Чему вы научитесь
- Запускать Qdrant в Docker и подключаться к нему: sync/async, REST, gRPC
- Проектировать коллекции, точки и payload
- Строить поиск через query_points и балансировать точность и скорость (HNSW, hnsw_ef)
- Фильтровать по payload и ускорять фильтры индексами
- Объединять dense- и sparse-векторы в гибридном поиске и строить RAG
- Экономить память квантованием без потери recall
- Изолировать клиентов в одной коллекции (multitenancy)
- Переранжировать результаты мультивекторами и ColBERT
- Настраивать продакшен: api_key, шардирование, снапшоты, мониторинг
- Подключать LangChain, LlamaIndex и n8n и понимать, где кончаются их абстракции
О курсе
Для кого этот курс
Начальные требования
Перед началом желательно знать:
- базовый Python
- базовые операции с Docker пригодятся, но не обязательны — все команды даны в курсе.
Не требуется заранее знать внутреннее устройство HNSW, теорию информации для квантования или архитектуру трансформеров — всё вводится по ходу курса на практических примерах.
Преподаватели курса
Как проходит обучение
Каждый раздел состоит из теории и ноутбука. Его можно скачать и запустить в Docker или сразу в Google Colab, ничего настраивать не нужно.
Задания с автопроверкой выполняются прямо на Stepik: код вы пишете сами, а не выбираете ответ из готовых.
Вся практика строится на одной коллекции: вы собираете её в начале и шаг за шагом улучшаете (фильтры, гибридный поиск, квантование, multitenancy), как в реальной работе.
Сертификат
Что вы получите
- Навык проектировать векторный поиск целиком: от модели данных до эксплуатации под нагрузкой
- Понимание вопросов, которые обычно всплывают только в проде: память, изоляция клиентов, безопасность, обновления без даунтайма
- Востребованный стек: векторные базы и RAG лежат в основе почти любого продукта с поиском по смыслу или LLM-ассистентом
- Набор Jupyter-ноутбуков с готовыми паттернами, которые можно переиспользовать в своих проектах