Чему вы научитесь
- Отправлять запросы к LLM через Python и обрабатывать ответы
- Составлять промпты, которые дают предсказуемый и качественный результат
- Использовать Structured Output для получения структурированных данных от модели
- Выбирать подходящую LLM под конкретную задачу и ограничения
- Разбираться в устройстве AI-агента и его ключевых компонентах
- Реализовывать Function Calling — давать агенту доступ к внешним функциям
- Проектировать архитектуры агентов и строить пайплайны в LangGraph
О курсе
🧭 Курс для разработчиков, которые хотят разобраться в LLM и AI-агентах на практике.
Цель простая: к концу курса вы будете понимать, как работают большие языковые модели, как с ними взаимодействовать из Python и как собирать на их основе агентов, которые умеют вызывать функции и решать задачи.
⚡ Почему этот курс?
- Упор на практику: 7 лабораторных работ, каждый блок теории закрепляется кодом
- Без воды — только то, что нужно для работы с LLM и агентами
- Разбираем не один фреймворк, а подход: от сырого API-запроса до архитектур агентов в LangGraph
- Учим не просто «промптить», а получать от модели структурированный, предсказуемый результат
📦Что входит в курс:
- Блок 1 — Работа с LLM: взаимодействие через API на Python, составление качественных промптов, structured output, подход к выбору модели под задачу
- Блок 2 — AI-агенты: устройство и компоненты агента, function calling, архитектуры агентов, проектирование пайплайнов в LangGraph
- Каждая лекция сопровождается лабораторной работой в Jupyter для закрепления на практике
По вопросам вы можете писать в чат Telegram-канала https://t.me/maks_it_ai или автору в личные сообщения https://t.me/maks_maks1
Для кого этот курс
Для разработчиков, которые хотят начать работать с LLM и AI-агентами, но не знают, с каких шагов начать. Подойдёт и тем, кто уже экспериментировал с языковыми моделями, но хочет выстроить понимание от основ до проектирования агентов.
Начальные требования
- Базовый опыт в разработке на Python: умение писать функции, работать с библиотеками и фреймворками
- Опыт работы с LLM — в чате или по API
- Желательно общее понимание того, как устроены нейронные сети
Наши преподаватели
Как проходит обучение
- 📖 Лекция по теме с разбором концепции и примерами
- 🧪 Лабораторная работа в Jupyter Notebook для закрепления знаний на практике
- 🔁 Такой цикл повторяется в каждом разделе курса
Программа курса
загружаем...
Что вы получаете
- 🧠 Понимание того, как работают LLM и как взаимодействовать с ними из кода
- 🛠 Навык проектирования AI-агентов — от идеи до реализации с openai-python и LangGraph
- 💻 Практический опыт: 7 лабораторных работ с реальным кодом в Jupyter
- 🚀 Фундамент для дальнейшего изучения AI-разработки
Price:
Бесплатно