Чему вы научитесь
- Отправлять запросы к LLM через Python и обрабатывать ответы
- Составлять промпты, которые дают предсказуемый и качественный результат
- Использовать Structured Output для получения структурированных данных от модели
- Выбирать подходящую LLM под конкретную задачу и ограничения
- Разбираться в устройстве AI-агента и его ключевых компонентах
- Реализовывать Function Calling — давать агенту доступ к внешним функциям
- Проектировать архитектуры агентов и строить пайплайны в LangGraph
О курсе
На курсе вы разберётесь, как работать с LLM на Python: от первого API-запроса до написания качественных промптов и Structured Output. Потом соберём настоящего AI-агента — с Function Calling и архитектурой на LangGraph. Много практики: 7 лабораторных, минимум теории ради теории.
Для кого этот курс
Для разработчиков, которые хотят начать работать с LLM и AI-агентами, но не знают, с каких шагов начать. Подойдёт и тем, кто уже экспериментировал с языковыми моделями, но хочет выстроить понимание от основ до проектирования агентов.
Начальные требования
- Базовый опыт в разработке на Python: умение писать функции, работать с библиотеками и фреймворками
- Опыт работы с LLM — в чате или по API
- Желательно общее понимание того, как устроены нейронные сети
Преподаватели курса
1 872
Как проходит обучение
- 📖 Лекция по теме с разбором концепции и примерами
- 🧪 Лабораторная работа в Jupyter Notebook для закрепления знаний на практике
- 🔁 Такой цикл повторяется в каждом разделе курса
Что вы получите
- 🧠 Понимание того, как работают LLM и как взаимодействовать с ними из кода
- 🛠 Навык проектирования AI-агентов — от идеи до реализации с openai-python и LangGraph
- 💻 Практический опыт: 7 лабораторных работ с реальным кодом в Jupyter
- 🚀 Фундамент для дальнейшего изучения AI-разработки
Нагрузка
3 часа в неделю