Курс на Stepik
Обложка курса «RAG на Python: работа с документами и поиском» на Stepik
1 490 ₽

RAG на Python: работа с документами и поиском ★ 0.000

Открыть на
STEPIK.ORG

Соберёте RAG-систему, которая находит информацию в документах и отвечает с указанием источников. В основе — Qdrant, OpenAI и FastAPI.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «RAG на Python: работа с документами и поиском»Учеников на курсе 5
Сертификаты, выданные на курсе «RAG на Python: работа с документами и поиском»Сертификатов выдано 0
Отзывы о курсе «RAG на Python: работа с документами и поиском»Отзывов получено 0
Рейтинг курса «RAG на Python: работа с документами и поиском»Рейтинг курса 0.000
Уроки в курсе «RAG на Python: работа с документами и поиском»Количество уроков 30
Тесты в курсе «RAG на Python: работа с документами и поиском»Количество квизов 300
Стоимость курса «RAG на Python: работа с документами и поиском»Стоимость курса 1 490 ₽ —
Обновления курса «RAG на Python: работа с документами и поиском»Обновления курса — —
Дата публикации курса «RAG на Python: работа с документами и поиском»Дата публикации курса — ———
Последнее обновление курса «RAG на Python: работа с документами и поиском»Последнее обновление — ———
Сложность normal — ———

Содержание курса

Разделы в курсе «RAG на Python: работа с документами и поиском» 15 разделов Уроки в курсе «RAG на Python: работа с документами и поиском» 30 уроков Тесты в курсе «RAG на Python: работа с документами и поиском» 300 тестов Последнее обновление курса «RAG на Python: работа с документами и поиском» обн. 14 июня 2026

Зачем RAG, когда есть просто LLM

2 урока
1. Зачем нужен RAG ↗
2. Анатомия RAG: от вопроса до ответа ↗

Эмбеддинги: как текст превращается в вектор

2 урока
1. Что такое эмбеддинг и как его получить ↗
2. Близость векторов и выбор модели ↗

Векторные базы данных

2 урока
1. Зачем нужна векторная БД и как она ищет ↗
2. Qdrant на практике: коллекции и фильтры ↗

Загрузка и парсинг документов

2 урока
1. Парсинг документов: PDF, HTML, Word ↗
2. Чистка текста и метаданные ↗

Чанкинг: где резать текст

2 урока
1. Зачем чанкинг и какие бывают стратегии ↗
2. Размер, токены и подбор параметров ↗

Первый рабочий RAG end-to-end

2 урока
1. Собираем базовый RAG на Qdrant и OpenAI ↗
2. RAG-промпт и цитирование источников ↗

Почему ваш RAG выдаёт мусор

2 урока
1. Диагностика: retrieval или generation ↗
2. Шум, дубликаты и противоречия в контексте ↗

Гибридный поиск и реранкинг

2 урока
1. Гибридный поиск: семантика плюс ключевые слова ↗
2. Реранкинг: второй точный проход ↗

Трансформация запроса

2 урока
1. Переписывание запроса, HyDE и multi-query ↗
2. Декомпозиция, маршрутизация и когда не искать ↗

Как измерить, что RAG стал лучше

2 урока
1. Золотой набор и метрики retrieval ↗
2. Метрики генерации, RAGAS и регрессии ↗

Галлюцинации и доверие к ответу

2 урока
1. Заземление, цитаты и право сказать «не знаю» ↗
2. Guardrails и защита от prompt injection ↗

Продвинутые архитектуры RAG

2 урока
1. Small-to-big, contextual retrieval, multi-vector ↗
2. GraphRAG, text-to-SQL и лестница сложности ↗

Агентный RAG

2 урока
1. Retrieval как инструмент и агентная петля ↗
2. Self-RAG, Corrective RAG и цена агентности ↗

RAG в проде: деплой и инженерия

2 урока
1. RAG как сервис: API, стриминг, кэш, латентность ↗
2. Обновление индекса, версионирование и стоимость ↗

Мониторинг и эксплуатация

2 урока
1. Логирование, трейсинг и онлайн-метрики ↗
2. Дрейф, петля фидбэка и эксплуатация ↗