Чему вы научитесь
- Проектировать и работать с 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 Qdrant.
- Интегрировать OpenAI и локальные модели (Ollama), настраивать промпты (Zero-shot, Few-shot, CoT) и получать структурированный JSON-вывод.
- 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.
- Курс 2: "AI-агенты на базе LLM с LangChain, LangGraph и MCP"
- 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.
- Управлять памятью агента (краткосрочной и долгосрочной через Qdrant).
- Внедрять Human-in-the-loop — паузы и подтверждения от пользователя.
- Тестировать и оценивать качество агентов с помощью LLM-as-Judge и метрик успешности.
- Понимать, как устроен MCP: архитектура, примитивы (Tools, Resources, Prompts), жизненный цикл соединения.
- Создавать собственные MCP-серверы с инструментами, ресурсами и промптами.
- Подключать MCP-серверы к Claude Desktop, Cursor, OpenAI Agents SDK и AI-агентам.
- Строить enterprise-архитектуры: MCP Gateway, Proxy, Aggregator, Service Discovery, Rate Limiting, Caching.
- Обеспечивать безопасность MCP: защита от prompt injection, tool poisoning, data leakage.
- Внедрять наблюдаемость: логирование, трассировка, OpenTelemetry, Langfuse.
О курсе
Эта программа — ваш полный путь в AI-инженерию. Вы пройдёте путь от создания RAG-сервисов до разработки мультиагентных систем и подключения внешних сервисов через MCP.
Программа объединяет три практических курса. Сначала вы построите RAG-сервис с гибридным поиском и контейнеризацией. Затем перейдёте к агентам на LangChain и LangGraph, научитесь управлять памятью, создавать мультиагентные системы и останавливаться для подтверждения от человека. И наконец, освоите MCP — протокол, который стал индустриальным
Для кого этот курс
Backend-разработчик: Хотите перейти в AI-инженерию и научиться создавать production‑ready приложения с LLM. Получите навыки работы с FastAPI, агентами и MCP.
ML-инженер: Умеете обучать модели, но не знаете, как их "оборачивать" в сервисы с API, Docker и тестами. Научитесь выводить AI в продакшен.
Python-разработчик: Хотите освоить современный AI-стек — LangChain, LangGraph, MCP — и собирать проекты в портфолио.
AI-энтузиаст: Уже пробовали ChatGPT API и хотите строить реальные приложения с RAG и агентами. Получите полную картину от идеи до деплоя.
DevOps-инженер: Хотите понять, как устроены LLM-приложения изнутри, чтобы эффективно их деплоить и мониторить. Научитесь архитектуре, логированию и метрикам.
Студент или начинающий специалист: Хотите войти в AI-инженерию с нуля. Получите три проекта в портфолио и уверенный старт в профессии.
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
Преподаватели курса
91
Что вы получите
- Три готовых проекта для портфолио:
- RAG-сервис с гибридным поиском и метриками
- Мультиагентная система с супервизором и памятью
- Набор MCP-серверов и enterprise-архитектур
- Навыки работы с современным AI-стеком:
- FastAPI, PostgreSQL, Docker, Qdrant
- LangChain, LangGraph, MCP
- OpenAI, Ollama, HuggingFace
- Loguru, pytest, Alembic, OpenTelemetry
- Глубокое понимание архитектуры AI-приложений:
- От монолита к микросервисам
- От простых цепочек к мультиагентным системам
- От локальной разработки к enterprise-стандартам
Нагрузка
3-4 часов в неделю