Чему вы научитесь
- Проектировать архитектуру RAG-систем под задачу
- Готовить данные: разбиение на чанки, метаданные, нормализация
- Выбирать и настраивать векторные БД (FAISS/Weaviate/Qdrant)
- Строить пайплайн эмбеддингов и индексации
- Реализовывать retrieval, hybrid-search и reranking
- Создавать LangChain-цепочки, промпт-шаблоны и few-shot
- Организовывать structured output и базовую валидацию ответов
- Собирать REST API на FastAPI: эндпоинты, авторизация, логирование
- Автоматизировать работу в Bash и контролировать версионирование в Git
- Писать тесты, проводить A/B для промптов и метрик качества (Recall@K, latency)
- Оптимизировать стоимость и скорость (кэш, ограничения контекста)
- Готовить демо и портфолио-проект продакшн RAG-бота
О курсе
Для кого этот курс
Начальные требования
Базовый Python (функции, классы, виртуальная среда, pip/poetry), умение читать документацию.
Любая ОС: Linux/macOS/Windows (можно WSL); 8 ГБ ОЗУ достаточно.
Потребуются деньги на оплату запросов к LLM
Преподаватели курса
2 108
Как проходит обучение
-
Структура. Программа собрана из 5 курсов. Идём по треку: Bash+Git → Python Pro →FastAPI → Vector DB & RAG → LangChain . Можно проходить модули по отдельности, но в проекте собираем всё вместе.
-
Формат. Короткая теория → интерактивные задания и практические шаги → мини-проекты → финальный проект (RAG-бот + API).
-
Материалы. Готовые шаблоны кода, чек-листы настройки индекса и промптов, примеры конфигов и тестов, рекомендации по развёртыванию.
-
Поддержка. Обсуждения на платформе, ответы на вопросы, обновления по стеку.
-
Результат. Репозиторий с рабочим RAG-сервисом (README, метрики, инструкции), который можно показать на собеседовании или заказчику.
Рекомендуемая нагрузка — 4–5 часов в неделю; можно проходить быстрее по «быстрому треку» внутри каждого модуля.
Что вы получите
- Полный стек для RAG: LangChain, векторные БД (FAISS/Weaviate/Qdrant), FastAPI, Python Pro, Bash+Git
- Единый трек из 5 курсов: от прототипа до продакшн-бота
- Практика: подготовка данных, чанкинг, метаданные, индексация, retrieval, hybrid-search, rerank
- Готовые шаблоны кода и конфигов для пайплайна эмбеддингов и REST API
- Чек-листы настройки: размеры чанков, фильтры, top-K, кэш, лимиты контекста
- Метрики качества и скорости (Recall@K и др.), основы мониторинга и логирования
- Паттерны промптинга и версионирование промптов, A/B-эксперименты
- Мини-проекты по модулю и финальный портфолио-проект: RAG-ассистент с API и документацией
- Доступ к обновлениям материалов и ответам в обсуждениях
- Сертификаты по завершённым курсам программы