Получи системные знания для быстрой интеграции LLM в свои проекты
Изучи на практике актуальные фреймворки для работы с LLM-моделями, построения RAG и создания AI-агентов
Кому подойдет этот курс
-
Ты – Python-разработчик и хочешь войти в мир LLM и не остаться за бортом индустрии? - Чувствуешь, что пора обновить стек, но не уверен с чего начать, чтобы не застрять в изучении теории?
- Не знаешь, что использовать, чтобы написать production решение, а не примеры с курсов?
- Нужно быстро начать применять подходящие LLM-инструменты в своих проектах?
- Устал тратить часы на разбор громоздкой документации и сложных фреймворков?
- Не понимаешь в чем отличие LangChain, LangGraph, LlamaIndex, Haystack, CrewAI, Smolagents от других?
Чем полезен этот курс
- Получишь все необходимые знания об инструментах: промптинг, LLM API, RAG и AI-агенты
- Изучишь основные фреймворки по разработке агентов, их сильные стороны и отличия: LangChain/LangGraph, Huggingface Smolagents и др.
- Реализуешь на практике 6 сервисов: от пет-проекта за час до Production-уровня
- Узнаешь как настроить мониторинг и observability, а также как деплоить LLM и использовать MCP
- Получишь преимущество на рынке труда и перспективы роста, как специалиста
- Сможешь собрать свой проект с применением LLM за неделю
В итоге ты получишь:
Готовую систему и практические навыки, которые позволяют внедрять LLM‑решения в твои проекты в десять раз дешевле, чем курсы от корпораций.
- Умение быстро интегрировать и использовать проприетарные и open-source LLM в своих Python‑проектах
- Практические шаблоны и код для собственных проектов — всё, что нужно, чтобы стартовать или прокачаться в роли LLM-инженера
- Навык строить production-ready RAG-системы, собирать эффективные пайплайны с актуальными фреймворками
- Опыт создания и настройки мультиагентных систем, понимание, как автоматизировать задачи с помощью AI-агентов
- Навыки создания пайплайнов валидации и настройки систем мониоринга LLM-приложений
- Экспертность, чтобы уверенно проходить собеседования, брать сложные задачи и расти в востребованной области
Программа курса
LLM на практике
Погружение в архитектуру и принципы работы LLM
Промпт-инжиниринг: ZeroShot, FewShot, C-o-T
Как формулировать, тестировать и улучшать промпты
Промпт-инжиниринг: ZeroShot, FewShot, C-o-T
Как формулировать, тестировать и улучшать промпты
Proprietary и open-source LLM
Обзор и сравнение проприетарных LLM, интеграция через API
Оpen-source модели: как скачать веса, развернуть с помощью VLLM на своём GPU
Особенности настройки и оптимизации open-source решений
Оpen-source модели: как скачать веса, развернуть с помощью VLLM на своём GPU
Особенности настройки и оптимизации open-source решений
RAG-системы
Основы Retrieval Augmented Generation
Векторные базы данных: что выбрать?
Практический пример: Haystack и Gradio UI
Продвинутые техники: RAGAS и LlamaIndex
Production: LangChain + BM25 + Streamlit
Векторные базы данных: что выбрать?
Практический пример: Haystack и Gradio UI
Продвинутые техники: RAGAS и LlamaIndex
Production: LangChain + BM25 + Streamlit
AI-агенты
Архитектуры и паттерны в агентах
Сравнение актуальных фреймворков
Делаем быстро: SmolAgents +RAG, Grafana Tempo
Production: сервис для генерации SQL: LangGraph + LangSmith и LangFuse + MCP Server
Сравнение актуальных фреймворков
Делаем быстро: SmolAgents +RAG, Grafana Tempo
Production: сервис для генерации SQL: LangGraph + LangSmith и LangFuse + MCP Server
Об авторе
Косвинцев Кирилл
Senior LLM Engineer & ML Lead
7 лет в IT, из них 5 лет – в ML и 3 года – в NLP и LLM. Работаю Senior LLM Engineer в Альфа-Банке, ранее построил всё ML-направление с нуля в Linkage, до этого – занимался NLP в Сбербанке в роли Главного инженера. Начинал карьеру с бэкенд-разработки, классического ML и компьютерного зрения. Выпускник НИЯУ МИФИ. В настоящее время обучаюсь в аспирантуре, где исследую, как LLM помогают принимать эффективные решения в бизнесе и менеджменте.
Оставить заявку
и получить доступ к обучающим материалам на 20+ часов отборного материала
