Содержание пакета (2 курса)
1. AI-агенты на базе LLM с LangChain, LangGraph и MCP 5.00
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. LLM-Engineer: Создание AI-продукта с нуля 5.00
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
↗