Практический курс по AI-агентам. Соберёте продакшн RAG-сервис: от индекса и графа состояний до API, Docker, метрик качества и контроля стоимости. Плюс профессиональные блоки: LangGraph/AutoGen, Qdrant/FAISS+rerank, eval (RAGAS/custom), quality-гейты, OpenTelemetry+Prometheus/Grafana, CI/CD, ретраи/DLQ/идемпотентность, PII/RBAC.
Этот курс — про инженерную сборку AI-агента под реальные условия эксплуатации. Вы пройдёте путь от пустой папки и исходных документов до работающего сервиса: индексация и поиск (Qdrant/FAISS + rerank), граф состояний в LangGraph/AutoGen, API на FastAPI, контейнеризация, метрики качества и контроль стоимости ответа.
Курс сфокусирован не на эффектных прототипах, а на инженерных деталях: как собрать пайплайн, проверить качество, завернуть сервис в Docker, настроить наблюдаемость и не потерять контроль над стоимостью LLM-вызовов. Каждый модуль заканчивается артефактом: индекс, сервис, docker-образ, eval-отчёт, дашборд.
По итогу вы сможете уверенно сказать:
👉 «Я умею проектировать и запускать AI-агентов, которые реально работают в проде, выдерживают нагрузку и экономят бизнесу деньги».
Вы можете задать любой вопрос в телеграмм автору @alexey_latorn
P.S. Ранее курс размещался на Stepik, отзывы ниже взяты оттуда
Автор курса
Разрабатываю образовательные материалы по программированию, машинному обучению и анализу данных. Темы: Python-разработка, аналитика, ML-инструменты (LangChain, vector databases, AI agents), компьютерное зрение. Стараюсь объяснять технические концепции понятно и структурировано. Ранее преподавал на Stepik и обучил более 2000 студентов.
Поддержка
