ИИ-агенты на Python: RAG, инструменты и свой ассистент с нуля ★ 0.000

Курс про то, как собрать ИИ-агента на Python и довести его до прода. Не запуск чужого примера из ноутбука, а свой агентский цикл, RAG с цитатами, инструменты через function calling и MCP, eval, безопасность и деплой. Claude в ядре, OpenAI рядом. В конце капстоун для GitHub, который не стыдно показать на собеседовании.

• Backend-разработчики на Python (FastAPI, Flask, Django, очереди, БД), которым «прилетела» задача прикрутить LLM к продукту и нужно довести её до прода, а не до демо.
• Data- и ML-инженеры, уверенные в pipelines и данных, но собиравшие агентов и tool-use по обрывкам. Хотят системно разобраться с RAG, оркестрацией и eval.
• Fullstack- и продуктовые разработчики в стартапах, где «ИИ-ассистент в продукте нужен на вчера», а делать его некому, кроме них.
• Тимлиды и senior-инженеры, выбирающие стек для агентной фичи: им нужны критерии (Claude или OpenAI, LangGraph или свой цикл, RAG или длинный контекст), а не хайп-демки.
• Выпускники буткемпов и студенты с нормальной Python-базой, метящие в AI Engineer. Нужен серьёзный портфельный проект «агент end-to-end», а не очередной todo-list.

• Уверенный базовый Python. Функции, классы, словари и списки, генераторы, try/except, виртуальные окружения, pip install, чтение чужого кода, работа с JSON и HTTP (requests). Это база, которую курс не объясняет с нуля. Если Python пока шаткий, начните с «Вайб-кодинг» (278769) или «Python для финансового анализа» (286608), а потом возвращайтесь сюда.
• Агентов и LLM знать не нужно. Токен, контекстное окно, температура, system prompt, function calling, embedding, вектор, RAG: всё вводится в курсе с нуля. Предыдущий опыт с агентами не предполагается.
• Инфраструктура на базовом уровне. Терминал, git, .env, чтение логов. Docker и деплой вводятся по шагам, не как обязательное требование.
• Про песочницу Stepik честно. Среда проверки кода это Python 3.6 с заблокированным pip и без доступа к API провайдеров. Поэтому реальные вызовы Claude и OpenAI, векторная база, LangGraph, FastAPI и Docker вы запускаете локально или в Google Colab со своим ключом, по инструкциям из курса. А в самой песочнице проверяется то, что работает на стандартной библиотеке: логика, парсинг, алгоритмы. Для код-first курса про агентов это нормально, и в каждом уроке помечено, где вы сейчас работаете.

Курс построен на практике: короткие объяснения — и сразу задания. Вы пишете код, проверяете его автопроверкой и собираете рабочие примеры, шаг за шагом доходя до своего ИИ-ассистента.

Темп свой, без жёстких дедлайнов — проходите, когда удобно. После каждой темы практика, чтобы навык закреплялся, а не оставался теорией.

• Собственный ИИ-агент на Python с полным агентским циклом: модель, инструменты через function calling, память и eval — от чистого файла до рабочего ассистента
• RAG-система с цитатами источников: чанкинг, векторный поиск, ранжирование — агент отвечает по вашим документам и показывает, откуда взял ответ
• MCP-инструменты в агенте: подключаете внешние источники данных через стандартный протокол — агент видит реальные системы, а не выдумывает данные
• Отлаженный агент с eval-фреймворком: умеете измерить качество ответов, найти точку отказа и улучшить систему по числам, а не по ощущению
• Production-готовый деплой с безопасностью: секреты вне контекста модели, валидация инструментов, логи — агент готов к реальной нагрузке
• Сертификат Stepik по завершении курса