Нейросети [Stepik, Станислав Попов] LLM для Python-разработчиков: от RAG до агентов (2026)

[Moderator]

Автор: Stepik, Станислав Попов

Название: LLM для Python-разработчиков: от RAG до агентов (2026)

Описание:

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

 

Подробнее:

Ссылки и информация для скачивания: