Курс на Stepik
Обложка курса «LLM-инженер: от prompt-инжиниринга до production» на Stepik
Бесплатно

LLM-инженер: от prompt-инжиниринга до production ★ 0.000

Открыть на
STEPIK.ORG

End-to-end курс по production-LLM-приложениям на Python: prompt-engineering, structured output, RAG, агенты, evaluation, monitoring, security. 14 основных + 3 бонусных модуля, около 20 заданий с автопроверкой, финальный проект.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «LLM-инженер: от prompt-инжиниринга до production»Учеников на курсе 358
Сертификаты, выданные на курсе «LLM-инженер: от prompt-инжиниринга до production»Сертификатов выдано 0
Отзывы о курсе «LLM-инженер: от prompt-инжиниринга до production»Отзывов получено 0
Рейтинг курса «LLM-инженер: от prompt-инжиниринга до production»Рейтинг курса 0.000
Уроки в курсе «LLM-инженер: от prompt-инжиниринга до production»Количество уроков 19
Тесты в курсе «LLM-инженер: от prompt-инжиниринга до production»Количество квизов 76
Задачи с кодом в курсе «LLM-инженер: от prompt-инжиниринга до production»Количество задач с кодом 15
Время прохождения курса «LLM-инженер: от prompt-инжиниринга до production»Время прохождения курса —
Обновления курса «LLM-инженер: от prompt-инжиниринга до production»Обновления курса — —
Дата публикации курса «LLM-инженер: от prompt-инжиниринга до production»Дата публикации курса — ———
Последнее обновление курса «LLM-инженер: от prompt-инжиниринга до production»Последнее обновление — ———
Сложность normal — ———

Содержание курса

Разделы в курсе «LLM-инженер: от prompt-инжиниринга до production» 8 разделов Уроки в курсе «LLM-инженер: от prompt-инжиниринга до production» 19 уроков Тесты в курсе «LLM-инженер: от prompt-инжиниринга до production» 76 тестов Задачи в курсе «LLM-инженер: от prompt-инжиниринга до production» 15 задач Время прохождения курса «LLM-инженер: от prompt-инжиниринга до production» 3 ч. Последнее обновление курса «LLM-инженер: от prompt-инжиниринга до production» обн. 4 июня 2026

1. Введение

1 урок
Открытый
1.1 Добро пожаловать ↗
89
89
1м 44с
0

2. Часть 1. Базы LLM-инженерии

4 урока
Открытый
2.1 Что такое LLM и как они работают ↗
44
1
0м 30с
0
Открытый
2.2 Prompt engineering: zero-shot, few-shot, chain-of-thought ↗
3
0
-
0
Открытый
2.3 Setup проекта и LLM-клиент ↗
2
0
-
0
Открытый
2.4 Structured output и function calling ↗
3
0
-
0

3. Часть 2. LLM как инструмент для классического NLP

1 урок
Открытый
3.1 NLP-задачи через LLM: классификация, NER, суммаризация ↗
3
0
-
0

4. Часть 3. RAG

5 уроков
Открытый
4.1 Зачем нужен RAG (и когда без него легче) ↗
1
0
-
0
Открытый
4.2 Chunking и embeddings: фундамент retrieval ↗
1
0
-
0
Открытый
4.3 Vector stores и retrieval: dense, sparse, hybrid ↗
1
0
-
0
Открытый
4.4 Reranking и generation: финальный отбор и качественный ответ ↗
2
0
-
0
Открытый
4.5 Evaluation: метрики, golden datasets, систематическая оценка ↗
1
0
-
0

5. Часть 4. LLM-агенты

2 урока
Открытый
5.1 LLM-агенты: tool use и единичные агенты ↗
3
0
-
0
Открытый
5.2 Multi-agent системы и роутинг ↗
2
0
-
0

6. Часть 5. Production и финальный проект

2 урока
Открытый
6.1 Production: caching, monitoring, latency, security ↗
1
0
-
0
Открытый
6.2 Финальный проект: end-to-end LLM-приложение ↗
2
2
-
0

7. Часть 6. Бонус

3 урока
Открытый
7.1 Fine-tuning: LoRA/QLoRA — когда нужно (и когда нет) ↗
2
0
-
0
Открытый
7.2 AI Safety: модель угроз, атаки на LLM-приложения и red-teaming ↗
1
0
-
0
Открытый
7.3 Ингест и парсинг документов для RAG ↗
2
0
-
0

8. Заключение

1 урок
Открытый
8.1 Спасибо и обратная связь ↗
9
9
-
0