AI Engineer на Python: RAG, агенты, MCP и дообучение LLM
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.
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
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 Оставляете email Без оплаты и без карты. Пришлём, как занять место в складчине на нашем основном сайте.
2 Складчина набирает людей Сейчас 7 участников и взнос 296 ₽. Ещё 4 человека — и он опустится до 290 ₽.
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
Другие материалы автора 7
Илья Перминов Все материалыОтзывов пока нет. Будьте первым!
Этот курс сейчас в процессе организации складчины. Нажмите кнопку «Записаться» и ожидайте старта — вам придёт уведомление. Когда складчина стартует, в карточке курса будет указан актуальный взнос. Текущая цена пока в процессе формирования и может отличаться от финальной.
Да, мы стремимся, чтобы финальный взнос был не больше ≈10% от оригинальной цены курса. Чем больше участников записывается в складчину, тем ниже выходит взнос для каждого.
Нажмите кнопку «Записаться» и авторизуйтесь на сайте через email (через ту же почту, которую будете использовать для входа). В личном кабинете вас будут ждать инструкции, как пригласить других участников — чем больше людей записалось, тем быстрее стартует складчина и тем ниже взнос. Как только складчина готова к приобретению, вам придёт уведомление.
