Чему вы научитесь
- Писать промпты и цепочки в LangChain под реальные сценарии
- Настраивать «голос бренда» и структурированный вывод ответов
- Реализовывать RAG по PDF с цитированием источников и страниц
- Подключать инструменты: веб-поиск и трекинг статуса заказа
- Строить многошагового агента для анализа CSV и графиков (Pandas)
- Проектировать промпт-маршрутизацию (RAG vs Web vs Track)
- Логировать токены/латентность и держать SLA ответов
- Собирать веб-приложение: API (FastAPI) + простой фронт
- Готовить автопроверки и отчёты качества (pass-rate, метрики)
- Оформлять результат в GitHub-портфолио и презентовать кейс
- Проектировать PromptOps: версии промптов (YAML), A/B и фичефлаги
- Оценивать качество RAG (faithfulness, precision/recall, citation-rate)
- Делать гибридный поиск (BM25+вектор) и реранк (cross-encoder)
- Выстраивать observability: токены→стоимость, p50/p95, алерты бюджета
- Повышать надёжность: ретраи с джиттером, таймауты, circuit-breaker
- Кэшировать эмбеддинги и ответы, управлять TTL/инвалидацией
- Ставить guardrails: белые списки, политика логов без PII, валидация tool-вызовов
- Проектировать агентные графы на LangGraph: состояние, ветвления, чекпойнты, параллельный RAG/Web
О курсе
Практический курс по LangChain. Соберёте продакшн LLM-бота: RAG по PDF с цитатами, веб-поиск и трекинг заказов, многошаговый агент для анализа CSV и финальное веб-приложение (UI + API). Плюс профессиональные блоки: PromptOps и версионирование промптов, метрики качества RAG, гибридный поиск с реранком, observability/стоимость, надёжность (ретраи, таймауты), guardrails и отдельный модуль по LangGraph для устойчивых workflow.
P.S. Полностью обновили материалы на актуальную версию LangChain
Для кого этот курс
Разработчики Python/Backend, которым нужен рабочий LLM-бот в продукте, а не демо.
Data/ML-инженеры, кто хочет освоить RAG, LangChain и интеграции в стек компании.
Продуктовые аналитики — чтобы быстро собирать ассистентов по документации и отчётам.
Предприниматели/фаундеры, кому нужен помощник поддержки, отвечающий по PDF и данным.
Команды, которые планируют прототип → пилот → продакшн LLM-функций (чат, поиск, отчёты).
Все, кто уже пробовал чистый ChatGPT, но хочет системный подход: контекст, инструменты, метрики и деплой.
Начальные требования
Python 3.10+; умение работать в терминале, pip, виртуальное окружение.
Базовый Git (клонировать репо, создавать коммиты/ветки).
Понимание JSON/YAML, простые запросы HTTP/REST.
Желательно: базовые навыки pandas (агрегации/группировки); если нет — разберёмся по ходу.
ОС: Windows/macOS/Linux. Docker — желательно для финального модуля (деплой).
Не требуется GPU и глубокая математика — курс про инженерную сборку и интеграции.
Преподаватели курса
2 110
Как проходит обучение
Каждый модуль — это мини-спринт: прикладная теория и тестовые задачи → практическое задание → автопроверка качества. Задания сдаются ссылкой на GitHub-репозиторий; в каждом репо есть чек-лист критериев и скрипт, который формирует JSON-отчёт (pass-rate, метрики маршрутизации, точность вычислений и т. п.).
Сертификат
Успешно завершив курс, вы получите сертификат от платформы Stepik. Уже 43 учеников получили сертификат.
Что вы получите
- Рабочий LLM-бот с единым «голосом бренда»
- RAG по PDF с цитатами (страница/фрагмент)
- Инструменты: веб-поиск и трекинг заказа с источниками и датами
- Многошаговый агент для анализа CSV и графиков (PNG)
- Финальное веб-приложение: API (FastAPI) + простой фронт-чат
- Шаблоны промптов, конфигов и чек-листы по каждому модулю
- JSON-отчёты качества (pass-rate, latency, accuracy) для портфолио
- Структурированную архитектуру проекта и понятный путь в продакшн
- Готовые репозитории на GitHub, которые можно показать работодателю/клиенту
- Сертификат Stepik после успешного прохождения