Научитесь создавать LLM-системы: от поиска по базе знаний и саппорт-агентов до речевой аналитики и мультиагентных систем.
Курс для тех, кто планирует или уже строит LLM-системы
- DL-инженеры
Научитесь строить системы целиком от распределения входной нагрузки до мониторинга ключевых метрик. Сможете говорить с разработчиками на одном языке и строить дорожную карту развития ваших сервисов.
- ML-инженеры и аналитики
Научитесь строить LLM-приложения, которые решают востребованные задачи: поиск по базе знаний, чат-бот, автономные ИИ-сотрудники — поймёте, как устроены системы изнутри, чтобы с пониманием дела улучшать их работу.
- Backend-разработчики
Разберётесь в специфике LLM-приложений: когда какую модель использовать и что есть кроме LLM, векторный поиск, метрики, трейсинг, агентские системы — сможете говорить с ML/DL командой на одном языке и строить дорожную карту развития ваших сервисов.
После курса вы сможете:
- Вайбкодить Использовать кодинг-агентов
Настроите окружение для эффективной работы кодинг-агентов над проектом. Узнаете, как сэкономить время на разработке.
- Решать задачу customer support
Разберёте архитектуру решения: балансировка нагрузки, классификация интента, генерация ответа, трейсинг, агентский подход — и реализуете каждый шаг в проекте.
- Создавать мультиагентные системы
Соберёте мультиагентную систему, используя современные подходы и инструменты как в популярных Hermes, OpenClaw, Claude Code, etc.
- Поднимать self-host LLM
Развернёте свою LLM на vLLM / SGLang с квантованием и автоскейлом. Соберёте офлайн-пайплайн анализа голосовых записей.
- Строить поиск по базе знаний
Соберёте RAG-сервис: от ванильной версии до гибридного поиска, способного держать нагрузку.
- Настраивать observability
Чтобы сделать систему прозрачной: следить за ключевыми метриками и прицельно улучшать приложение.
Программа
4 проекта; 11 лекций
Курс собран из четырёх проектов. Для каждого разбираем архитектуру и собираем работающий прототип — на лекциях и семинарах.
- Вводная встреча
Знакомимся с группой, разбираем формат курса, проекты и домашние задания. Отвечаем на все вопросы перед стартом
- Поиск по базе знаний
Собираем сервис семантического поиска по корпоративной базе: от ванильного RAG до гибридных схем и Page Index. Проходим путь от 1 до 100 RPS без переписывания с нуля.
- Клиентский саппорт
Делаем мультиагентный саппорт: классифицируем интент, ищем в базе, отвечаем, эскалируем оператору. С observability, метриками качества и guardrails — чтобы выпускать в продакшн, а не только демо-стенд.
- Речевая аналитика и боты
Self-host LLM под свою задачу + офлайн-аналитика звонков: ASR → диаризация → LLM-анализ. Структурированный JSON-выход, который ложится в дашборды и даёт инсайты бизнесу.
- Мультиагентный ИИ-разработчик
Универсальный агент общего назначения: tools, MCP, ReAct, память и sandbox. Сравниваем с Cursor, Claude Code и Hermes и собираем своего на семинаре в конце курса.
Что нужно знать
Необходимы базовые знания Python и LLM.
- Уверенный Python
Знакомы с async/await, классами, типизацией.
- Опыт работы с REST API
Понимаете, как делать HTTP-запросы, обрабатывать ошибки, работать с JSON.
- Базовое понимание LLM
Знаете, что такое токен, эмбеддинг, prompt. Пользовались агентами или LLM-чатом.
- DL/ML-знания — не обязательны
Программа построена так, чтобы её могли пройти разработчики без ML-бэкграунда.
