Содержание пакета (4 курса)
1. AI Агенты на Python: для начинающих 5.00
Введение
4 урока
1.
О курсе
↗
2.
Кто такой AI-агент
↗
3.
Архитектурный цикл агента: Reason → Act → Observe
↗
4.
Требования к курсу и подготовка окружения
↗
Фундамент агентов без фреймворков
6 уроков
1.
Агент на requests: первый запрос к LLM
↗
2.
Инструменты (tools)
↗
3.
Цикл выполнения: как агент выбирает инструмент
↗
4.
Простая память: кэширование предыдущих шагов через dict
↗
5.
Границы агента без фреймворков
↗
6.
Закрепление: мини-агент для анализа одной строки лога
↗
CrewAI: освоение кирпичиков
6 уроков
1.
Класс Agent: role, goal, backstory — зачем всё это нужно
↗
2.
Класс Task: описание задачи и ожидаемый вывод
↗
3.
Класс Crew: процессы sequential и hierarchical
↗
4.
Инструменты в CrewAI: декоратор @tool и кастомные функции
↗
5.
Обработка ошибок в инструментах
↗
6.
Закрепление: Анализатор инцидентов
↗
LangGraph: освоение кирпичиков
10 уроков
1.
Состояние (State): TypedDict и зачем типизировать
↗
2.
Граф состояний (StateGraph): основа выполнения
↗
3.
Узлы графа (Node): функции как шаги выполнения
↗
4.
Рёбра (Edge): линейные переходы между узлами
↗
5.
Условные переходы (ConditionalEdge): ветвление по состоянию
↗
6.
Команда (Command): динамическое управление состоянием и потоком
↗
7.
Чекпоинты: сохранение и восстановление прогресса
↗
8.
Прерывания (Interrupt): Human-in-the-Loop
↗
9.
Вызовы LLM в узлах графа: интеллект через промпты
↗
10.
Закрепление: Анализатор инцидентов
↗
Сравнение архитектур на микро-кейсах
7 уроков
1.
Линейный пайплайн: CrewAI vs LangGraph — чей код проще?
↗
2.
Цикл с условием
↗
3.
Параллельная обработка
↗
4.
Антипаттерн «бесконечный цикл»
↗
5.
Антипаттерн «утечка состояния»
↗
6.
Когда выбрать CrewAI, а когда LangGraph
↗
7.
Закрепление
↗
Продакшен-слои для агентов
7 уроков
1.
Валидация вывода через Pydantic: ловим галлюцинации структуры
↗
2.
Retry-логика: повтор с уточняющим промптом при ошибке валидации
↗
3.
Тестирование агентов: моки LLM и проверка бизнес-логики
↗
4.
Логирование и трейсинг
↗
5.
Мониторинг: LangSmith, алерты
↗
6.
Безопасность: санитизация инпута и ограничение инструментов
↗
7.
Закрепление
↗
Финальный проект: SupportAI на FastAPI + LangGraph
10 уроков
1.
Архитектура проекта и подготовка окружения
↗
2.
Модели и миграции
↗
3.
Асинхронные эндпоинты и валидация
↗
4.
Многоузловой агент
↗
5.
Память агента: InMemorySession + Чекпоинты
↗
6.
Валидация и retry-логика агента
↗
7.
Безопасность: санитизация и ограничение инструментов
↗
8.
Логирование, мониторинг и алерты
↗
9.
Тестирование: моки и интеграция
↗
10.
Запуск агента в Docker: упаковка и тестирование
↗
Заключение
3 урока
1.
Пути развития: от агентов к многоагентным системам
↗
2.
Рекомендации по железу
↗
3.
Заключение
↗
Продвинутые темы
4 урока
1.
Human-in-the-Loop с FastAPI: взаимодействие с пользователем
↗
2.
Многошаговое взаимодействие: история диалога
↗
3.
Тестирование восстановления после сбоев
↗
4.
Закрепление
↗
Расширяем финальный проект
3 урока
1.
Расширение уведомлений: Telegram + HIL-подтверждение
↗
2.
Добавление истории диалога в агента
↗
3.
Тесты на восстановление после сбоев
↗
2. LLM для Python-разработчиков: от RAG до агентов 5.00
Введение
1 урок
1.
О курсе
↗
Введение в LLM: с нуля до первого запроса
8 уроков
1.
Что такое LLM?
↗
2.
Осознанное взаимодействие с LLM: промпты, параметры, security
↗
3.
Выбор между облачными API и локальными моделями
↗
4.
Первый запрос к LLM
↗
5.
Установка и запуск LLM локально с помощью Ollama
↗
6.
Base-модели и instruct-модели: в чём разница и почему это важно
↗
7.
Эксперименты с промптами: few-shot и chain-of-thought
↗
8.
Закрепление материала
↗
Embeddings и векторные базы данных
6 уроков
1.
Что такое embeddings (эмбеддинги)?
↗
2.
Векторные базы данных: зачем они и как работают?
↗
3.
Создание и поиск по эмбеддингам с Chroma
↗
4.
Переход на Qdrant: запуск через Docker и интеграция
↗
5.
Полезные практики: чанкинг, метаданные, reranking
↗
6.
Закрепление материала
↗
RAG: Retrieval-Augmented Generation на практике
8 уроков
1.
RAG с нуля: архитектура и первый рабочий пайплайн
↗
2.
RAG в продакшене: переключение на Qdrant и асинхронность
↗
3.
Оценка качества RAG
↗
4.
Защита от галлюцинаций и фильтрация ответов
↗
5.
Введение в агентов: LLM + инструменты (tools)
↗
6.
Stateful-агенты с LangGraph
↗
7.
Подготовка к продакшену: логирование, мониторинг, безопасность
↗
8.
Закрепление: финальный мини-проект
↗
Продвинутый RAG: надёжность, безопасность и контроль в продакшен
6 уроков
1.
Почему RAG ломается в продакшене? Типичные сценарии
↗
2.
Защита RAG: от индексации до ответа
↗
3.
Мониторинг RAG в продакшене: логи, метрики, алерты
↗
4.
Оптимизация поиска: reranking и multi-query
↗
5.
Метаданные: основа безопасности и персонализации
↗
6.
Закрепление материала
↗
Локальные LLM: запуск без облака и без GPU
7 уроков
1.
Когда локальные LLM — не просто «можно», а «нужно»
↗
2.
Выбор модели под задачу: не параметры, а измеримые метрики
↗
3.
Ollama в продакшене: как обернуть демон в надёжный сервис
↗
4.
Прямой inference через llama-cpp-python
↗
5.
Мониторинг и алертинг для локальных LLM
↗
6.
Решение типичных проблем в продакшене
↗
7.
Закрепление материала
↗
Дообучение LLM без GPU и PhD
4 урока
1.
Зачем дообучать модель и когда это оправдано
↗
2.
Дообучение через LoRA на бесплатной GPU (Google Colab)
↗
3.
Интеграция LoRA-адаптера в локальные LLM
↗
4.
Закрепление материала
↗
Multi-agent системы: оркестрация и роли
4 урока
1.
Введение в multi-agent системы
↗
2.
Архитектура и оркестрация
↗
3.
Реализация на CrewAI
↗
4.
Альтернативы и расширения (Autogen, кастомизация)
↗
Финальный проект — AI-ассистент разработчика
6 уроков
1.
Архитектура и требования
↗
2.
Подготовка окружения и компонентов
↗
3.
Реализация RAG-поиска (POST /search)
↗
4.
Реализация генерации и сохранения (POST /generate)
↗
5.
Инфраструктура и тестирование
↗
6.
Компромиссы и пути развития
↗
Заключение
1 урок
1.
Заключение
↗
Глоссарий и закрепление по всему курсу
3 урока
1.
Глоссарий курса
↗
2.
Тесты 1
↗
3.
Тесты 2
↗
3. Python ROADMAP | С Нуля до Middle 2026 5.00
Вступление
3 урока
1.
Как пользоваться этим roadmap’ом
↗
2.
С чего стоит начать
↗
3.
Рекомендации к обучению
↗
С нуля до Junior
7 уроков
1.
Базовый уровень
↗
2.
Средний уровень
↗
3.
EXTRA (Средний уровень)
↗
4.
Продвинутый уровень
↗
5.
EXTRA (Продвинутый уровень)
↗
6.
Профессиональный уровень
↗
7.
EXTRA (Профессиональный уровень)
↗
С Junior до Middle
2 урока
1.
Базовый уровень
↗
2.
EXTRA (Базовый уровень)
↗
Дополнительный материал
2 урока
1.
Книги
↗
2.
Полезные репозитории
↗
Заключение
1 урок
1.
Пока на этом всё
↗
4. Qdrant: полный курс
Введение и установка
7 уроков
1.
О курсе
↗
2.
Что такое embeddings (эмбеддинги)?
↗
3.
Что такое Qdrant и зачем он нужен
↗
4.
Установка: Docker и первый запуск
↗
5.
Qdrant Web UI: визуальная отладка
↗
6.
Конфигурация: persistence и ресурсы
↗
7.
Qdrant Cloud vs Self-hosted
↗
HTTP API Qdrant — полное погружение
9 уроков
1.
Коллекции: create, get, list, delete
↗
2.
Настройка коллекции: optimizers и HNSW
↗
3.
CRUD для points: upsert, retrieve, delete
↗
4.
Векторный поиск: distance и параметры
↗
5.
Фильтрация по payload
↗
6.
WithPayload и WithVector
↗
7.
Scroll API: обход больших коллекций
↗
8.
Наглядный пример: простой поиск по документам
↗
9.
Закрепление
↗
qdrant-client для Python
13 уроков
1.
Установка и первый запуск клиента
↗
2.
QdrantClient: конструктор и подключение
↗
3.
Режимы клиента: sync, async, embedded
↗
4.
Метод create_collection
↗
5.
Структуры данных и CRUD точек
↗
6.
Поиск
↗
7.
Scroll
↗
8.
Фильтры и payload-индексы
↗
9.
Named vectors
↗
10.
Groups: search_groups
↗
11.
Snapshots
↗
12.
Ошибки, логирование и отладка
↗
13.
Закрепление
↗
Продвинутые возможности Qdrant
7 уроков
1.
Архитектура мульти-векторных коллекций
↗
2.
Sparse vectors и hybrid search
↗
3.
Recommendation API
↗
4.
Quantization
↗
5.
Multitenancy через payload
↗
6.
Aliases и миграция данных
↗
7.
Закрепление
↗
Эксплуатация
3 урока
1.
Production-деплой: Docker Compose
↗
2.
Мониторинг и безопасность
↗
3.
Backup-стратегии
↗
VectorCatalog — поиск и рекомендации товаров
6 уроков
1.
Архитектура и окружение
↗
2.
Коллекция и загрузка каталога
↗
3.
FastAPI и витрина (Jinja2)
↗
4.
Поиск: гибрид и фильтры
↗
5.
Рекомендации
↗
6.
Production: масштаб и деплой
↗
Глоссарий и закрепление по всему курсу
3 урока
1.
Глоссарий курса
↗
2.
Тесты
↗
3.
Задачи
↗
Заключение
1 урок
1.
Заключение
↗