Курс на Stepik
Обложка курса «AI Engineer на Python: RAG, агенты, MCP и дообучение LLM» на Stepik
3 999₽ -26%
--:--:--
2 959 ₽

AI Engineer на Python: RAG, агенты, MCP и дообучение LLM ★ 0.000

Открыть на
STEPIK.ORG

В этом курсе вы научитесь создавать AI-сервисы на Python: разработаете шлюз для OpenAI, Anthropic, Ollama и vLLM, соберёте помощника на RAG и pgvector для работы с документами, изображениями и аудио (OCR, ASR, TTS), создадите агента на LangGraph и MCP и дообучите классификатор с LoRA/QLoRA. И на практике разберётесь, как оценивать качество моделей, контролировать расходы и запускать сервисы на FastAPI.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «AI Engineer на Python: RAG, агенты, MCP и дообучение LLM»Учеников на курсе 55
Сертификаты, выданные на курсе «AI Engineer на Python: RAG, агенты, MCP и дообучение LLM»Сертификатов выдано 0
Отзывы о курсе «AI Engineer на Python: RAG, агенты, MCP и дообучение LLM»Отзывов получено 0
Рейтинг курса «AI Engineer на Python: RAG, агенты, MCP и дообучение LLM»Рейтинг курса 0.000
Уроки в курсе «AI Engineer на Python: RAG, агенты, MCP и дообучение LLM»Количество уроков 55
Тесты в курсе «AI Engineer на Python: RAG, агенты, MCP и дообучение LLM»Количество квизов 231
Задачи с кодом в курсе «AI Engineer на Python: RAG, агенты, MCP и дообучение LLM»Количество задач с кодом 99
Время прохождения курса «AI Engineer на Python: RAG, агенты, MCP и дообучение LLM»Время прохождения курса —
Стоимость курса «AI Engineer на Python: RAG, агенты, MCP и дообучение LLM»Стоимость курса 3 999 ₽ —
Обновления курса «AI Engineer на Python: RAG, агенты, MCP и дообучение LLM»Обновления курса — —
Дата публикации курса «AI Engineer на Python: RAG, агенты, MCP и дообучение LLM»Дата публикации курса — ———
Последнее обновление курса «AI Engineer на Python: RAG, агенты, MCP и дообучение LLM»Последнее обновление — ———
Сложность normal — ———

Содержание курса

Разделы в курсе «AI Engineer на Python: RAG, агенты, MCP и дообучение LLM» 10 разделов Уроки в курсе «AI Engineer на Python: RAG, агенты, MCP и дообучение LLM» 55 уроков Тесты в курсе «AI Engineer на Python: RAG, агенты, MCP и дообучение LLM» 231 тест Задачи в курсе «AI Engineer на Python: RAG, агенты, MCP и дообучение LLM» 99 задач Время прохождения курса «AI Engineer на Python: RAG, агенты, MCP и дообучение LLM» 23 ч. Последнее обновление курса «AI Engineer на Python: RAG, агенты, MCP и дообучение LLM» обн. 13 ноября 2026

Собираем единый шлюз к LLM

6 уроков
1. От AI-разработчика к AI-инженеру ↗
2. LLM Gateway и единый контракт ↗
3. Подключаем двух LLM-провайдеров к одному сервису ↗
4. Реестр моделей и проверка запросов ↗
5. Версии промптов и базовая оценка моделей ↗
6. Маршрутизация и безопасное резервное переключение ↗

Локальные LLM и сервер инференса

7 уроков
1. Модель с открытыми весами глазами разработчика ↗
2. Локальный запуск через Ollama ↗
3. Квантование и измерение ресурсов ↗
4. Сервер модели на vLLM ↗
5. Внешний API, локальный запуск или GPU-сервер ↗
6. LiteLLM как единый шлюз к моделям ↗
7. Управление доступом и маршрутизацией в LiteLLM ↗

Embeddings и конвейер документов на практике

6 уроков
1. Как AI находит похожие документы? ↗
2. Метрики близости и поиск в памяти ↗
3. Выбор и версии embedding-модели ↗
4. Архитектура конвейера документов ↗
5. Извлечение и разбиение документов ↗
6. Метаданные, доступ и идемпотентность ↗

Поиск и RAG по базе знаний

7 уроков
1. Модель базы знаний и pgvector ↗
2. Точный и HNSW (приближённый векторный поиск) ↗
3. Полнотекстовый и гибридный поиск ↗
4. Как работает RAG? Поиск и подготовка контекста ↗
5. Генерация ответа и ссылки на источники ↗
6. Переписывание запроса (Query Rewriting) ↗
7. Оценка и защита RAG ↗

AI-ассистент для сканов, изображений и речи

3 урока
1. OCR для сканов и сложных PDF ↗
2. Изображения и vision-модель ↗
3. Речь в текст и голосовой ответ ↗

AI-агент с памятью и контролем действий

5 уроков
1. Запускаем Workflow Agent и разграничиваем доступ ↗
2. Состояние диалога, контекст и постоянное хранение ↗
3. История диалога и актуальные данные ↗
4. Собираем агентный цикл с ограничениями ↗
5. Инструменты агента: права и подтверждение ↗

LangGraph и фоновые задачи на практике

8 уроков
1. Знакомство с LangGraph ↗
2. Агентный граф и Tool Calling ↗
3. Контрольные точки и возобновление ↗
4. Прерывание, подтверждение и идемпотентность ↗
5. Очереди и фоновые обработчики ↗
6. События процесса и интеграционные тесты ↗
7. CrewAI/ Flow, Crew и границы мультиагентных систем ↗
8. Temporal для длительных AI-процессов ↗

MCP и взаимодействие AI-систем

5 уроков
1. Архитектура MCP и первый сервер ↗
2. Инструменты, ресурсы и промпты MCP ↗
3. MCP-клиент и интеграция с Workflow Agent ↗
4. Безопасность, удалённый транспорт и проверка MCP ↗
5. Agent-to-Agent (A2A) Protocol ↗

Данные и основы дообучения

4 урока
1. Классификация обращений: выбираем подход ↗
2. Сбор и подготовка данных для обучения ↗
3. Разделение данных без утечек ↗
4. Основы обучения модели в PyTorch ↗

LoRA и QLoRA, оценка и инференс

5 уроков
1. SFT с Transformers и TRL ↗
2. Параметроэффективное дообучение с LoRA ↗
3. QLoRA и контроль ресурсов ↗
4. Независимая оценка моделей и проверка регрессий ↗
5. Версионирование адаптера, учёт экспериментов и API инференса ↗