LangChain: создание ИИ агентов для бизнеса на Python

8 участников

О чём курс

О чём курс

Фреймворк LangChain и язык Python служат инструментами для разработки прикладных AI-агентов, решающих реальные бизнес-задачи. Практика включает создание автономных и локальных решений без привязки к конкретным LLM, а также настройку взаимодействия моделей с внешними инструментами.

Кому подойдёт

Материал ориентирован на специалистов со знанием Python (включая основы ООП и функционального программирования) и навыками работы с Git:

  • Python- и backend-разработчикам, внедряющим нейросетевые сценарии в корпоративные сервисы и продукты;
  • AI/ML-инженерам и разработчикам чат-ботов, которым требуется собирать агентные системы с памятью, доступом к API и вызовом инструментов;
  • Data-инженерам и аналитикам для генерации SQL-запросов, поиска по документам и извлечения информации;
  • специалистам по автоматизации бизнеса и продуктовым командам для быстрого прототипирования интеллектуальных функций.

Чему учат

В рамках курса рассматривается полный стек технологий для создания агентных систем:

  • работа с локальными LLM (Ollama, Qwen), зарубежными сервисами (ChatGPT, Gemini) и российскими моделями от Яндекса и Сбера;
  • построение отказоустойчивых цепочек на базе Runnable-архитектуры, настройка параллельной обработки, резервных сценариев и перезапусков;
  • реализация систем RAG (Retrieval-Augmented Generation), включая подготовку чанков, генерацию эмбеддингов, работу с векторными базами данных и комбинирование векторного и полнотекстового поиска;
  • разработка безопасных инструментов, управление памятью агента, применение Middleware и настройка структурированного вывода.

Формат обучения

Теоретический блок состоит из коротких видеоуроков, дополненных схемами и сопутствующими материалами. Практическая часть включает проверочные тесты и разработку 5 проектов для портфолио (игра с LLM, инструменты для файлов/БД, RAG-сервис, многоступенчатая цепочка ответов и выпускной агент), а также доступ к коду в репозитории на GitHub.

Об авторе

Автор программы — Никита Шультайс, профессиональный веб-разработчик со стажем более 10 лет, преподаватель и основатель компании Shultais Education. Автор публикаций в журнале Linux Format, победитель конкурса Edcrunch Award и обладатель награды за вклад в платформу Stepik (2025).

Программа обучения

  1. Введение в LLM-агенты:
  • LLM: возможности и ограничения
  • LangChain и LangGraph
  1. Введение в LangChain:
  • Установка и настройка LangChain
  • Первый вызов LLM модели
  • Шаблоны промптов
  • Структурированные ответы от LLM
  • Подключение Gemini
  • История чата
  • Проект: игра в города
  1. Российские LLM-модели:
  • LLM модели Яндекса
  • LLM модели Сбера
  1. Цепочки и Runnable-архитектура:
  • Знакомство с проектом
  • Промпт, модель и парсер
  • Первая цепочка
  • Погружение в Runnable-архитектуру
  • Соединение цепочек
  • Массовый вызов
  • Колбэки
  • Резервные цепочки
  • Аварийная цепочка
  • Резервные модели
  • Fake-модель
  • Аварийный ответ
  • Повторы шагов
  • Порядок fallback и retry
  • Вложенность цепочек и Runnable
  • Распараллеливание через RunnableParallel
  • Passtrough и проброс данных
  1. Инструменты:
  • Введение в инструменты
  • Создание и ручной вызов инструмента
  • Встроенные парсеры
  • Ответ модели после вызова инструмента
  • Документация
  • Обработка исключений в инструментах
  • Множественные вызовы
  • Выбор из нескольких инструментов
  • Схема аргументов
  • StructuredTool
  • BaseTool
  • Проблема вызова нескольких инструментов
  1. RAG:
  • Введение в RAG
  • Внешние загрузчики
  • Внешние загрузчки: практика
  • Искусство нарезки текстов, часть 1
  • Искусство нарезки текстов, часть 2
  • Установка векторной базы данных
  • Установка embedding-моделей
  • Простейший embedding
  • Embedding всей базы данных
  • Поиск по векторному хранилищу
  • Сборка цепочки
  • Архитектура индексации
  • Архитектура RAG
  • Параметры ретривера
  • Ретривер с фильтром
  • Мульти запросы
  • Ответы с источниками
  • Вектора и точные совпадения
  • Вектора и полнотекстовый поиск
  • Полнотекстовый ретривер
  • Оформление инструмента
  1. Агенты в LangChain:
  • Введение в агенты
  • Создание первого агента
  • Прямой возврат от инструмента
  • Структурированный вывод
  • Введение в Middleware
  • Первый Middleware
  • Работа с персональными данными
  • Контекст времени выполнения
  • Собственный Middleware
  • Состояния агента
  • Изменение сообщений
  • Возобновление работы агента
Складчина создана 27 сентября 2026 г. · описание обновлено 18 октября 2026 г.

Теги курса

Инструменты

Другие материалы автора 9

НШ Никита Шультайс Все материалы
930 ₽ 5 900 ₽