AI Engineer на Python: RAG, агенты, MCP и дообучение LLM

7 участников

О чём курс

На курсе AI Engineer на Python вы создадите четыре самостоятельных проекта: шлюз для языковых моделей, помощника по документам, агента для обработки заявок и классификатор обращений. Для прохождения нужны навыки работы с Python, FastAPI и LLM API.

Для кого курс

  • Для Python-разработчиков с опытом работы с LLM API, которые хотят перейти от отдельных AI-функций к полноценным системам.
  • Для backend-разработчиков, которые планируют добавить в продукты поиск по документам, анализ изображений и аудио или AI-агентов.
  • Для AI-разработчиков, которые хотят освоить RAG, локальные модели, LangGraph, MCP и дообучение.
  • Для тех, кто хочет развиваться в AI Engineering и собрать несколько самостоятельных проектов.

Чему вы научитесь

  • Подключать внешние и локальные языковые модели через OpenAI, Anthropic, Ollama и vLLM.
  • Создавать на FastAPI шлюз, который выбирает подходящую модель для запроса.
  • Строить поиск по документам и помощника на RAG, PostgreSQL и pgvector.
  • Обрабатывать сканы, изображения и аудио с помощью OCR, ASR и TTS.
  • Разрабатывать AI-агентов с памятью и управляемыми действиями на LangGraph.
  • Подключать внешние инструменты к агенту через MCP.
  • Готовить данные и дообучать модели с помощью LoRA и QLoRA.
  • Оценивать качество ответов, скорость работы и стоимость AI-систем.
  • Защищать данные и проверять поведение сервиса при ошибках.

Проекты

  • Model Gateway — шлюз на FastAPI для обращения к OpenAI, Anthropic и локальным моделям в Ollama и vLLM. Вы сравните модели по качеству, скорости и стоимости, научитесь выбирать подходящую и переключаться на резервную при сбое.
  • Knowledge Assistant — помощник по документам с базой знаний на PostgreSQL и pgvector и ответами на основе найденных источников через RAG. Он работает с текстовыми файлами, сканами, изображениями и аудио: извлекает текст через OCR и ASR, анализирует изображения и озвучивает ответы с помощью TTS.
  • Workflow Agent — агент для обработки заявок на LangGraph. Он сохраняет состояние задачи, выполняет разрешённые действия и продолжает работу после паузы или сбоя. Вы подключите внешние инструменты через MCP и научитесь контролировать их использование.
  • Ticket Classifier Lab — классификатор обращений. Вы подготовите набор данных, дообучите небольшую языковую модель с помощью LoRA и QLoRA, сравните её с исходной моделью на независимых примерах и создадите API для использования классификатора в приложении.

Во время работы над проектами вы будете писать и запускать код, проводить эксперименты, проверять качество ответов, скорость, стоимость, надёжность и безопасность решений, а также разбирать ошибки, возникающие в реальных AI-сервисах. Каждый проект можно запустить и показать.

Начальные требования

  • Уверенное владение Python.
  • Понимание HTTP и REST API, умение создавать сервисы на FastAPI и Pydantic.
  • Опыт работы с LLM API: отправка запросов и получение структурированных ответов.

Курс продолжает «AI Developer на Python: LLM в реальных приложениях». В первом курсе изучают LLM API, структурированные ответы, подключение инструментов и создание AI Backend. Перед началом желательно пройти его: основы LLM API, FastAPI и разработки AI-функций здесь не повторяют с нуля. Если у вас уже есть сопоставимый опыт работы с Python и языковыми моделями, можно начать без первого курса.

Как проходит обучение

Курс состоит из десяти модулей. Каждый включает:

  • Теоретические уроки о технологиях и их ограничениях.
  • Пошаговую практику на Python: написание кода, запуск сервисов и проверку результата.
  • Работу над одним из четырёх самостоятельных проектов.
  • Разбор архитектурных решений, типичных ошибок и способов их исправления.
  • Эксперименты с моделями и проверку качества, скорости и стоимости.
  • Задания и самостоятельные изменения для закрепления материала.
Эмблема AI Engineer с изображением нейросети

Состав курса

  • 55 уроков.
  • 99 интерактивных задач.

Об авторе

Илья Перминов занимается веб-разработкой с 2006 года. В январе 2026 года он стал преподавателем месяца на Stepik. Автор курсов «AI Developer на Python: LLM в реальных приложениях» и «AI Engineer на Python: RAG, агенты, MCP и production-системы».

Программа обучения

  • Собираем единый шлюз к LLM:
    • От AI-разработчика к AI-инженеру
    • LLM Gateway и единый контракт
    • Подключаем двух LLM-провайдеров к одному сервису
    • Реестр моделей и проверка запросов
    • Версии промптов и базовая оценка моделей
    • Маршрутизация и безопасное резервное переключение
  • Локальные LLM и сервер инференса:
    • Модель с открытыми весами глазами разработчика
    • Локальный запуск через Ollama
    • Квантование и измерение ресурсов
    • Сервер модели на vLLM
    • Внешний API, локальный запуск или GPU-сервер
    • LiteLLM как единый шлюз к моделям
    • Управление доступом и маршрутизацией в LiteLLM
  • Embeddings и конвейер документов на практике:
    • Как AI находит похожие документы?
    • Метрики близости и поиск в памяти
    • Выбор и версии embedding-модели
    • Архитектура конвейера документов
    • Извлечение и разбиение документов
    • Метаданные, доступ и идемпотентность
  • Поиск и RAG по базе знаний:
    • Модель базы знаний и pgvector
    • Точный и HNSW (приближённый векторный поиск)
    • Полнотекстовый и гибридный поиск
    • Как работает RAG? Поиск и подготовка контекста
    • Генерация ответа и ссылки на источники
    • Переписывание запроса (Query Rewriting)
    • Оценка и защита RAG
  • AI-ассистент для сканов, изображений и речи:
    • OCR для сканов и сложных PDF
    • Изображения и vision-модель
    • Речь в текст и голосовой ответ
  • AI-агент с памятью и контролем действий:
    • Запускаем Workflow Agent и разграничиваем доступ
    • Состояние диалога, контекст и постоянное хранение
    • История диалога и актуальные данные
    • Собираем агентный цикл с ограничениями
    • Инструменты агента: права и подтверждение
  • LangGraph и фоновые задачи на практике:
    • Знакомство с LangGraph
    • Агентный граф и Tool Calling
    • Контрольные точки и возобновление
    • Прерывание, подтверждение и идемпотентность
    • Очереди и фоновые обработчики
    • Статусы фоновых задач через SSE
    • CrewAI/ Flow, Crew и границы мультиагентных систем
  • MCP и взаимодействие AI-систем:
    • Архитектура MCP и первый сервер
    • Инструменты, ресурсы и промпты MCP
    • MCP-клиент и интеграция с Workflow Agent
    • Безопасность, удалённый транспорт и проверка MCP
    • Agent-to-Agent (A2A) Protocol
  • Данные и основы дообучения:
    • Классификация обращений: выбираем подход
    • Сбор и подготовка данных для обучения
    • Разделение данных без утечек
    • Основы обучения модели в PyTorch
  • LoRA и QLoRA, оценка и инференс:
    • SFT с Transformers и TRL
    • Параметроэффективное дообучение с LoRA
    • QLoRA и контроль ресурсов
    • Независимая оценка моделей и проверка регрессий
    • Версионирование адаптера, учёт экспериментов и API инференса
Складчина создана 19 ноября 2026 г.

Запишитесь бесплатно — цена упадёт для всех

У автора этот материал стоит 2 960 ₽. В складчине сумму делят на всех: чем больше участников, тем меньше взнос каждого.

  1. 1 Оставляете email

    Без оплаты и без карты. Пришлём, как занять место в складчине на нашем основном сайте.

  2. 2 Складчина набирает людей

    Сейчас 7 участников и взнос 296 ₽. Ещё 4 человека — и он опустится до 290 ₽.

  3. 3 Открывается сбор

    Присылаем итоговую цену. Устроит — платите и получаете материалы. Нет — просто не платите.

  • 1 480 ₽ 2 уч.
  • 740 ₽ 4 уч.
  • 296 ₽ 7 уч. сейчас
  • 290 ₽ 11 уч. цель

Запись ни к чему не обязывает: платите, только если итоговый взнос вас устроит.

Теги курса

Инструменты

Другие материалы автора 7

Илья Перминов Все материалы
290 ₽ Записаться бесплатно