Чему вы научитесь
- Разворачивать Qdrant в Docker и работать через REST API и qdrant-client
- Проектировать коллекцию до загрузки данных: метрика, payload, индексы, named vectors
- Применять CRUD, search, scroll, count и фильтры по payload в Python
- Собирать гибридный поиск (dense + sparse, RRF) и рекомендации через Recommendation API
- Настраивать multitenancy (tenant_id) и zero-downtime reindex через алиасы коллекций
- Эксплуатировать Qdrant в production: snapshots, мониторинг, API key, Docker Compose
О курсе
Практический курс по Qdrant для Python-разработчиков: embeddings, REST API, Python-клиент, гибридный поиск, multitenancy и production-деплой. Финал — VectorCatalog (FastAPI + Qdrant + Docker Compose). Только инженерия векторного поиска, применимая в проде.
Для кого этот курс
— Python/backend-разработчики, которым нужен семантический или гибридный поиск в продукте
— Инженеры, которые подключили Qdrant «по гайду», но не разобрались с фильтрами, индексами payload и multitenancy
— Команды, проектирующие SaaS или базу знаний с изоляцией данных по клиентам
— Те, кто готовит свой пет-проект, но не знает как обращаться с векторной базой
— Разработчики которые уже знают, что такое RAG/агенты и хотят разобраться с векторной БД
— Инженеры, которые подключили Qdrant «по гайду», но не разобрались с фильтрами, индексами payload и multitenancy
— Команды, проектирующие SaaS или базу знаний с изоляцией данных по клиентам
— Те, кто готовит свой пет-проект, но не знает как обращаться с векторной базой
— Разработчики которые уже знают, что такое RAG/агенты и хотят разобраться с векторной БД
Начальные требования
- ✅ Python 3.11+ — функции, dict/list, базовая работа с модулями
- ✅ Желательно иметь базу по вопросам RAG, LLM (Я бы порекомендовал проходить курс после модуля 4 курса по LLM)
- ✅ Docker — запуск контейнера,
docker compose up - ✅ HTTP и JSON — GET/POST, чтение тела ответа
- ✅ Понимание, что вектор — это массив чисел фиксированной длины (что такое embeddings и как их создавать)
- ❌ Не требуется: PyTorch, training моделей, линейная алгебра, опыт ML-инженера
Преподаватели курса
3 067
Как проходит обучение
- Конспекты — теория с кодом; сначала REST (
curl, Dashboard), затем Python-клиент - Задачи на программирование — автопроверка на Stepik, моки Qdrant в шаблонах
- Тесты — проверка понимания терминов и API
- VectorCatalog — модули 6.x: от окружения до production Compose
- Комментарии к урокам — автор отвечает на вопросы
Что вы получите
- Системное понимание Qdrant: от embeddings до production-паттернов
- Проект VectorCatalog для портфолио (FastAPI + Qdrant + PostgreSQL + Docker)
- Готовые приёмы: hybrid search, multitenancy, alias swap, backup через snapshot
- Глоссарий курса — быстрый повтор терминов перед собеседованием или code review
- База для RAG и AI-backend — без «магии», с контролем над индексом и фильтрами
Нагрузка
4–5 часов в неделю