Чему вы научитесь: Вы научитесь использовать LLM как инженерный компонент: отправлять запросы через API и локальные движки (Ollama, llama.cpp), строить RAG на Chroma и Qdrant, и создавать агентов с памятью и инструментами на LangChain и CrewAI. Освоите дообучение open-source моделей (Mistral) методами LoRA — даже на бесплатной GPU в Colab — и сможете запускать их локально в формате GGUF. Научитесь интегрировать всё в FastAPI-приложения, покрывать тестами, оценивать качество с помощью RAGAS и кастомных метрик, а также настраивать логирование, health-check’и и защиту от промпт-инъекций. О курсе: Этот курс создан для бэкенд-разработчиков, которые хотят начать работать с LLM и агентами, не имея бэкграунда в математике или машинном обучении. Цель — дать не теорию, а инженерные навыки: как взять open-source LLM, дообучить её на своих данных, встроить в микросервис. Почему именно этот курс? Нет академической математики — только то, что нужно для работы Все примеры — на Python, FastAPI Акцент на продакшен: тесты, логи, безопасность, масштабируемость Каждый модуль завершается тестами и/или практическим заданием Что входит в курс: 8 тематических модулей (от основ LLM до multi-agent систем) Теория в формате кратких конспектов + кода Финальный проект: end-to-end AI-микросервис в портфолио Для кого этот курс: — Python-разработчики, которые хотят добавить AI в свой стек — Инженеры, планирующие внедрять LLM во внутренние инструменты (Jira, документация, чат-боты) — Техлиды и архитекторы, оценивающие применимость LLM в инфраструктуре — Те, кто уже пробовал LLM, но не знает, как выйти за пределы простых скриптов. Программа курса: 1 Введение О курсе 2 Введение в LLM: с нуля до первого запроса Что такое LLM? Осознанное взаимодействие с LLM: промпты, параметры, security Выбор между облачными API и локальными моделями Первый запрос к LLM Установка и запуск LLM локально с помощью Ollama Base-модели и instruct-модели: в чём разница и почему это важно Эксперименты с промптами: few-shot и chain-of-thought Закрепление материала 3 Embeddings и векторные базы данных Что такое embeddings (эмбеддинги)? Векторные базы данных: зачем они и как работают? Создание и поиск по эмбеддингам с Chroma Переход на Qdrant: запуск через Docker и интеграция Полезные практики: чанкинг, метаданные, reranking Расширенные стратегии чанкинга и реранкинга Закрепление материала 4 RAG: Retrieval-Augmented Generation на практике RAG с нуля: архитектура и первый рабочий пайплайн RAG в продакшене: переключение на Qdrant и асинхронность Оценка качества RAG Защита от галлюцинаций и фильтрация ответов Введение в агентов: LLM + инструменты (tools) Stateful-агенты с LangGraph Подготовка к продакшену: логирование, мониторинг, безопасность Закрепление: финальный мини-проект 5 Продвинутый RAG: надёжность, безопасность и контроль в продакшен Почему RAG ломается в продакшене? Типичные сценарии Защита RAG: от индексации до ответа Мониторинг RAG в продакшене: логи, метрики, алерты Оптимизация поиска: reranking и multi-query Метаданные: основа безопасности и персонализации Закрепление материала 6 Локальные LLM: запуск без облака и без GPU Когда локальные LLM — не просто «можно», а «нужно» Выбор модели под задачу: не параметры, а измеримые метрики Ollama в продакшене: как обернуть демон в надёжный сервис Прямой inference через llama-cpp-python Мониторинг и алертинг для локальных LLM Решение типичных проблем в продакшене Закрепление материала 7 Дообучение LLM без GPU и PhD Зачем дообучать модель и когда это оправдано Дообучение через LoRA на бесплатной GPU (Google Colab) Интеграция LoRA-адаптера в локальные LLM Закрепление материала 8 Multi-agent системы: оркестрация и роли Введение в multi-agent системы Архитектура и оркестрация Реализация на CrewAI Альтернативы и расширения (Autogen, кастомизация) 9 Финальный проект — AI-ассистент разработчика Архитектура и требования Подготовка окружения и компонентов Реализация RAG-поиска (POST /search) Реализация генерации и сохранения (POST /generate) Инфраструктура и тестирование Компромиссы и пути развития 10 Глоссарий и закрепление по всему курсу Глоссарий курса Тесты 1 Тесты 2 11 Заключение Рекомендации по железу Заключение Продажник: ↓ Скачать: ↓
Курс Станислав Попов, Stepik - LLM для Python-разработчиков: от RAG до агентов (2026)
Текущее время: Сегодня 04:54
Часовой пояс: GMT + 4
Вы не можете начинать темы Вы не можете отвечать на сообщения Вы не можете редактировать свои сообщения Вы не можете удалять свои сообщения Вы не можете голосовать в опросах Вы не можете прикреплять файлы к сообщениям Вы не можете скачивать файлы