Чему вы научитесь
- Собирать retrieval-пайплайн: от документов до векторного поиска
- Правильно чанкить документы: fixed-size, recursive, semantic
- Выбирать модель эмбеддингов под задачу и язык
- Строить гибридный поиск: BM25 + dense + RRF
- Подключать reranking и понимать, когда он оправдан
- Работать с метаданными, фильтрами и правами доступа
- Собирать классический RAG с цитированием источников
- Проверять цитаты программно и бороться с галлюцинациями
- Считать метрики retrieval: Recall@k, Precision@k, MRR
- Строить Agentic RAG с routing, multi-hop и Self-RAG
О курсе
Практический курс по LLM-поиску: от базового RAG до агентных систем. Соберём retrieval-пайплайн, разберём чанкинг, эмбеддинги, гибридный поиск и reranking. Научимся измерять качество через Recall@k, Faithfulness и RAGAS, находить провалы классического RAG и превращать поиск в инструмент агента. Освоим routing, multi-hop и Self-RAG, научимся считать стоимость каждого шага и выбирать архитектуру под задачу.
Для кого этот курс
— Для Python-разработчиков, которые хотят освоить RAG и LLM-поиск
— Для тех, кто уже делал базовый RAG, но не понимает, почему он ломается
— Для инженеров, которым нужно измерять качество поиска, а не гадать
— Для аналитиков и дата-инженеров с уверенным Python
— Для тех, кто хочет понять, когда нужен агент, а когда хватит пайплайна
— Для разработчиков, которым важно считать стоимость и выбирать архитектуру осознанно
Начальные требования
Для прохождения нужен уверенный Python, API-ключ и бюджет на эксперименты. Знания машинного обучения и математики не требуются — работаем с моделями через API.
Преподаватели курса
152
Что вы получите
- Рабочий код к каждому уроку в отдельном репозитории
- Пошаговую сборку retrieval-пайплайна с нуля
- Готовые примеры чанкинга, эмбеддингов, гибридного поиска и reranking
- Классический RAG с цитированием и проверкой источников
- Навык считать метрики retrieval и generation
- Практику с RAGAS и LLM-as-judge
- Baseline и регрессионные тесты для сравнения версий
Нагрузка
3-4 часов в неделю