Введение в RAG

Этот курс — идеальное начало для тех, кто хочет освоить современных помощников на базе Retrieval-Augmented Generation. Вы шаг за шагом разберёте архитектуру RAG, научитесь строить собственные системы в Flowise AI и поймёте, как применять RAG в реальных продуктах и автоматизации.

Что вы узнаете на курсе

Материал курса построен так, чтобы вы не только освоили технические основы RAG, но и научились применять его в реальных сценариях: чат-ассистенты, тьюторы, бизнес-агенты, поисковые системы и автоматизация.

Основные преимущества курса

• Понятное объяснение сложных концепций RAG.
• Практическая работа в Flowise AI без необходимости программирования.
• Ориентация на реальные приложения и задачи бизнеса.
• Пошаговая логика от простых систем к продвинутым Agentic RAG.

Требования к началу обучения

Курс доступен широкому кругу специалистов, но для комфортного прохождения рекомендуются следующие навыки и материалы:

Рекомендуемые предварительные знания

• Базовые навыки работы с LLM и понимание принципов prompt engineering.
• Для полного освоения рекомендуется пройти курсы «Введение в Prompt Engineering» и «Продвинутый Prompt Engineering».

Используемые инструменты

• Основная платформа — Flowise AI, no-code инструмент для создания RAG и агентных цепочек.
• Программирование не требуется, все процессы выполняются визуально.
• Подробная инструкция по установке и настройке Flowise AI включена в курс.

Темы, рассматриваемые в курсе

Каждый модуль включает теорию, практику и закрепление навыков через построение собственных рабочих процессов.

1. Введение в RAG

• Что такое Retrieval-Augmented Generation.
• Зачем RAG нужен современным LLM.
• Основные области применения RAG в индустрии.

2. Архитектура RAG

• Компоненты и схема взаимодействия RAG-систем.
• Методы разбиения данных (chunking) и работа с текстовыми коллекциями.
• Выбор и применение embedding-моделей.
• Векторные базы данных и семантический поиск.
• Баланс между retrieval и generation.

3. Создание простых RAG-систем

• Построение первого прототипа RAG.
• Создание персонализированного тьютора на базе вашей коллекции документов.

4. Разработка RAG-чат-ассистента

• Использование RAG в чат-ботах.
• Создание чат-ассистента для клиентской поддержки.
• Подключение хранилища документов к RAG.
• Методы улучшения поиска, включая query expansion.

5. Продвинутый RAG

• Использование улучшенных методов промтинга:
  • Tool calling
  • Chain-of-Thought
  • Prompt chaining
• Создание комплексного RAG-приложения с расширенной логикой.

6. Агентные RAG-системы (Agentic RAG)

• Интеграция AI-агентов в архитектуру RAG.
• Использование function calling для расширения возможностей RAG.
• Построение агентного приложения, способного использовать внешние инструменты:
  • Калькулятор
  • Инструмент логического анализа
  • Цепочки LLM

7. Развертывание и оптимизация RAG

• Создание онлайн-приложения для пользователей.
• Лучшие практики повышения производительности RAG.

Для кого предназначен курс

Курс будет полезен специалистам в областях AI, аналитики данных, автоматизации процессов, клиентской поддержки, исследованиях и программировании, а также всем, кто хочет научиться применять RAG в работе или проектах.

Наши выпускники

Обучение проходили сотрудники компаний: Google, OpenAI, Microsoft, Meta, JPMorgan Chase & Co, Amazon, Salesforce, Airbnb, Apple, Intel, Khan Academy, Oracle, LinkedIn, Walmart, Fidelity Investments и других.

Результаты обучения

После прохождения курса вы сможете создавать и внедрять производительные RAG-системы, комбинирующие генерацию и поиск для решения широкого спектра задач.