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

1. Зачем RAG, когда есть просто LLM

2 урока
Открытый
1.1 Зачем нужен RAG
3
1
-
0
Открытый
1.2 Анатомия RAG: от вопроса до ответа
1
1
-
0

2. Эмбеддинги: как текст превращается в вектор

2 урока
Открытый
2.1 Что такое эмбеддинг и как его получить
1
1
-
0
Открытый
2.2 Близость векторов и выбор модели
1
1
-
0

3. Векторные базы данных

2 урока
Открытый
3.1 Зачем нужна векторная БД и как она ищет
1
1
-
0
Открытый
3.2 Qdrant на практике: коллекции и фильтры
1
1
-
0

4. Загрузка и парсинг документов

2 урока
Открытый
4.1 Парсинг документов: PDF, HTML, Word
1
1
-
0
Открытый
4.2 Чистка текста и метаданные
1
1
-
0

5. Чанкинг: где резать текст

2 урока
Открытый
5.1 Зачем чанкинг и какие бывают стратегии
1
1
-
0
Открытый
5.2 Размер, токены и подбор параметров
1
1
-
0

6. Первый рабочий RAG end-to-end

2 урока
Открытый
6.1 Собираем базовый RAG на Qdrant и OpenAI
1
1
-
0
Открытый
6.2 RAG-промпт и цитирование источников
1
1
-
0

7. Почему ваш RAG выдаёт мусор

2 урока
Открытый
7.1 Диагностика: retrieval или generation
2
1
-
0
Открытый
7.2 Шум, дубликаты и противоречия в контексте
1
1
-
0

8. Гибридный поиск и реранкинг

2 урока
Открытый
8.1 Гибридный поиск: семантика плюс ключевые слова
1
1
-
0
Открытый
8.2 Реранкинг: второй точный проход
1
1
-
0

9. Трансформация запроса

2 урока
Открытый
9.1 Переписывание запроса, HyDE и multi-query
1
1
-
0
Открытый
9.2 Декомпозиция, маршрутизация и когда не искать
1
1
-
0

10. Как измерить, что RAG стал лучше

2 урока
Открытый
10.1 Золотой набор и метрики retrieval
1
1
-
0
Открытый
10.2 Метрики генерации, RAGAS и регрессии
2
1
-
0

11. Галлюцинации и доверие к ответу

2 урока
Открытый
11.1 Заземление, цитаты и право сказать «не знаю»
1
1
-
0
Открытый
11.2 Guardrails и защита от prompt injection
1
1
-
0

12. Продвинутые архитектуры RAG

2 урока
Открытый
12.1 Small-to-big, contextual retrieval, multi-vector
1
1
-
0
Открытый
12.2 GraphRAG, text-to-SQL и лестница сложности
1
1
-
0

13. Агентный RAG

2 урока
Открытый
13.1 Retrieval как инструмент и агентная петля
2
1
-
0
Открытый
13.2 Self-RAG, Corrective RAG и цена агентности
1
1
-
0

14. RAG в проде: деплой и инженерия

2 урока
Открытый
14.1 RAG как сервис: API, стриминг, кэш, латентность
1
1
-
0
Открытый
14.2 Обновление индекса, версионирование и стоимость
1
1
-
0

15. Мониторинг и эксплуатация

2 урока
Открытый
15.1 Логирование, трейсинг и онлайн-метрики
1
1
-
0
Открытый
15.2 Дрейф, петля фидбэка и эксплуатация
1
1
-
0