Чему вы научитесь
- Строить production-ready REST API на FastAPI с асинхронной архитектурой и разделением на слои.
- Проектировать и работать с реляционными базами данных (PostgreSQL) через SQLAlchemy и управлять схемой через Alembic.
- Реализовывать полный RAG-пайплайн: чанкинг, эмбеддинги, гибридный поиск (BM25 + Dense) с объединением через RRF и работу с векторной БД Qdrant.
- Интегрировать проприетарные (OpenAI) и локальные (Ollama) LLM, настраивать промпты (Zero-shot, Few-shot, CoT) и получать структурированные JSON-ответы.
- Собирать метрики производительности (latency, token usage, cost), логировать запросы и писать тесты (pytest).
- Контейнеризировать приложение с Docker и оркестрировать сервисы (app, postgres, qdrant) через Docker Compose.
- Проектировать и разрабатывать ReAct-агентов, способных рассуждать, планировать и использовать внешние инструменты.
- Создавать сложные агентные системы с управляемым состоянием, циклами и ветвлениями на LangGraph.
- Строить мультиагентные архитектуры с супервизором и специализированными агентами-подчинёнными.
- Подключать агентов к внешним данным и сервисам через MCP (Model Context Protocol).
- Управлять памятью агента (краткосрочной и долгосрочной через векторные БД).
- Отлаживать и трассировать агентов с помощью LangSmith и логирования.
- Деплоить агентные системы как production-ready сервисы.
О курсе
Объединённая программа "LLM-инженер: от RAG до мультиагентных систем" — это полный путь в AI-инженерии, состоящий из двух практических курсов. Сначала вы научитесь строить промышленные RAG-сервисы с нуля, освоив FastAPI, PostgreSQL, Qdrant, гибридный поиск и Docker. Затем вы перейдёте к созданию интеллектуальных агентов на LangChain, LangGraph и MCP, которые способны планировать, использовать инструменты и работать в команде.
Для кого этот курс
Программа создана для Python-разработчиков и начинающих AI-инженеров, которые хотят освоить практические навыки работы с LLM. Она идеально подходит тем, кто уже знаком с основами Python и хочет перейти от теории к реальным проектам.
Вам подойдёт, если вы:
1. Хотите научиться строить production-ready LLM-приложения с нуля
2. Уже знакомы с Python и хотите погрузиться в AI-инженерию
3. Хотите собрать портфолио из двух полноценных проектов
4. Готовы писать код и разбираться в архитектурах на практике
5. Хотите понять, как работают RAG-системы и AI-агенты "изнутри"
Начальные требования
-
Python (уверенный уровень): функции, классы, работа с JSON, асинхронность
-
Базовое понимание API: что такое REST, HTTP-запросы, JSON
-
Умение работать в терминале: базовые команды
Всё остальное — Docker, базы данных, архитектура, работа с LLM и агентами — вы изучите в процессе. Программа построена так, чтобы даже новичок в AI-инженерии мог пройти её от начала до конца.
Преподаватели курса
89
Что вы получите
- Два готовых проекта для портфолио:
- Production-ready RAG-сервис с гибридным поиском, контейнеризацией и метриками
- Агент-помощник с мультиагентной архитектурой, памятью и интеграцией с внешними сервисами
- Навыки работы с современным AI-стеком:
- FastAPI, PostgreSQL, Docker, Qdrant
- LangChain, LangGraph, MCP
- OpenAI, Ollama, HuggingFace
- Loguru, pytest, Alembic
- Глубокое понимание архитектуры LLM-приложений:
- От монолита к микросервисам
- От простых цепочек к мультиагентным системам
- От локальной разработки к продакшен-деплою
- Программа даёт вам навыки, которые нужны, чтобы создавать реальные AI-продукты — от чат-ботов для поддержки до автономных агентов, автоматизирующих целые бизнес-процессы.
Нагрузка
2-3 часов в неделю