Чему вы научитесь
- Построение иерархии источников и разрешение конфликтов Slack/Confluence/Jira
- Разбиение запросов и планирование multi-hop retrieval
- Построение конвееров суммаризации и иерархической компрессии контекста
- Проектирование систем памяти: сессионная, долгосрочная, эпизодическая
- Разрешение темпоральных конфликтов через паттерн fact_key + journal вместо чистого поиска по семантическому сходству
- Токен-бюджетирование и приоритизация контента для длинного контекстного окна
О курсе
Это курс 4 программы "Проектирование ИИ систем для production".
В этом курсе вы научитесь:
- Оценивать источники контекста по надёжности и разрешать конфликты между чатами, wiki и таск-трекерами
- Проектировать retrieval planning: декомпозицию запросов, multi-hop retrieval, выбор и маршрутизацию источников
- Строить пайплайны компрессии контекста: суммаризацию, экстрактивное сжатие, иерархическую абстракцию
- Проектировать системы памяти ассистента: сессионную, долгосрочную и эпизодическую
- Разрешать конфликты временных версий фактов в индексе через паттерн fact_key + journal
- Управлять токен-бюджетом и приоритизацией контента при масштабировании контекстного окна
🔥 Как устроен курс
Каждый урок начинается с реального production-инцидента: система упала, деньги потеряны, команда разбирает причины. Затем — архитектурный разбор: что пошло не так и как это спроектировать правильно. В конце — практическое задание на Python, которое закрепляет паттерн.
Формат: инцидент → архитектура → реализация
🎓 Это четвёртый курс программы AI Engineering. Последующие курсы (RAG, Ingestion, Context Engineering, Routing, Deployment, Agents, Evaluation, Reliability) строятся на архитектурном фундаменте, заложенном здесь.
Обсуждение и новости курса в Телеграме: Канал "ИИ Спираль"
Другие курсы программы "Проектирование ИИ систем для production":
3 — Загрузка данных в ИИ системы
5 — Слой маршрутизации
6 — Структурированный вывод + Экономика
7 — Агенты и рабочие процессы
8 — Оценка + LLMOps
9 — Надежность + Вывод
10 — Развертывание и масштабирование
11 — Финальный проект
Для кого этот курс
Начальные требования
- Опыт коммерческой разработки на Python
- Понимание async/await в Python
- Знание основ RAG и векторных БД (рекомендуется Курс 2) или эквивалентный опыт
- Понимание пайплайнов поглощения и индексирования документов (рекомендуется Курс 3)
- Базовое знакомство с LLM API (OpenAI/Anthropic) и промпт-инжинирингом
Как проходит обучение
Каждый модуль: история production-инцидента → архитектура → реализация
Практические задания в репозитории enterprise-ai-assistant
Failure-first подход: сначала показываем, как контекст ломается, потом как это чинить
Работа с реальными источниками enterprise-контекста: Slack, Confluence, Jira
Программа курса
В курс входят
- 27 уроков
- 132 теста
Наши преподаватели
Сертификат
Отзывы прошедших курс
Что вы получаете
- Модуль app/context/ для enterprise-ai-assistant (git tag v4.0-context)
- Retrieval planner с декомпозицией запросов и адаптивной маршрутизацией по источникам
- Пайплайн компрессии контекста: экстрактивная, абстрактивная и иерархическая ступени
- Система памяти с журналом фактов (fact_key + journal pattern)
- Модуль токен-бюджетирования для работы с длинным контекстом