Чему вы научитесь
- Проектировать архитектуру современных agentic RAG-систем.
- Создавать AI-агентов с использованием LlamaIndex и ReAct.
- Разрабатывать собственные инструменты (Tools) и подключать их к агенту.
- Работать с памятью, маршрутизацией запросов и планированием действий агента.
- Создавать RAG-пайплайны на основе векторного поиска.
- Отлаживать работу AI-агентов с помощью анализа trace.
- Использовать современные подходы к оценке качества агентов (evaluation, RAGAs).
- Строить графы зависимостей инструментов и knowledge graph для сложных сценариев.
- Защищать агентов от Prompt Injection и других угроз безопасности.
- Подготавливать agentic AI-системы к работе в production.
О курсе
Создайте собственного AI-агента с архитектурой Agentic RAG. Научитесь разрабатывать multi-tool системы на LlamaIndex, подключать инструменты, реализовывать ReAct-агентов, выполнять debugging и evaluation, обеспечивать безопасность, готовить решения к production и изучите современные направления развития agentic AI.
Для кого этот курс
Python-разработчиков, которые хотят перейти в направление AI Engineering.
Backend-разработчиков, интересующихся LLM, RAG и AI-агентами.
ML-инженеров, желающих изучить современные архитектуры agentic AI.
Разработчиков, использующих OpenAI, Claude, Gemini или локальные LLM.
Специалистов, создающих корпоративные AI-системы, интеллектуальных ассистентов и RAG-приложения.
Всех, кто хочет разобраться, как проектируются современные AI-агенты и подготовить свои проекты к работе в production.
Начальные требования
Уверенное владение Python.
Понимание функций, классов, модулей и работы с пакетами Python.
Базовое понимание HTTP API и формата JSON.
Желательно иметь общее представление о работе больших языковых моделей (LLM).
Опыт работы с нейронными сетями или машинным обучением не требуется.
Преподаватели курса
125
Как проходит обучение
Текстовые лекции с демонстрацией терминала и наглядными схемами