Чему вы научитесь
- Понимать архитектуру современных LLM и ориентироваться в экосистеме AI-инструментов
- Строить эффективные RAG-системы (Retrieval-Augmented Generation) с оценкой качества ответов
- Разрабатывать автономных AI-агентов на LangChain, LlamaIndex и CrewAI
- Работать с векторными базами данных (Qdrant, PGVector) и создавать эмбеддинги
- Оценивать качество генерации с помощью Ragas, Faithfulness, Context Precision
- Деплоить AI-приложения и управлять инфраструктурой
О курсе
Этот роадмап — не просто список ссылок, а стратегический план развития, основанный на реальном опыте внедрения AI-решений в продакшен. Здесь нет абстрактных лекций: только инженерная практика и конкретные шаги.
Как устроен роадмап:
Структурированные блоки — от фундаментальных понятий (llm, токены) до сложных тем (многоагентные системы, production-деплой)
Тесты после каждого блока — закрепление знаний и проверка понимания ключевых концепций (архитектура RAG, типы агентности, метрики оценки, token economics)
Что внутри по модулям:
❗️ Фундамент и Инструментарий — как работают модели, промпт-инжиниринг, настройка локальных моделей через Ollama, основные фреймворки
❗️ RAG-инженерия — полный пайплайн: парсинг данных, чанкинг, векторный и гибридный поиск, реранкинг, оценка качества
❗️ Агентные системы — создание агентов, способных планировать задачи, использовать Tools и работать с внешними API. LangGraph, CrewAI, многоагентные сценарии
❗️ Production Ready — масштабирование, кэширование, асинхронность, контроль расходов, защита от abuse, мониторинг в реальном времени
Важно понимать: это дорожная карта, а не готовый курс с лекциями. Вам предстоит самостоятельно изучать материалы по ссылкам, но я уже сделал за вас самую сложную работу — отобрал лучшее, структурировал путь и подсказал, на чём сосредоточиться.
Для кого этот курс
Начальные требования
-
Уверенное знание Python (синтаксис, ООП, работа с библиотеками)
-
Понимание основ веб-разработки (REST API, HTTP)
-
Желание разбираться в документации и английский язык на уровне чтения (большинство передовых инструментов документированы на английском)
-
Важно: Курс не требует глубоких знаний математики или теории машинного обучения — фокус на прикладном использовании готовых моделей и фреймворков
Наши преподаватели
Как проходит обучение
Обучение построено в формате самостоятельного изучения по чёткому плану:
-
Теоретические блоки — краткие введения в темы с ссылками материалы (статьи, видео, официальная документация и т.д)
-
Тесты — проверка понимания ключевых концепций для закрепления изученного материала
Вы двигаетесь в своём темпе, возвращаясь к материалам при необходимости.
Программа курса
Что вы получаете
- ✅ Чёткую структуру — понимание, что учить дальше, без хаотичного скаканья по ресурсам
- ✅ Актуальный стек — инструменты, которые используются в индустрии прямо сейчас
- ✅ Экономию времени — уже отобран лучший контент, избавляя вас от информационного шума и месяцев поиска
- ✅ Понимание продакшена — не только как сделать работающий прототип, но и как строить системы, которые держат нагрузку
- ✅ Базу для собеседований — знания, которые позволят уверенно отвечать на вопросы по архитектуре LLM-приложений