Чему вы научитесь
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
Языковая модель уверенно придумывает факты, которых нет, — и это нормально, пока вы не пытаетесь построить на ней ответы по своим данным: документации, базе знаний, регламентам. RAG (retrieval-augmented generation) заставляет модель отвечать строго по найденным документам и цитировать источник. Этот курс — про то, как собрать такой пайплайн своими руками и доказать цифрами, что он работает.
Здесь вы строите RAG по кирпичам, а не вызываете готовый «RAG за три строки» из фреймворка. Chunking, эмбеддинги, векторное хранилище, retrieval, гибридный поиск с reranking — каждый компонент вы пишете и понимаете сами, без привязки к LangChain. Вектора храните в настоящем PostgreSQL через pgvector — это мост из мира привычных баз данных в мир AI, а не ещё одна экзотическая векторная БД.
Это настоящий тренажёр: 125 задач на код проверяются автоматически прямо в браузере. LLM в проверке заменена детерминированным MockLLM, поэтому всё работает без API-ключа, VPN и зарубежной карты; живой стек — PostgreSQL, pgvector и настоящие embeddings — вы попробуете в 4 локальных лабах на своём компьютере.
Главное отличие курса — качество здесь измеряется, а не декларируется. Начиная с модуля про retrieval вы считаете precision@k и recall@k на эталонном QA-наборе, а каждое улучшение пайплайна (другая нарезка, гибрид, reranking) прогоняете через метрики и видите, стало лучше или хуже. Ваш RAG растёт от версии v0 до v5 на одном сквозном домене — базе знаний магазина ShopDB.
В финале вы собираете капстоун: чат-бота по базе знаний, который проходит скрытые тесты и выдаёт отчёт с измеренной точностью ответов. Репозиторий с пайплайном и таблицей метрик v0→v5 — это артефакт для резюме и портфолио.
Первый модуль и первый практический урок открыты бесплатно — попробуйте тренажёр и найдите первый ответ в базе знаний за 20 минут, прежде чем покупать.
Что вы получаете
- 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.
О курсе
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.
10 261