Скачать AI Engineer на Python: RAG, агенты, MCP и дообучение LLM [Илья Перминов]

Джокер

Администратор
Регистрация
1 Янв 2015
Сообщения
156.433
Реакции
80.392
Складчина: AI Engineer на Python: RAG, агенты, MCP и дообучение LLM [Илья Перминов]



При сбое одной языковой модели шлюз может переключить запрос на резервную. На курсе вы научитесь создавать такой сервис на Python и выбирать модели по качеству, скорости и стоимости. Для прохождения нужны навыки работы с Python, FastAPI и LLM API.

Для кого этот курс:

Курс подойдёт:

Python-разработчикам с опытом работы с LLM API, которые хотят перейти от отдельных AI-функций к полноценным системам
Backend-разработчикам, которые планируют добавить в продукты поиск по документам, анализ изображений и аудио или AI-агентов
AI-разработчикам, которые хотят освоить RAG, локальные модели, LangGraph, MCP и дообучение
Тем, кто хочет развиваться в направлении AI Engineering и собрать несколько самостоятельных проектов
Чему вы научитесь:

Подключать внешние и локальные языковые модели через OpenAI, Anthropic, Ollama и vLLM
Создавать на FastAPI шлюз, который выбирает подходящую модель для запроса
Строить поиск по документам и помощника на RAG, PostgreSQL и pgvector
Обрабатывать сканы, изображения и аудио с помощью OCR, ASR и TTS
Разрабатывать AI-агентов с памятью и управляемыми действиями на LangGraph
Подключать внешние инструменты к агенту через MCP
Готовить данные и дообучать модели с помощью LoRA и QLoRA
Оценивать качество ответов, скорость работы и стоимость AI-систем
Защищать данные и проверять, как сервис ведёт себя при ошибках
В этом курсе вы научитесь создавать AI-сервисы на Python: разработаете шлюз для OpenAI, Anthropic, Ollama и vLLM, соберёте помощника на RAG и pgvector для работы с документами, изображениями и аудио (OCR, ASR, TTS), создадите агента на LangGraph и MCP и дообучите классификатор с LoRA/QLoRA. И на практике разберётесь, как оценивать качество моделей, контролировать расходы и запускать сервисы на FastAPI.

О курсе:

AI Engineer на Python — это продолжение курса «AI Developer на Python: LLM в реальных приложениях». В первом курсе вы учились добавлять возможности языковых моделей в Python-приложения: работать с LLM API, получать структурированные ответы, подключать инструменты и создавать AI Backend.

А здесь вы пойдёте еще дальше и научитесь проектировать системы, в которых несколько моделей, данные и внешние сервисы работают вместе.

В этом курсе вы создадите четыре самостоятельных проекта, где каждый решает отдельную задачу, и каждый можно запустить и показать как результат своей работы.

Model Gateway — единый шлюз для языковых моделей
Разработаете сервис на FastAPI, через который приложение сможет обращаться к OpenAI, Anthropic и локальным моделям в Ollama и vLLM. Научитесь сравнивать модели по качеству, скорости и стоимости, выбирать подходящую для задачи и переключаться на резервную при сбое
Knowledge Assistant — помощник по документам
Создадите базу знаний с поиском на PostgreSQL и pgvector и ответами на основе найденных источников через RAG. Помощник будет работать не только с текстовыми файлами, но и со сканами, изображениями и аудио: извлекать текст через OCR и ASR, анализировать изображения и озвучивать ответы с помощью TTS
Workflow Agent — агент для обработки заявок
Построите на LangGraph процесс, в котором агент помнит состояние задачи, выполняет разрешённые действия и может продолжить работу после паузы или сбоя. Через MCP подключите к нему внешние инструменты и научитесь контролировать их использование
Ticket Classifier Lab — классификатор обращений
Подготовите набор данных, дообучите небольшую языковую модель с помощью LoRA и QLoRA и сравните её с исходной моделью на независимых примерах. Затем создадите API, через который классификатор можно использовать в приложении
Работа над проектами сопровождается проверкой качества ответов, скорости, стоимости и надёжности решений. Вы будете писать и запускать код, проводить эксперименты и разбирать ошибки, которые возникают в реальных AI-сервисах.

Курс построен вокруг практики: вы будете писать код, запускать сервисы, проверять ответы моделей и разбирать ошибки. Отдельное внимание уделяется качеству, скорости, стоимости и безопасности AI-систем.

Перед началом желательно пройти курс «AI Developer на Python: LLM в реальных приложениях». Курс опирается на его материалы и не повторяет с нуля основы LLM API, FastAPI и разработки AI-функций. Если у вас уже есть сопоставимый опыт работы с Python и языковыми моделями, можно начать и без первого курса.

Начальные требования:

Для прохождения курса необходимо:

Уверенно писать на Python
Понимать HTTP и REST API, уметь создавать сервисы на FastAPI и Pydantic
Иметь опыт работы с LLM API: отправлять запросы и получать структурированные ответы
Как проходит обучение:

Курс состоит из десяти модулей. Каждый модуль включает:

Понятные теоретические уроки с объяснением технологий и их ограничений
Пошаговую практику на Python, вы пишете код, запускаете сервисы и проверяете результат
Работу над одним из четырёх самостоятельных проектов
Разбор архитектурных решений, типичных ошибок и способов их исправления
Эксперименты с моделями и проверку качества, скорости и стоимости
Задания и самостоятельные изменения для закрепления материала




Программа:

Собираем единый шлюз к LLM:

От AI-разработчика к AI-инженеру
LLM Gateway и единый контракт
Подключаем двух LLM-провайдеров к одному сервису
Реестр моделей и проверка запросов
Версии промптов и базовая оценка моделей
Маршрутизация и безопасное резервное переключение
Локальные LLM и сервер инференса:

Модель с открытыми весами глазами разработчика
Локальный запуск через Ollama
Квантование и измерение ресурсов
Сервер модели на vLLM
Внешний API, локальный запуск или GPU-сервер
LiteLLM как единый шлюз к моделям
Управление доступом и маршрутизацией в LiteLLM
Embeddings и конвейер документов на практике:

Как AI находит похожие документы?
Метрики близости и поиск в памяти
Выбор и версии embedding-модели
Архитектура конвейера документов
Извлечение и разбиение документов
Метаданные, доступ и идемпотентность
Поиск и RAG по базе знаний:

Модель базы знаний и pgvector
Точный и HNSW (приближённый векторный поиск)
Полнотекстовый и гибридный поиск
Как работает RAG? Поиск и подготовка контекста
Генерация ответа и ссылки на источники
Переписывание запроса (Query Rewriting)
Оценка и защита RAG
AI-ассистент для сканов, изображений и речи:

OCR для сканов и сложных PDF
Изображения и vision-модель
Речь в текст и голосовой ответ
AI-агент с памятью и контролем действий:

Запускаем Workflow Agent и разграничиваем доступ
Состояние диалога, контекст и постоянное хранение
История диалога и актуальные данные
Собираем агентный цикл с ограничениями
Инструменты агента: права и подтверждение
LangGraph и фоновые задачи на практике:

Знакомство с LangGraph
Агентный граф и Tool Calling
Контрольные точки и возобновление
Прерывание, подтверждение и идемпотентность
Очереди и фоновые обработчики
Статусы фоновых задач через SSE
CrewAI/ Flow, Crew и границы мультиагентных систем
MCP и взаимодействие AI-систем:

Архитектура MCP и первый сервер
Инструменты, ресурсы и промпты MCP
MCP-клиент и интеграция с Workflow Agent
Безопасность, удалённый транспорт и проверка MCP
Agent-to-Agent (A2A) Protocol
Данные и основы дообучения:

Классификация обращений: выбираем подход
Сбор и подготовка данных для обучения
Разделение данных без утечек
Основы обучения модели в PyTorch
LoRA и QLoRA, оценка и инференс:

SFT с Transformers и TRL
Параметроэффективное дообучение с LoRA
QLoRA и контроль ресурсов
Независимая оценка моделей и проверка регрессий
Версионирование адаптера, учёт экспериментов и API инференса
Что входит в курс:

55 уроков
99 интерактивных задач
Автор Илья Перминов

Занимаюсь веб-разработкой с 2006 года
Преподаватель месяца на Stepik — январь 2026
Автор курсов:
AI Developer на Python: LLM в реальных приложениях
AI Engineer на Python: RAG, агенты, MCP и production-системы

Цена 2960 руб.




СКАЧАТЬ СЛИВЫ КУРСОВ