Чему вы научитесь
- Построение иерархии источников и разрешение конфликтов Slack/Confluence/Jira
- Разбиение запросов и планирование multi-hop retrieval
- Построение конвееров суммаризации и иерархической компрессии контекста
- Проектирование систем памяти: сессионная, долгосрочная, эпизодическая
- Разрешение темпоральных конфликтов через паттерн fact_key + journal вместо чистого поиска по семантическому сходству
- Токен-бюджетирование и приоритизация контента для длинного контекстного окна
О курсе
Полный курс по инженерии контекста для enterprise AI-ассистентов: от конкуренции источников (Slack, Confluence, Jira) и планирования retrieval до компрессии контекста, систем памяти и токен-бюджетирования в длинном контекстном окне. Каждый модуль начинается с реального production-инцидента и строит слой `app/context/` нашей enterprise-AI-системы.
Для кого этот курс
AI-инженеры и backend-разработчики, отвечающие за качество ответов RAG-ассистента в enterprise-среде с несколькими конкурирующими источниками знаний. Рекомендуется пройти Курс 2 (Проектирование RAG-систем) и Курс 3 (Поглощение данных для production AI-систем) или иметь эквивалентный опыт.
Начальные требования
- Опыт коммерческой разработки на Python
- Понимание async/await в Python
- Знание основ RAG и векторных БД (рекомендуется Курс 2) или эквивалентный опыт
- Понимание пайплайнов поглощения и индексирования документов (рекомендуется Курс 3)
- Базовое знакомство с LLM API (OpenAI/Anthropic) и промпт-инжинирингом
Преподаватели курса
64
Как проходит обучение
Каждый модуль: история production-инцидента → архитектура → реализация
Практические задания в репозитории enterprise-ai-assistant
Failure-first подход: сначала показываем, как контекст ломается, потом как это чинить
Работа с реальными источниками enterprise-контекста: Slack, Confluence, Jira
Формат курса
Видео-лекции + архитектурные диаграммы + практические задания в Python
Что вы получите
- Модуль app/context/ для enterprise-ai-assistant (git tag v4.0-context)
- Retrieval planner с декомпозицией запросов и адаптивной маршрутизацией по источникам
- Пайплайн компрессии контекста: экстрактивная, абстрактивная и иерархическая ступени
- Система памяти с журналом фактов (fact_key + journal pattern)
- Модуль токен-бюджетирования для работы с длинным контекстом
Нагрузка
20 час видео + практические задания