Содержание пакета (2 курса)
1. AI Developer на Python: LLM в реальных приложениях 5.00
Основы AI-разработки и надежный LLM-клиент
6 уроков
1.
Что создает AI Developer?
↗
2.
Первый запрос к модели
↗
3.
Как работает LLM на уровне, необходимом разработчику
↗
4.
Сообщения и параметры запроса
↗
5.
Конфигурация и секреты
↗
6.
Делаем надежный LLM Client
↗
Инструкции, контекст и AI-диалоги
6 уроков
1.
Проектирование инструкций и контекста
↗
2.
Шаблоны и версии промптов
↗
3.
Чат с историей: сессии и изоляция
↗
4.
Управление размером истории
↗
5.
Потоковая генерация
↗
6.
Проверка промптов и диалогов
↗
Структурированные ответы и безопасный вызов инструментов
8 уроков
1.
От свободного текста к контракту данных
↗
2.
Структурированные ответы и JSON Schema
↗
3.
Pydantic и валидация AI-ответов
↗
4.
Практические AI-функции
↗
5.
Вызов инструментов
↗
6.
Реестр и выполнение инструментов
↗
7.
Безопасность действий
↗
8.
Большое ревью и рефакторинг проекта
↗
Документы, таблицы и изображения
7 уроков
1.
Безопасная работа с файлами
↗
2.
Извлечение текста из документов
↗
3.
Табличные данные
↗
4.
Проектирование Document AI Service
↗
5.
Большие документы без RAG
↗
6.
Изображения и Vision LLM
↗
7.
Итоговые сценарии и проверка
↗
AI-бэкенд на FastAPI
6 уроков
1.
От консольного приложения к FastAPI
↗
2.
Типизированные AI эндпоинты и ошибки
↗
3.
Chat API и сессии
↗
4.
Потоковые ответы через SSE
↗
5.
Загрузка и анализ файлов
↗
6.
Тестирование AI API
↗
Надежность, качество и выпуск AI Backend
7 уроков
1.
Надежность и ресурсные ограничения
↗
2.
Безопасность итогового приложения
↗
3.
Логи и метрики AI-приложения
↗
4.
Проверка качества и защита от регрессий
↗
5.
Финальное ревью проекта
↗
6.
Docker и воспроизводимый запуск
↗
7.
Финальная демонстрация и защита
↗
2. AI Engineer на Python: RAG, агенты, MCP и дообучение LLM
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
↗