схемы, вызов, валидация
- Что такое инструмент MCP: имя, описание, схема
- inputSchema как JSON Schema: типы, required, enum
- Обнаружение инструментов: запрос tools/list
- Валидация аргументов по схеме перед вызовом
- Вызов tools/call и результат: content и флаг isError
Ресурсы и промпты MCP
- Ресурсы MCP: URI и resources/list
- Чтение контента: resources/read и blob против text
- Шаблоны ресурсов: resource templates и подстановка URI
- Ресурсы против инструментов: чтение и действие
- Промпты MCP: prompts/list, prompts/get и аргументы
Разработка MCP-сервера на Python
- Скелет stdio-сервера: цикл чтения и запись ответа
- Хендшейк и роутинг методов: initialize, tools/list, tools/call
- Регистрация инструментов и их JSON-схемы
- Вызов инструмента: tools/call, результат и ошибки
- Дисциплина потоков: stdout — протокол, stderr — логи; сид-состояние и упаковка
MCP-клиент и агентный цикл
- Запуск сервера как subprocess и хендшейк из клиента
- Обнаружение и вызов инструментов: tools/list, tools/call, парсинг результата
- Связка модель→оркестратор→MCP: перевод намерений модели в вызовы инструментов
- Цикл think-act-observe поверх MCP
- Агент, достигающий цели: композиция инструментов, ошибки и завершение
Запуск агента в песочнице
- Зачем агенту песочница: модель угроз и радиус поражения
- Изоляция контейнером: network none, read-only FS и лимиты
- audit.log как ground truth действий агента
- Детерминированная проверка поведения агента
- Идемпотентность и повторяемость прогона в песочнице
Безопасность и политики доступа
- Least privilege: модель угроз и минимальные права агента
- Allowlist инструментов и default-deny
- Approval-гейты и human-in-the-loop для необратимых операций
- Prompt injection: не доверять содержимому ресурсов как командам
- Управление секретами и аудит доступа
Наблюдаемость агентов
- Структурированные трейсы: decide / act / observe как JSON Lines
- Корреляция по trace_id: связываем шаги в единую трассу
- Метрики из трейса: шаги, вызовы инструментов, ошибки, латентность
- Аудит-журнал: полнота, атрибуция, неизменяемость, append-only
- Постмортем по трейсу: разбор инцидента постфактум
Надёжность и стоимость агентов
- Ретраи с экспоненциальным backoff и джиттером
- Идемпотентность операций и ключи идемпотентности
- Таймауты, лимит шагов и защита от зацикливания
- Токен-бюджеты и оценка стоимости прогона
- Кэш результатов инструментов, частичные сбои и критерий остановки
Интеграция с инфраструктурой
- CLI как инструмент MCP: контракт вывода вместо парсинга человеко-читаемого текста
- Безопасный разбор вывода: доверяй структуре, а не тексту
- dry-run и diff: смотри, что изменится, до того как применить
- bash в роли инструментов агента: сборка argv без инъекций
- Сборка инвентаря ресурсов: единая картина из kubectl, terraform и git
Агентные пайплайны в CI/CD
- Агент как шаг пайплайна
- Гейты и ручное подтверждение
- Авто-разбор упавших сборок
- Генерация и ревью изменений: политика «предложил→approve→apply»
- Воспроизводимость прогонов
Инциденты и AIOps
- Триаж алертов: от шума к инциденту
- Обогащение тикета: контекст из ресурсов MCP
- Гипотеза по сигналам: корреляция логов и метрик
- Runbook: последовательность безопасных шагов
- Постмортем и границы автономии
- Капстоун: on-call агент от алерта до постмортема
Стоимость курса: 15990 ₽
Открыть курс на Mentorix · Все курсы