RAG на Python: чат-бот по своим данным с pgvector

Чему вы научитесь

• собирать RAG-пайплайн руками — от нарезки документов до ответа с цитатами
• резать документы на чанки и понимать, как размер чанка влияет на качество
• превращать текст в эмбеддинги и искать по косинусной близости
• хранить и искать вектора в PostgreSQL через расширение pgvector
• строить гибридный поиск и reranking — точнее, чем один голый вектор
• измерять качество ретривера метриками precision@k и recall@k, а не на глаз
• защищать контекст от мусора и подмены фактов
• собрать чат-бота по своей базе знаний со скрытыми тестами и отчётом качества

О курсе

Языковая модель уверенно придумывает факты, которых нет, — и это нормально, пока вы не пытаетесь построить на ней ответы по своим данным: документации, базе знаний, регламентам. RAG (retrieval-augmented generation) заставляет модель отвечать строго по найденным документам и цитировать источник. Этот курс — про то, как собрать такой пайплайн своими руками и доказать цифрами, что он работает.

Здесь вы строите RAG по кирпичам, а не вызываете готовый «RAG за три строки» из фреймворка. Chunking, эмбеддинги, векторное хранилище, retrieval, гибридный поиск с reranking — каждый компонент вы пишете и понимаете сами, без привязки к LangChain. Вектора храните в настоящем PostgreSQL через pgvector — это мост из мира привычных баз данных в мир AI, а не ещё одна экзотическая векторная БД.

Это настоящий тренажёр: 125 задач на код проверяются автоматически прямо в браузере. LLM в проверке заменена детерминированным MockLLM, поэтому всё работает без API-ключа, VPN и зарубежной карты; живой стек — PostgreSQL, pgvector и настоящие embeddings — вы попробуете в 4 локальных лабах на своём компьютере.

Главное отличие курса — качество здесь измеряется, а не декларируется. Начиная с модуля про retrieval вы считаете precision@k и recall@k на эталонном QA-наборе, а каждое улучшение пайплайна (другая нарезка, гибрид, reranking) прогоняете через метрики и видите, стало лучше или хуже. Ваш RAG растёт от версии v0 до v5 на одном сквозном домене — базе знаний магазина ShopDB.

В финале вы собираете капстоун: чат-бота по базе знаний, который проходит скрытые тесты и выдаёт отчёт с измеренной точностью ответов. Репозиторий с пайплайном и таблицей метрик v0→v5 — это артефакт для резюме и портфолио.

Первый модуль и первый практический урок открыты бесплатно — попробуйте тренажёр и найдите первый ответ в базе знаний за 20 минут, прежде чем покупать.

Что вы получаете

• Навык строить production-RAG на Python: chunking, embeddings, pgvector, гибридный поиск с reranking, метрики качества и безопасность контекста.
• Капстоун — чат-бот по базе знаний ShopDB со скрытыми тестами и отчётом метрик v0→v5. Готовый артефакт для резюме и портфолио.
• Сертификат Stepik при наборе проходного балла.
• Бессрочный доступ к материалам и будущим обновлениям курса.
• Это ступень AI-линейки: дальше ваш бот становится прод-сервисом со стримингом и тестами на FastAPI.