Курс на Stepik
Обложка курса «LLM для Python-разработчиков: от RAG до агентов» на Stepik
3 500₽ -20%
--:--:--
2 800 ₽

LLM для Python-разработчиков: от RAG до агентов ★ 5.000

Открыть на
STEPIK.ORG

Ввод в профессию AI-Engineer. Курс для Python-разработчиков: как внедрить LLM в реальные задачи — от эмбеддингов и RAG до дообучения и multi-agent систем без GPU и PhD.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «LLM для Python-разработчиков: от RAG до агентов»Учеников на курсе 590
Сертификаты, выданные на курсе «LLM для Python-разработчиков: от RAG до агентов»Сертификатов выдано 100
Отзывы о курсе «LLM для Python-разработчиков: от RAG до агентов»Отзывов получено 8
Рейтинг курса «LLM для Python-разработчиков: от RAG до агентов»Рейтинг курса 5.000
Уроки в курсе «LLM для Python-разработчиков: от RAG до агентов»Количество уроков 56
Тесты в курсе «LLM для Python-разработчиков: от RAG до агентов»Количество квизов 448
Задачи с кодом в курсе «LLM для Python-разработчиков: от RAG до агентов»Количество задач с кодом 52
Время прохождения курса «LLM для Python-разработчиков: от RAG до агентов»Время прохождения курса —
Стоимость курса «LLM для Python-разработчиков: от RAG до агентов»Стоимость курса 3 500 ₽ —
Обновления курса «LLM для Python-разработчиков: от RAG до агентов»Обновления курса — —
Дата публикации курса «LLM для Python-разработчиков: от RAG до агентов»Дата публикации курса — ———
Последнее обновление курса «LLM для Python-разработчиков: от RAG до агентов»Последнее обновление — ———
Сложность normal — ———

Содержание курса

Разделы в курсе «LLM для Python-разработчиков: от RAG до агентов» 11 разделов Уроки в курсе «LLM для Python-разработчиков: от RAG до агентов» 56 уроков Тесты в курсе «LLM для Python-разработчиков: от RAG до агентов» 448 тестов Задачи в курсе «LLM для Python-разработчиков: от RAG до агентов» 52 задачи Время прохождения курса «LLM для Python-разработчиков: от RAG до агентов» 15 ч. Последнее обновление курса «LLM для Python-разработчиков: от RAG до агентов» обн. 31 августа 2026

Введение

1 урок
1. О курсе ↗

Введение в LLM: с нуля до первого запроса

8 уроков
1. Что такое LLM? ↗
2. Осознанное взаимодействие с LLM: промпты, параметры, security ↗
3. Выбор между облачными API и локальными моделями ↗
4. Первый запрос к LLM ↗
5. Установка и запуск LLM локально с помощью Ollama ↗
6. Base-модели и instruct-модели: в чём разница и почему это важно ↗
7. Эксперименты с промптами: few-shot и chain-of-thought ↗
8. Закрепление материала ↗

Embeddings и векторные базы данных

6 уроков
1. Что такое embeddings (эмбеддинги)? ↗
2. Векторные базы данных: зачем они и как работают? ↗
3. Создание и поиск по эмбеддингам с Chroma ↗
4. Переход на Qdrant: запуск через Docker и интеграция ↗
5. Полезные практики: чанкинг, метаданные, reranking ↗
6. Закрепление материала ↗

RAG: Retrieval-Augmented Generation на практике

8 уроков
1. RAG с нуля: архитектура и первый рабочий пайплайн ↗
2. RAG в продакшене: переключение на Qdrant и асинхронность ↗
3. Оценка качества RAG ↗
4. Защита от галлюцинаций и фильтрация ответов ↗
5. Введение в агентов: LLM + инструменты (tools) ↗
6. Stateful-агенты с LangGraph ↗
7. Подготовка к продакшену: логирование, мониторинг, безопасность ↗
8. Закрепление: финальный мини-проект ↗

Продвинутый RAG: надёжность, безопасность и контроль в продакшен

6 уроков
1. Почему RAG ломается в продакшене? Типичные сценарии ↗
2. Защита RAG: от индексации до ответа ↗
3. Мониторинг RAG в продакшене: логи, метрики, алерты ↗
4. Оптимизация поиска: reranking и multi-query ↗
5. Метаданные: основа безопасности и персонализации ↗
6. Закрепление материала ↗

Локальные LLM: запуск без облака и без GPU

7 уроков
1. Когда локальные LLM — не просто «можно», а «нужно» ↗
2. Выбор модели под задачу: не параметры, а измеримые метрики ↗
3. Ollama в продакшене: как обернуть демон в надёжный сервис ↗
4. Прямой inference через llama-cpp-python ↗
5. Мониторинг и алертинг для локальных LLM ↗
6. Решение типичных проблем в продакшене ↗
7. Закрепление материала ↗

Дообучение LLM без GPU и PhD

4 урока
1. Зачем дообучать модель и когда это оправдано ↗
2. Дообучение через LoRA на бесплатной GPU (Google Colab) ↗
3. Интеграция LoRA-адаптера в локальные LLM ↗
4. Закрепление материала ↗

Multi-agent системы: оркестрация и роли

4 урока
1. Введение в multi-agent системы ↗
2. Архитектура и оркестрация ↗
3. Реализация на CrewAI ↗
4. Альтернативы и расширения (Autogen, кастомизация) ↗

Финальный проект — AI-ассистент разработчика

6 уроков
1. Архитектура и требования ↗
2. Подготовка окружения и компонентов ↗
3. Реализация RAG-поиска (POST /search) ↗
4. Реализация генерации и сохранения (POST /generate) ↗
5. Инфраструктура и тестирование ↗
6. Компромиссы и пути развития ↗

Заключение

1 урок
1. Заключение ↗

Глоссарий и закрепление по всему курсу

3 урока
1. Глоссарий курса ↗
2. Тесты 1 ↗
3. Тесты 2 ↗