Курс на Stepik
Обложка курса «RAG на Python: чат-бот по своим данным с pgvector» на Stepik
990 ₽

RAG на Python: чат-бот по своим данным с pgvector ★ 0.000

Открыть на
STEPIK.ORG

Соберите RAG-пайплайн руками: chunking, embeddings, векторный поиск в PostgreSQL (pgvector), гибрид с reranking и метрики качества. 125 задач на код с автопроверкой в браузере, без API-ключа и VPN. В финале — чат-бот по своей базе знаний со скрытыми тестами. Нужен опыт вызова LLM из Python.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «RAG на Python: чат-бот по своим данным с pgvector»Учеников на курсе 2
Сертификаты, выданные на курсе «RAG на Python: чат-бот по своим данным с pgvector»Сертификатов выдано 0
Отзывы о курсе «RAG на Python: чат-бот по своим данным с pgvector»Отзывов получено 0
Рейтинг курса «RAG на Python: чат-бот по своим данным с pgvector»Рейтинг курса 0.000
Уроки в курсе «RAG на Python: чат-бот по своим данным с pgvector»Количество уроков 40
Тесты в курсе «RAG на Python: чат-бот по своим данным с pgvector»Количество квизов 113
Задачи с кодом в курсе «RAG на Python: чат-бот по своим данным с pgvector»Количество задач с кодом 125
Стоимость курса «RAG на Python: чат-бот по своим данным с pgvector»Стоимость курса 990 ₽ —
Обновления курса «RAG на Python: чат-бот по своим данным с pgvector»Обновления курса — —
Дата публикации курса «RAG на Python: чат-бот по своим данным с pgvector»Дата публикации курса — ———
Последнее обновление курса «RAG на Python: чат-бот по своим данным с pgvector»Последнее обновление — ———
Сложность normal — ———

Чему вы научитесь

  • собирать RAG-пайплайн руками — от нарезки документов до ответа с цитатами
  • резать документы на чанки и понимать, как размер чанка влияет на качество
  • превращать текст в эмбеддинги и искать по косинусной близости
  • хранить и искать вектора в PostgreSQL через расширение pgvector
  • строить гибридный поиск и reranking — точнее, чем один голый вектор
  • измерять качество ретривера метриками precision@k и recall@k, а не на глаз
  • защищать контекст от мусора и подмены фактов
  • собрать чат-бота по своей базе знаний со скрытыми тестами и отчётом качества

О курсе

Соберите RAG-пайплайн руками: chunking, embeddings, векторный поиск в PostgreSQL (pgvector), гибрид с reranking и метрики качества. 125 задач на код с автопроверкой в браузере, без API-ключа и VPN. В финале — чат-бот по своей базе знаний со скрытыми тестами. Нужен опыт вызова LLM из Python.

Для кого этот курс

  • Python-разработчикам, кто уже вызывал LLM из кода и хочет строить чат-бота по своим данным, а не общаться с моделью «в вакууме».
  • Тем, у кого модель галлюцинирует и придумывает факты, — и нужно, чтобы она отвечала строго по базе знаний со ссылкой на источник.
  • Backend- и дата-инженерам, кому нужен production-RAG с измеримым качеством, а не демо на фреймворке.
  • Выпускникам курсов линейки (бесплатного магнита или флагмана по агентам) и всем, кто уже умеет вызывать LLM из Python.

Начальные требования

Что нужно:

  • База Python: функции, классы, словари и списки, pip/venv, чтение JSON.
  • Опыт вызова LLM из Python: массив messages, парсинг ответа модели. Если этого пока нет — пройдите бесплатный курс линейки «LLM, RAG и AI-агенты на Python».
  • Любой компьютер с браузером; для 4 локальных лаб — Python и PostgreSQL на своём ПК.

Что НЕ нужно:

  • Не нужен API-ключ, платный аккаунт, VPN или зарубежная карта: автопроверка работает на встроенном MockLLM.
  • Не нужен глубокий SQL — pgvector и работу с PostgreSQL вводим с нуля.
  • Не нужен LangChain — гибридный поиск, RRF и reranking собираем руками.
  • Высшая математика не понадобится: косинусную близость объясняем на пальцах.

Преподаватели курса

Аватар Асланбек Ахматсултанов
Асланбек Ахматсултанов
Бэкенд-разработчик; Руководитель ИТ-студии; Преподаватель ГГНТУ; Номинант «Лучший преподаватель ГГНТУ 2024».
★ 4.8
21 курс 10 475
→

Как проходит обучение

  • Формат: 9 модулей, 40 уроков и 330 коротких шагов; обучение проходит в свободном темпе.
  • Практика: 125 code-задач с автопроверкой прямо в браузере; решения можно отправлять повторно.
  • Теория: короткие текстовые объяснения, примеры, тесты и разборы ошибок.
  • Поддержка: вопросы и обсуждения доступны под каждым шагом.

Что вы получите

  • Навык строить production-RAG на Python: chunking, embeddings, pgvector, гибридный поиск с reranking, метрики качества и безопасность контекста.
  • Капстоун — чат-бот по базе знаний ShopDB со скрытыми тестами и отчётом метрик v0→v5. Готовый артефакт для резюме и портфолио.
  • Сертификат Stepik при наборе проходного балла.
  • Бессрочный доступ к материалам и будущим обновлениям курса.
  • Это ступень AI-линейки: дальше ваш бот становится прод-сервисом со стримингом и тестами на FastAPI.

Нагрузка

~4 ч в неделю (весь курс ~25–30 часов, ~6 недель)

Расскажите о курсе друзьям