Курс на Stepik
Обложка курса «ИИ в DevOps: локальные модели и агенты для инфраструктуры» на Stepik
6 990₽ -36%
--:--:--
4 491 ₽

ИИ в DevOps: локальные модели и агенты для инфраструктуры ★ 0.000

Открыть на
STEPIK.ORG

Разворачиваем локальную языковую модель и пишем на Python агентов, которые читают Kubernetes, GitLab и серверы и помогают разбирать инциденты. Без облака и без хайпа: учебная компания, стенд, лабы с разбором и честный разговор о том, где модель ошибается.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «ИИ в DevOps: локальные модели и агенты для инфраструктуры»Учеников на курсе 2
Сертификаты, выданные на курсе «ИИ в DevOps: локальные модели и агенты для инфраструктуры»Сертификатов выдано 0
Отзывы о курсе «ИИ в DevOps: локальные модели и агенты для инфраструктуры»Отзывов получено 0
Рейтинг курса «ИИ в DevOps: локальные модели и агенты для инфраструктуры»Рейтинг курса 0.000
Уроки в курсе «ИИ в DevOps: локальные модели и агенты для инфраструктуры»Количество уроков 120
Тесты в курсе «ИИ в DevOps: локальные модели и агенты для инфраструктуры»Количество квизов 312
Стоимость курса «ИИ в DevOps: локальные модели и агенты для инфраструктуры»Стоимость курса 6 990 ₽ —
Обновления курса «ИИ в DevOps: локальные модели и агенты для инфраструктуры»Обновления курса — —
Дата публикации курса «ИИ в DevOps: локальные модели и агенты для инфраструктуры»Дата публикации курса — ———
Последнее обновление курса «ИИ в DevOps: локальные модели и агенты для инфраструктуры»Последнее обновление — ———

Содержание курса

Разделы в курсе «ИИ в DevOps: локальные модели и агенты для инфраструктуры» 14 разделов Уроки в курсе «ИИ в DevOps: локальные модели и агенты для инфраструктуры» 120 уроков Тесты в курсе «ИИ в DevOps: локальные модели и агенты для инфраструктуры» 312 тестов Последнее обновление курса «ИИ в DevOps: локальные модели и агенты для инфраструктуры» обн. 16 ноября 2026

Старт и стенд

8 уроков
1. Как устроен курс и «Вектор» год спустя ↗
2. Три трека и ваше железо ↗
3. Окружение: модель, Python и переменные LLM_* ↗
4. Стенд «Вектор-лаб»: что внутри и как его ломать ↗
5. Код, который вы не писали ↗
6. Лаба: Первый ответ модели ↗
7. Лаба: Две причины одного 502 ↗
8. Контрольная точка ↗

Как работает модель

8 уроков
1. Токены и контекстное окно ↗
2. Температура и воспроизводимость ↗
3. Квантизация и память ↗
4. Галлюцинации на примерах «Вектора» ↗
5. Модели с рассуждением ↗
6. Лаба: Совет модели по PostgreSQL 16 ↗
7. Лаба: Влезет ли лог ↗
8. Контрольная точка ↗

Локальный LLM-сервер ai01

10 уроков
1. Выбор модели по замерам ↗
2. Ollama изнутри: модели, Modelfile, параметры службы ↗
3. Два API: нативный и OpenAI-совместимый ↗
4. ai01 как сервис: доступ, TLS и пароль ↗
5. Мониторинг ai01 ↗
6. llama.cpp напрямую и когда нужен vLLM ↗
7. Лаба: Подбери модель для дежурного ↗
8. Лаба: Разверни ai01 безопасно ↗
9. Лаба: ai01 под нагрузкой ↗
10. Контрольная точка ↗

Данные до отправки

7 уроков
1. Классы данных «Вектора» ↗
2. 152-ФЗ простыми словами ↗
3. Обезличивание журналов ↗
4. Что реально ушло в модель ↗
5. Лаба: Обезличь журнал портала ↗
6. Лаба: Политика данных для ИИ в «Векторе» ↗
7. Контрольная точка ↗

Промпт для дежурного

9 уроков
1. Анатомия рабочего промпта ↗
2. Данные отдельно от инструкций ↗
3. Структурированный ответ в JSON ↗
4. Большой лог: предобработка и map-reduce ↗
5. Как оценить промпт на наборе инцидентов ↗
6. Лаба: Скрипт разбора 502 для дежурного ↗
7. Лаба: Пачка алертов Zabbix ↗
8. Лаба: Сравни два промпта на 10 инцидентах ↗
9. Контрольная точка ↗

Структурированный вывод и вызов инструментов

8 уроков
1. Pydantic: ответ модели как объект, а не текст ↗
2. Повтор и деградация ↗
3. Вызов инструментов: модель просит, код выполняет ↗
4. Первый инструмент: узкий контракт и только чтение ↗
5. Где малая модель путает инструменты ↗
6. Лаба: Алерт → проверенный объект ↗
7. Лаба: Модель вызывает проверку на стенде ↗
8. Контрольная точка ↗

Агент своими руками

9 уроков
1. От чата к агенту ↗
2. Агент на 150 строк ↗
3. Инструменты эксплуатации: контракты ↗
4. Бюджеты и условия остановки ↗
5. История и память агента ↗
6. Трасса: где агент ошибся ↗
7. Лаба: Агент находит причину 502 ↗
8. Лаба: Агент зациклился ↗
9. Контрольная точка ↗

Линейные агенты и цепочки (LangChain)

8 уроков
1. Цепочка или агент ↗
2. LangChain и локальная модель ↗
3. Инструменты в LangChain и create_agent ↗
4. Цепочка «алерт → факты → гипотеза → VEK» ↗
5. Тесты цепочки без модели ↗
6. Лаба: Цепочка саммари алерта ↗
7. Лаба: Тесты цепочки в GitLab CI ↗
8. Контрольная точка ↗

Графовые агенты (LangGraph)

11 уроков
1. Зачем граф ↗
2. StateGraph: состояние, узлы, рёбра ↗
3. Условные переходы и циклы с лимитом ↗
4. Чекпоинты: продолжить после сбоя ↗
5. interrupt: человек подтверждает действие ↗
6. Подграфы: переиспользуемый диагност ↗
7. Стриминг и отладка графа ↗
8. Лаба: Граф разбора инцидента на стенде ↗
9. Лаба: Подтверждение перед действием ↗
10. Лаба: Агент модуля 7 против графа ↗
11. Контрольная точка ↗

Мультиагентные системы: CrewAI и супервизор

8 уроков
1. Когда одного агента мало ↗
2. CrewAI: агенты, задачи, процессы ↗
3. Супервизор на LangGraph ↗
4. Передача контекста между агентами ↗
5. Цена мультиагентности: честные замеры ↗
6. Лаба: Команда CrewAI: «портал медленный» ↗
7. Лаба: Та же задача супервизором — сравни ↗
8. Контрольная точка ↗

RAG по runbook'ам (ChromaDB)

9 уроков
1. Эмбеддинги и фрагменты простыми словами ↗
2. Индексация в ChromaDB и источники в ответе ↗
3. Переиндексация и устаревшие документы ↗
4. Когда RAG врёт ↗
5. RAG как инструмент агента; базы знаний Open WebUI ↗
6. Лаба: Бот по runbook'ам с источниками ↗
7. Лаба: Найди устаревший runbook ↗
8. Лаба: Граф-агент с поиском по runbook'ам ↗
9. Контрольная точка ↗

Доступ агента к инфраструктуре и безопасность

11 уроков
1. Учётка агента: только чтение и всё в журнал ↗
2. Kubernetes: ServiceAccount и RBAC ↗
3. GitLab: токен read_api ↗
4. Серверы: принудительная команда SSH ↗
5. Политика команд: что разрешить ↗
6. Prompt injection через данные ↗
7. MCP: инструменты как отдельный сервер ↗
8. Лаба: Докажи, что агент не прочитает Secret ↗
9. Лаба: Инъекция в описании MR ↗
10. Лаба: MCP-сервер для серверов «Вектора» ↗
11. Контрольная точка ↗

Агент в эксплуатации

11 уроков
1. Open WebUI для команды ↗
2. Сервис агента: алерт → граф → Telegram ↗
3. n8n или код: где граница ↗
4. ИИ в CI: объяснение упавшей job и ревью MR без утечек ↗
5. Наблюдаемость агента ↗
6. Оценка агента и регрессия при смене модели ↗
7. Агент как служба: деплой и обновление ↗
8. Лаба: n8n: алерт → агент → Telegram ↗
9. Лаба: Сменили модель — что сломалось ↗
10. Лаба: ИИ-ревью MR без утечек ↗
11. Контрольная точка ↗

Внедрение и финальный проект

3 урока
1. Метрики пользы и когда ИИ не окупается ↗
2. Правила работы с ИИ для команды ↗
3. Финальный проект. Локальный ИИ-дежурный «Вектора» ↗