Курс на Stepik
Обложка курса «LLM для Python-разработчиков: от RAG до агентов» на Stepik
3 500₽ -25%
--:--:--
2 625 ₽

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 354
Сертификаты, выданные на курсе «LLM для Python-разработчиков: от RAG до агентов»Сертификатов выдано 64
Отзывы о курсе «LLM для Python-разработчиков: от RAG до агентов»Отзывов получено 7
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 450
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» 450 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» 16 ч. Последнее обновление курса «LLM для Python-разработчиков: от RAG до агентов» обн. 27 мая 2026

1. Введение

1 урок
Открытый
1.1 О курсе ↗
123
56
2м 23с
0

2. Введение в LLM: с нуля до первого запроса

8 уроков
Закрытый
2.1 Что такое LLM? ↗
35
25
17м 34с
0
Закрытый
2.2 Осознанное взаимодействие с LLM: промпты, параметры, security ↗
31
22
12м 10с
0
Закрытый
2.3 Выбор между облачными API и локальными моделями ↗
28
14
20м 54с
0
Закрытый
2.4 Первый запрос к LLM ↗
23
12
29м 57с
0
Закрытый
2.5 Установка и запуск LLM локально с помощью Ollama ↗
20
13
9м 59с
0
Закрытый
2.6 Base-модели и instruct-модели: в чём разница и почему это важно ↗
19
15
6м 21с
0
Закрытый
2.7 Эксперименты с промптами: few-shot и chain-of-thought ↗
19
12
9м 51с
0
Закрытый
2.8 Закрепление материала ↗
18
9
1м 4с
0

3. Embeddings и векторные базы данных

6 уроков
Закрытый
3.1 Что такое embeddings (эмбеддинги)? ↗
16
11
13м 36с
0
Закрытый
3.2 Векторные базы данных: зачем они и как работают? ↗
16
8
14м 37с
0
Закрытый
3.3 Создание и поиск по эмбеддингам с Chroma ↗
17
5
19м 2с
0
Закрытый
3.4 Переход на Qdrant: запуск через Docker и интеграция ↗
15
6
29м 10с
0
Закрытый
3.5 Полезные практики: чанкинг, метаданные, reranking ↗
14
5
7м 23с
0
Закрытый
3.6 Закрепление материала ↗
10
4
-
0

4. RAG: Retrieval-Augmented Generation на практике

8 уроков
Закрытый
4.1 RAG с нуля: архитектура и первый рабочий пайплайн ↗
12
6
9м 1с
0
Закрытый
4.2 RAG в продакшене: переключение на Qdrant и асинхронность ↗
8
3
-
0
Закрытый
4.3 Оценка качества RAG ↗
8
3
-
0
Закрытый
4.4 Защита от галлюцинаций и фильтрация ответов ↗
10
4
17м 54с
0
Закрытый
4.5 Введение в агентов: LLM + инструменты (tools) ↗
9
5
-
0
Закрытый
4.6 Stateful-агенты с LangGraph ↗
9
5
-
0
Закрытый
4.7 Подготовка к продакшену: логирование, мониторинг, безопасность ↗
8
5
-
0
Закрытый
4.8 Закрепление: финальный мини-проект ↗
6
3
-
0

5. Продвинутый RAG: надёжность, безопасность и контроль в продакшен

6 уроков
Закрытый
5.1 Почему RAG ломается в продакшене? Типичные сценарии ↗
6
2
-
0
Закрытый
5.2 Защита RAG: от индексации до ответа ↗
4
3
-
0
Закрытый
5.3 Мониторинг RAG в продакшене: логи, метрики, алерты ↗
5
3
-
0
Закрытый
5.4 Оптимизация поиска: reranking и multi-query ↗
5
3
-
0
Закрытый
5.5 Метаданные: основа безопасности и персонализации ↗
6
3
-
0
Закрытый
5.6 Закрепление материала ↗
5
1
-
0

6. Локальные LLM: запуск без облака и без GPU

7 уроков
Закрытый
6.1 Когда локальные LLM — не просто «можно», а «нужно» ↗
6
5
-
0
Закрытый
6.2 Выбор модели под задачу: не параметры, а измеримые метрики ↗
7
4
-
0
Закрытый
6.3 Ollama в продакшене: как обернуть демон в надёжный сервис ↗
4
4
-
0
Закрытый
6.4 Прямой inference через llama-cpp-python ↗
6
3
-
0
Закрытый
6.5 Мониторинг и алертинг для локальных LLM ↗
5
3
-
0
Закрытый
6.6 Решение типичных проблем в продакшене ↗
4
2
-
0
Закрытый
6.7 Закрепление материала ↗
2
2
-
0

7. Дообучение LLM без GPU и PhD

4 урока
Закрытый
7.1 Зачем дообучать модель и когда это оправдано ↗
6
3
-
0
Закрытый
7.2 Дообучение через LoRA на бесплатной GPU (Google Colab) ↗
6
1
-
0
Открытый
7.3 Интеграция LoRA-адаптера в локальные LLM ↗
42
2
1м 44с
0
Закрытый
7.4 Закрепление материала ↗
3
2
-
0

8. Multi-agent системы: оркестрация и роли

4 урока
Закрытый
8.1 Введение в multi-agent системы ↗
5
2
-
0
Закрытый
8.2 Архитектура и оркестрация ↗
5
2
-
0
Закрытый
8.3 Реализация на CrewAI ↗
3
2
-
0
Закрытый
8.4 Альтернативы и расширения (Autogen, кастомизация) ↗
3
2
-
0

9. Финальный проект — AI-ассистент разработчика

6 уроков
Открытый
9.1 Архитектура и требования ↗
39
24
2м 44с
0
Закрытый
9.2 Подготовка окружения и компонентов ↗
7
7
-
0
Закрытый
9.3 Реализация RAG-поиска (POST /search) ↗
6
6
-
0
Закрытый
9.4 Реализация генерации и сохранения (POST /generate) ↗
4
4
-
0
Закрытый
9.5 Инфраструктура и тестирование ↗
5
5
-
0
Закрытый
9.6 Компромиссы и пути развития ↗
5
1
-
0

10. Заключение

1 урок
Закрытый
10.1 Заключение ↗
5
5
-
0

11. Глоссарий и закрепление по всему курсу

3 урока
Закрытый
11.1 Глоссарий курса ↗
11
11
21м 20с
0
Закрытый
11.2 Тесты 1 ↗
6
5
-
0
Закрытый
11.3 Тесты 2 ↗
6
2
-
0