RAG-боты и агенты LLM (большие языковые модели)

Овладейте навыками создания инструментов ИИ, которые облегчают работу: от поиска нужной информации до получения данных из внешних сервисов, начиная с прототипов без написания кода (no-code) и завершая простыми Python-ботами.

Это интенсивный курс, где шаг за шагом вы научитесь переходить от разработки простых решений без кода до сложных приложений с локальными серверами, поиском по документам, интеграцией сервисов и интерфейсом Telegram.

В ходе 4 вебинаров вы освоите необходимые навыки LLM-инженера и разработаете основу ассистента: настраивайте поиск и обработку своих данных, подключайте инструменты, добавляйте логику и запускайте Telegram-бота с поддержкой GPT-4o.

Программа курса построена так, чтобы вы понимали не только каждую стадию процесса, но и общую рабочую логику ИИ-ассистентов, включая подготовку данных, механизм поиска, интеграцию через MCP-протокол и выполнение запросов.

Кому подходит этот курс:

Аналитикам

• Проектирование и создание прототипов AI-сервисов
• Интеграция внешних инструментов с помощью сервера MCP
• Работа с векторными базами для поиска по документации

Разработчикам и QA-инженерам

• Использование архитектурного паттерна RAG и современных AI-компонентов
• Работа с локальными моделями на сервере Ollama и векторной БД (pgvector)
• Интеграция инструментов через MCP-сервер

IT-специалистам, DevOps и архитекторам

• Интеграция LLM-компонентов в IT-системы компании
• Развертывание локальных моделей через Ollama и работа с векторными БД
• Подключение внешних сервисов для безопасных и масштабируемых AI-ассистентов

Как проходит обучение:

• Все занятия проходят онлайн в удобное время с возможностью задавать вопросы и разбирать кейсы.
• Практический подход: все проекты выполняются самостоятельно - от сборки Flowise до создания Telegram-бота.
• Пожизненный доступ к материалам: записи, код, пайплайны и инструкции остаются с вами навсегда.
• Поддержка от преподавателя: уточнение вопросов, разбор ошибок и рекомендации на занятии.

Чему вы научитесь:

• Эффективно искать информацию в документах
• Разработать ассистента, который понимает документы и помогает находить данные.
• Извлекать данные из внешних сервисов
• Настроить API через MCP для доступа к погоде, валютным курсам или метрикам.
• Настройка поведения (Low-code)
• Управлять поиском, обрабатывать ошибки и переключать модели.
• Создание прототипов на базе LLM
• Понимание цепочек поиска, инструментов и тестирования функций.
• Работа с локальной векторной базой и API
• Освоение текстового сплиттинга, Pgvector и FastAPI для семантического поиска.
• Создание Telegram-ассистента
• Разработка бота на Python с настройкой Webhook, авторизацией и работой через Ollama.