Сколько стоит курс «AI-Engineer: от API до enterprise-стандартов»?

Стоимость курса составляет 2499.00 рублей

Сколько времени занимает прохождение курса «AI-Engineer: от API до enterprise-стандартов»?

Прохождение курса «AI-Engineer: от API до enterprise-стандартов» занимает примерно 1 часов.

Какой рейтинг у курса «AI-Engineer: от API до enterprise-стандартов»?

Курс имеет рейтинг 4.9 из 5 на основе 0 отзывов. На курсе обучается 0 учеников.

Где можно пройти курс «AI-Engineer: от API до enterprise-стандартов»?

Курс доступен на образовательной платформе Stepik по адресу stepik.org/course/296747.

Курс на Stepik

Обложка курса «AI-Engineer: от API до enterprise-стандартов» на Stepik

2 499 ₽

AI-Engineer: от API до enterprise-стандартов ★ 4.944

Name: AI-Engineer: от API до enterprise-стандартов
Price: 2499.00 RUB
Availability: InStock
Rating: 4.944444444444444 (0 reviews)

Открыть на
STEPIK.ORG

Четыре практических курса от бэкенда до enterprise-архитектур. Вы построите production-ready сервис на FastAPI, создадите RAG-систему с LLM, разработаете мультиагентные системы на LangGraph и освоите MCP — стандарт для подключения AI к внешним данным. Вместо теории — сквозные проекты для портфолио. Четыре проекта и полный набор навыков AI-инженера.

Показатель	Текущие показатели		Рост
Показатель	Значение	🏆 Рейтинг	3 дн	7 дн	30 дн
Учеников на курсе	0
Сертификатов выдано	0
Отзывов получено	11
Рейтинг курса	4.944
Курсов в пакете	4	—	—	—	—
Количество уроков	154
Количество квизов	430
Время прохождения курса	1 ч.	—
Стоимость курса	2 499 ₽	—
Обновления курса	—	—
Дата публикации курса	вчера	—	—	—	—
Последнее обновление	16 августа 2026	—	—	—	—
Сложность	normal	—	—	—	—

Содержание пакета (4 курса)

Курсы в пакете «AI-Engineer: от API до enterprise-стандартов»

4 курса Уроки в курсе «AI-Engineer: от API до enterprise-стандартов»

154 урока Тесты в курсе «AI-Engineer: от API до enterprise-стандартов»

430 тестов Время прохождения курса «AI-Engineer: от API до enterprise-стандартов»

1 ч.

1. AI-агенты на базе LLM с LangChain, LangGraph и MCP 5.00

102

0 ч.

Введение в AI агентов

4 урока

1. О курсе ↗

2. Что такое агент и чем он отличается от простого LLM запроса? ↗

3. Архитектура агента: цикл рассуждения и действия (ReAct) ↗

4. Ключевые компоненты: LLM, инструменты, память, планирование ↗

Backend, инфраструктура и база данных агента

4 урока

1. FastAPI + агент: создаём API для общения с агентом ↗

2. Конфигурация и переменные окружения ↗

3. SQLAlchemy + Alembic: модели и миграции ↗

4. Repository слой для работы с БД ↗

LangChain: первый агент и инструменты

4 урока

1. Основы LangChain Expression Language (LCEL) ↗

2. Инструменты: @tool, структурированные инструменты ↗

3. Системные промпты и настройка поведения агента ↗

4. Отладка и трассировка агента ↗

Управление состоянием и памятью

5 уроков

1. Состояние агента: кратковременная и долговременная память ↗

2. Контекстное управление и суммаризация ↗

3. Векторная память для долгосрочного хранения (Qdrant) ↗

4. Память в многомодульных системах ↗

5. Сохранение состояния в PostgreSQL ↗

LangGraph: графы для сложных агентов

6 уроков

1. Отличие LangGraph от LangChain: когда нужен граф ↗

2. Построение графа агента (StateGraph) ↗

3. Conditional edges: маршрутизация на основе состояния ↗

4. Циклы и итерации в графе ↗

5. Human-in-the-loop: паузы и подтверждения ↗

6. Интеграция LangGraph с API и БД ↗

Мультиагентные системы

4 урока

1. Когда нужен не один агент, а несколько ↗

2. Supervisor-архитектура: центральный координатор ↗

3. Специализированные агенты-подчинённые ↗

4. Передача задач и синхронизация между агентами ↗

MCP (Model Context Protocol)

4 урока

1. Что такое MCP и зачем он нужен ↗

2. MCP: stateless core, новые возможности ↗

3. Подключение агента к MCP-серверам ↗

4. Создание собственного MCP-сервера с инструментами ↗

Production-агенты: тесты, оценка

2 урока

1. Тестирование агентов (unit + интеграционные тесты) ↗

2. Оценка качества агентов (LLM-as-Judge, метрики успешности) ↗

Финальный проект

1 урок

1. Архитектура и проектирование агента-помощника ↗

2. Backend-инженер: Full‑Stack на FastAPI

123

0 ч.

Введение

1 урок

1. О курсе: что будем строить ↗

Начало

3 урока

1. Установка Python, uv, Docker Desktop, Git ↗

2. Первый запуск FastAPI: создаём проект, настраиваем uv ↗

3. Git Flow: ветки, коммиты, работа с GitHub ↗

FastAPI: основы API

8 уроков

1. Что такое REST API и как работает HTTP ↗

2. FastAPI: роутеры, эндпоинты, методы (GET, POST, PUT, DELETE) ↗

3. Path и Query параметры, тело запроса ↗

4. Pydantic: схемы, валидация, сериализация ↗

5. Dependency Injection в FastAPI ↗

6. Обработка ошибок и HTTP-статусы ↗

7. Middleware, CORS, обработка запросов ↗

8. Swagger/OpenAPI: документация API ↗

Асинхронность и тестирование

6 уроков

1. async/await в Python: как это работает ↗

2. Асинхронные эндпоинты в FastAPI ↗

3. Тестирование с pytest: фикстуры, асинхронные тесты ↗

4. Моки и изоляция тестов ↗

5. pytest-cov: измерение покрытия кода ↗

6. Запуск тестов в CI (GitHub Actions) ↗

PostgreSQL и SQLAlchemy

8 уроков

1. PostgreSQL через Docker: запуск, настройка, клиенты ↗

2. SQLAlchemy 2.0: Engine, Session, модели ↗

3. Alembic: миграции, управление схемой ↗

4. Репозитории: абстракция над БД ↗

5. Связи между таблицами: ForeignKey, relationships ↗

6. Индексы, оптимизация запросов ↗

7. Асинхронный SQLAlchemy (asyncpg) ↗

8. Пагинация и фильтрация ↗

Архитектура и разделение на слои

7 уроков

1. Проблемы монолитного кода, принципы чистой архитектуры ↗

2. Слои: API → Service → Repository → DB ↗

3. Service Layer: бизнес-логика, транзакции ↗

4. Repository Layer: абстракция над БД ↗

5. DTO (Pydantic) и маппинг ↗

6. Dependency Injection на практике ↗

7. Обработка ошибок и валидация на уровне сервисов ↗

Docker и контейнеризация

6 уроков

1. Docker: образы, контейнеры, Dockerfile ↗

2. Docker Compose: запуск нескольких сервисов ↗

3. Переменные окружения в контейнерах ↗

4. Многоэтапная сборка (multi-stage) ↗

5. Логирование и healthcheck ↗

6. Оптимизация размера образа, кеширование ↗

Redis: кеширование и сессии

7 уроков

1. Redis: что это и зачем нужен ↗

2. Основные структуры данных: строки, хэши, списки, множества ↗

3. Подключение Redis к FastAPI через redis-py ↗

4. Кеширование запросов в Redis ↗

5. Управление сессиями и JWT в Redis ↗

6. TTL, инвалидация кеша ↗

7. Rate Limiting через Redis ↗

Kafka: асинхронная обработка событий

7 уроков

1. Kafka: что это, зачем нужен, архитектура (Producer, Consumer, To ↗

2. Установка Kafka через Docker (с Zookeeper / KRaft) ↗

3. Отправка сообщений (Producer) в FastAPI ↗

4. Чтение сообщений (Consumer) в фоновых задачах ↗

5. Обработка событий: логи, уведомления, интеграции ↗

6. Обработка ошибок, dead letter queue ↗

7. Kafka + SQLAlchemy: синхронизация данных через события ↗

Мониторинг: Prometheus и Grafana

7 уроков

1. Prometheus: метрики, сбор, экспорт ↗

2. FastAPI + prometheus-client: собираем метрики (latency, errors, ↗

3. Сбор метрик из Kafka (потребление/отправка) ↗

4. Grafana: дашборды, визуализация ↗

5. Алерты и уведомления в Grafana ↗

6. Мониторинг БД и Redis (через экспортеры) ↗

7. Логирование и связь с метриками ↗

Безопасность и авторизация

6 уроков

1. JWT: структура, подпись, верификация ↗

2. Регистрация и аутентификация пользователей ↗

3. Получение и обновление токенов (access/refresh) ↗

4. Защита эндпоинтов: зависимости авторизации ↗

5. Роли и права (RBAC) ↗

6. Безопасное хранение паролей (bcrypt) ↗

Финальный проект

1 урок

1. ТЗ: сервис для управления заказами (архитектура, требования) ↗

Заключение

1 урок

1. Конец курса ↗

3. LLM-Engineer: Создание AI-продукта с нуля 4.83

0 ч.

Введение

3 урока

1. О курсе ↗

2. Что такое LLM и Токенизация? ↗

3. Введение в архитектуру LLM ↗

Фундамент и инженерная культура

4 урока

1. Управление зависимостями и средой ↗

2. Git Flow и GitHub: написание начального README ↗

3. Архитектура LLM-приложений: разделение на слои (FastAPI) ↗

4. Введение в SQLAlchemy и Alembic ↗

Работа с LLM и Prompt Engineering

3 урока

1. Взаимодействие с LLM через API, локальные модели(Ollama) ↗

2. Структурированный вывод (Structured Outputs) ↗

3. Продвинутый Prompt Engineering: Few-shot, Chain-of-Thought (CoT) ↗

Docker: Контейнеризация LLM приложений

3 урока

1. Введение в Docker и контейнеризацию ↗

2. Docker-compose: управление множеством контейнеров ↗

3. Dockerfile и интеграция docker в LLM приложение ↗

Базовый RAG (Retrieval-Augmented Generation)

5 уроков

1. Что такое RAG? ↗

2. Chunking (разбиение текста) ↗

3. Векторизация: выбор Embedding-моделей ↗

4. Введение в векторные БД (Qdrant, pgvector, ChromaDB) ↗

5. Повышенные техники RAG ↗

Оценка качества и тестирование

4 урока

1. Метрики RAG: faithfulness, answer relevancy, context precision/r ↗

2. Инструменты: RAGAS, LLM-as-judge ↗

3. Тестирование на pytest ↗

4. Метрики: latency, token usage, cost per request ↗

Финальный проект: Production RAG-сервис

1 урок

1. ТЗ и архитектурные требования ↗

Финал

1 урок

1. Конец курса ↗

4. MCP Protocol: от первого сервера до Production AI Platform 5.00

112

0 ч.

Введение

4 урока

1. О курсе ↗

2. Что такое MCP? ↗

3. Архитектура MCP ↗

4. Где используется MCP? ↗

MCP под капотом

4 урока

1. JSON-RPC 2.0 ↗

2. Жизненный цикл соединения ↗

3. MCP Capabilities ↗

4. Транспорты ↗

Первый MCP Server

5 уроков

1. Установка SDK ↗

2. Структура проекта ↗

3. Создание сервера ↗

4. Аргументы ↗

5. Валидация ↗

MCP Tools

6 уроков

1. Что такое Tool? ↗

2. Tool Schema ↗

3. Типизация ↗

4. Tool Discovery ↗

5. Tool Calling ↗

6. Structured Output ↗

MCP Resoures

4 урока

1. Что такое Resources? ↗

2. Resource URI ↗

3. Dynamic Resources ↗

4. Resource Templates ↗

MCP Prompts

4 урока

1. Что такое Prompts? ↗

2. Dynamic Prompts ↗

3. Parameterized Prompts ↗

4. Prompt Versioning ↗

MCP + AI Agents

4 урока

1. MCP в агентных системах ↗

2. MCP и Function Calling ↗

3. MCP и OpenAI SDK ↗

4. MCP и LangGraph ↗

Базы данных и MCP

4 урока

1. PostgreSQL MCP ↗

2. Redis MCP ↗

3. MongoDB MCP ↗

4. Безопасное выполнение запросов ↗

Production Architecture

7 уроков

1. MCP Gateway ↗

2. MCP Proxy ↗

3. MCP Aggregator ↗

4. Service Discovery ↗

5. Rate Limiting ↗

6. Caching ↗

7. Retry Policies ↗

Безопасность и Observability MCP

4 урока

1. Основы безопасности: Prompt Injection, Tool Poisoning, Sandbox ↗

2. Logging, Tracing ↗

3. Observability: LangFuse, OpenTelemetry ↗

4. Evalution: метрики и оценки MCP ↗

Заключение

1 урок

1. Конец курса ↗