LLM для Python-разработчиков: от RAG до агентов [Stepik] [Станислав Попов]
Чему вы научитесь
Этот курс создан для бэкенд-разработчиков, которые хотят начать работать с LLM и агентами, не имея бэкграунда в математике или машинном обучении.
Цель — дать не теорию, а инженерные навыки: как взять open-source LLM, дообучить её на своих данных, встроить в микросервис.
Почему именно этот курс?
— Python-разработчики, которые хотят добавить AI в свой стек
— Инженеры, планирующие внедрять LLM во внутренние инструменты (Jira, документация, чат-боты)
— Техлиды и архитекторы, оценивающие применимость LLM в инфраструктуре
— Те, кто уже пробовал LLM, но не знает, как выйти за пределы простых скриптов.
Программа курса:
1 Введение
2 Введение в LLM: с нуля до первого запроса
3 Embeddings и векторные базы данных
4 RAG: Retrieval-Augmented Generation на практике
5 Продвинутый RAG: надёжность, безопасность и контроль в продакшен
6 Локальные LLM: запуск без облака и без GPU
7 Дообучение LLM без GPU и PhD
8 Multi-agent системы: оркестрация и роли
9 Финальный проект — AI-ассистент разработчика
10 Глоссарий и закрепление по всему курсу
11 Заключение
Цена: 2800 руб.
Чему вы научитесь
- Вы научитесь использовать LLM как инженерный компонент: отправлять запросы через API и локальные движки (Ollama, llama.cpp), строить RAG на Chroma и Qdrant, и создавать агентов с памятью и инструментами на LangChain и CrewAI.
- Освоите дообучение open-source моделей (Mistral) методами LoRA — даже на бесплатной GPU в Colab — и сможете запускать их локально в формате GGUF.
- Научитесь интегрировать всё в FastAPI-приложения, покрывать тестами, оценивать качество с помощью RAGAS и кастомных метрик, а также настраивать логирование, health-check’и и защиту от промпт-инъекций.
Этот курс создан для бэкенд-разработчиков, которые хотят начать работать с LLM и агентами, не имея бэкграунда в математике или машинном обучении.
Цель — дать не теорию, а инженерные навыки: как взять open-source LLM, дообучить её на своих данных, встроить в микросервис.
Почему именно этот курс?
- Нет академической математики — только то, что нужно для работы
- Все примеры — на Python, FastAPI
- Акцент на продакшен: тесты, логи, безопасность, масштабируемость
- Каждый модуль завершается тестами и/или практическим заданием
- 8 тематических модулей (от основ LLM до multi-agent систем)
- Теория в формате кратких конспектов + кода
- Финальный проект: end-to-end AI-микросервис в портфолио
— Python-разработчики, которые хотят добавить AI в свой стек
— Инженеры, планирующие внедрять LLM во внутренние инструменты (Jira, документация, чат-боты)
— Техлиды и архитекторы, оценивающие применимость LLM в инфраструктуре
— Те, кто уже пробовал LLM, но не знает, как выйти за пределы простых скриптов.
Программа курса:
1 Введение
2 Введение в LLM: с нуля до первого запроса
3 Embeddings и векторные базы данных
4 RAG: Retrieval-Augmented Generation на практике
5 Продвинутый RAG: надёжность, безопасность и контроль в продакшен
6 Локальные LLM: запуск без облака и без GPU
7 Дообучение LLM без GPU и PhD
8 Multi-agent системы: оркестрация и роли
9 Финальный проект — AI-ассистент разработчика
10 Глоссарий и закрепление по всему курсу
11 Заключение
Цена: 2800 руб.
https://stepik.org/course/262955/promo