Agentic RAG с DeepSeek-R1 — практический интенсивный курс по созданию агентной Retrieval-Augmented Generation системы на базе локальной LLM DeepSeek-R1. Вы пошагово соберёте рабочее приложение, в котором агенты, инструменты, задачи и RAG-компоненты взаимодействуют в едином workflow для поиска информации, рассуждения и генерации ответов.
Курс ориентирован на практику: вместо абстрактной теории вы настраиваете локальную среду, запускаете DeepSeek-R1 через Ollama, подключаете внешние источники данных, проектируете роли агентов и объединяете всё в полноценное Agentic RAG-приложение.
Классический RAG обычно работает по линейной схеме: пользователь задаёт вопрос, система извлекает релевантные документы, а языковая модель формирует ответ на основе найденного контекста. Agentic RAG расширяет этот подход: агент может самостоятельно выбирать инструменты, уточнять задачу, управлять поиском, выполнять промежуточные действия и принимать решения о том, какие данные использовать.
На курсе вы разберёте, как построить такую архитектуру на практике: от локального запуска модели до настройки агентов, задач, инструментов и финального приложения. Особое внимание уделяется работе с DeepSeek-R1, локальному запуску через Ollama и проектированию агентного workflow.
Вы познакомитесь с ключевыми принципами Retrieval-Augmented Generation и разберёте, почему агентный подход становится важным для сложных LLM-приложений. В этом разделе объясняется, когда достаточно классического RAG, а когда лучше использовать агентов и инструменты.
Вы настроите рабочее окружение, установите необходимые зависимости и запустите DeepSeek-R1 локально. Такой подход позволяет экспериментировать с LLM-приложениями без постоянной зависимости от внешних API.
Вы реализуете инструменты, которые агент сможет использовать для поиска данных, обращения к внешним источникам и выполнения отдельных действий. Этот этап помогает понять, как LLM получает доступ к актуальной информации за пределами собственного контекста.
Вы определите роли агентов, их обязанности и логику взаимодействия. Вместо одного универсального компонента система будет состоять из специализированных участников, каждый из которых отвечает за конкретную часть процесса.
Вы объедините модель, инструменты, агентов, задачи и RAG-логику в единый рабочий процесс. На этом этапе приложение начнёт выполнять полноценный цикл: принимать запрос, искать данные, анализировать контекст и формировать ответ.
В финальной части вы запустите готовую Agentic RAG-систему, проверите её работу на практических запросах и разберёте, как улучшать качество ответов, структуру агентов и использование инструментов.
К концу курса у вас будет работающая Agentic RAG-система на базе DeepSeek-R1. Вы поймёте, как устроено взаимодействие между агентами, инструментами, задачами и механизмами поиска информации, а также получите практический опыт разработки агентных LLM-приложений.
Готовый проект можно использовать как основу для собственных решений: интеллектуального поиска по документам, AI-ассистента, внутренней базы знаний, исследовательского помощника или прототипа корпоративного RAG-приложения.
Agentic RAG с DeepSeek-R1 — это практический курс для тех, кто хочет не просто понять концепцию агентного RAG, а собрать собственное приложение с локальной LLM, инструментами, агентами и управляемым workflow. После прохождения курса вы сможете проектировать и запускать более гибкие RAG-системы, которые лучше подходят для сложных пользовательских запросов и работы с внешними знаниями.
Это пробный урок. Оформите подписку, чтобы получить доступ ко всем материалам курса. Премиум
Youssef Hosni — AI Engineer, Data Scientist и Applied Scientist, исследователь в области машинного обучения и AI. Сейчас он связан с Aalto University в Финляндии, где работает над применением AI-агентов и ML, а также занимается разработкой AI-продуктов. На GitHub он представляет себя как “AI Engineer & Applied Scientist | PhD Researcher @AaltoUniversity”.В его профессиональном описании также указано, что он работает Senior Data Scientist в Me
