Содержание пакета (2 курса)
1. AI Агенты на Python: от новичка до продакшена с LangGraph и MCP
Введение в курс
1 урок
1.
О курсе
↗
Основы
4 урока
1.
Что такое AI-агент: чат-бот vs workflow vs агент.
↗
2.
Окружение и первый вызов LLM API
↗
3.
Промптинг и structured output
↗
4.
Tool calling
↗
Агент с нуля
4 урока
1.
Агентный цикл (ReAct) на чистом Python
↗
2.
Проектирование инструментов
↗
3.
Память и контекст
↗
4.
Планирование и рефлексия
↗
Знания и RAG
4 урока
1.
Эмбеддинги и векторный поиск
↗
2.
RAG: чанкинг, retrieval, генерация с цитированием
↗
3.
Agentic RAG
↗
4.
Долговременная память
↗
Агентные фреймворки и протоколы
4 урока
1.
Обзор ландшафта. LangGraph, LangChain, OpenAI Agents SDK
↗
2.
LangGraph: граф, состояние, узлы, ребра
↗
3.
Human-in-the-loop и чекпоинты
↗
4.
MCP (Model Context Protocol)
↗
Сложные системы
4 урока
1.
Паттерны: routing, parallelization, orchestrator-workers
↗
2.
Мультиагентные системы
↗
3.
CodeGen агенты
↗
4.
Локальные модели для агентов. Ollama, llama.cpp, vLLM
↗
Качество
3 урока
1.
Evalution. Метрики, RAGAS, DeepEval
↗
2.
Тестирование агентов
↗
3.
Observability. Langfuse, LangSmith, OpenTelemetry
↗
Продакшен
5 уроков
1.
API-обёртка. FastAPI, async, стриминг ответов.
↗
2.
Надёжность. Ретраи, таймауты, rate limits, fallback между моделя
↗
3.
Безопасность. Prompt injection, права инструментов
↗
4.
Стоимость и скорость. Prompt caching, выбор моделей, батчи, лими
↗
5.
Деплой. Docker, очереди задач, CI/CD, масштабирование.
↗
2. LLM-Engineer: Создание AI-продукта с нуля 4.33
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
↗