Нажмите «ОК», если вы согласны с условиями обработки cookie и данных о поведении на сайте, необходимых для аналитики. Запретить обработку можно через браузер.
Создание ИИ-агентов
длительность
2 недели
2 недели
уровень начальный в разработке LLM-приложений
старт обучения
16 НОября
16 НОября
Курс от практика
из индустрии
из индустрии
Освоите no/low-code сборку ИИ-ассистента с поиском по документам в Langflow
Регистрация на образовательной платформе
Для оплаты курса вам необходимо зарегистрироваться на нашей образовательной платформе, указав ваши имя, фамилию и электронную почту.
Если у вас уже есть учётная запись, можно использовать её.
Если у вас уже есть учётная запись, можно использовать её.
о курсе //
Это практический интенсив, на котором вы шаг за шагом пройдете путь от простой сборки без написания кода (no/low-code) до локального приложения с поиском по документам, подключением сервисов и Telegram-интерфейсом
На 4-х практических вебинарах вы разберетесь в основных компонентах LLM-приложений и пройдете путь от no-code прототипа до ассистента с поиском по документам, внешними инструментами и Telegram-интерфейсом
На дополнительной встрече преподаватель разберет вопросы по всем темам программы
На дополнительной встрече преподаватель разберет вопросы по всем темам программы
Программа выстроена так, чтобы вы понимали не только шаги, но и общую логику работы ИИ-ассистентов: подготовку данных, механизм поиска, подключение инструментов через протокол MCP и выполнение запросов
кому подойдёт этот курс >>
Курс подойдёт аналитикам, разработчикам, IT-специалистам и продакт-менеджерам с техническим бэкграундом, которые впервые самостоятельно собирают LLM-приложение и хотят на практике разобраться в RAG, локальных моделях, MCP и работе с корпоративными знаниями.
Вы освоите архитектурный паттерн RAG (генерация с дополненным поиском)и научитесь работать с ключевыми компонентами современного AI-стека: сервером локальных моделей (Ollama), векторной базой данных (pgvector) и MCP-сервером для интеграции инструментов
Хотите использовать LLM для работы с технической документацией, кодовой базой и тест-кейсами?
Разработчикам
Вы научитесь проектировать и собирать прототипы ИИ-сервисов, интегрировать внешние инструменты через MCP-сервер и работать с векторными базами данных для поиска по документации
Работаете с требованиями, отчётами и базами знаний?
Аналитикам
Вы научитесь собирать прототипы ИИ-ассистентов с локальными моделями через Ollama, работать с векторными базами и подключать внешние инструменты через MCP
Нужно автоматизировать поиск по логам, отчётам об инцидентах и внутренней документации?
IT-специалистам
Как проходит обучение //
Как проходит обучение
Записи, код, примеры пайплайнов, инструкции по установке инструментов — всё останется у вас навсегда
Постоянный доступ к материалам
Все занятия — онлайн с преподавателем. Можно задавать вопросы и разбирать кейсы прямо во время урока
Удобное время занятий
На вебинарах преподаватель пошагово разбирает сборку решений в LangFlow и Telegram, а полученные подходы можно закрепить в самостоятельной практике
Фокус на практику
Во время занятий можно уточнять детали, разбирать ошибки и получать рекомендации по улучшению вашего ассистента
Поддержка преподавателя
чему вы научитесь /?/
Соберёте ИИ-ассистента, который ищет информацию в документах, отвечает на вопросы с опорой на найденные данные и помогает быстрее работать с корпоративными знаниями
Быстро находить нужную информацию в документах и базе знаний
Настроите подключение программного интерфейса API через протокол MCP, чтобы ассистент сам подгружал свежие данные — например, погоду, курсы или внутренние метрики
Автоматически получать данные из внешних сервисов
Освоите разработку с минимальным программированием (no/low-code): сможете управлять поиском, обрабатывать ошибки и переключать модели для более точных ответов
Настраивать поведение ассистента под ваши задачи
Разберётесь, как работает цепочка поиска и генерации, как подключаются инструменты и как тестировать функции при создании LLM (больших языковых моделей)
Создавать собственные прототипы на базе LLM
Научитесь разбивать документы на фрагменты, работать с PostgreSQL и pgvector и настраивать семантический поиск по документам
Работать с векторной базой данных
Разберётесь, как работать с Ollama, подключать и вызывать MCP-инструменты и зададите авторитизацию по chat-id
Собирать ИИ-агента и подключать MCP-инструменты
преподаватель курса >>
Ярослав Шуваев
> 20+ лет опыта в цифровой разработке
> 10+ лет опыта внедрения и запуска инновационных цифровых продуктов в корпорациях Альфа-Банк, Ак Барс Банк, МТС, Viasat и других
> 10+ лет опыта в корпоративном обучении
> 10+ лет опыта внедрения и запуска инновационных цифровых продуктов в корпорациях Альфа-Банк, Ак Барс Банк, МТС, Viasat и других
> 10+ лет опыта в корпоративном обучении
программа курса //
Разберём, как загрузить документ, обработать текст так, чтобы ассистент мог по нему искать, и подключить модель в удобном визуальном конструкторе Langflow.
Покажем, как организовать последовательность работы ассистента в Langflow: поиск данных, обработка моделью и выполнение инструментов. Подключим локальные модели через Ollama.
Покажем, как добавить готовые инструменты (например, получение погоды или других данных через API) и объясним, как работает MCP (Model Context Protocol).
Разберём, как разбивать документы на фрагменты, хранить их в PostgreSQL с pgvector и настраивать семантический поиск. Покажем создание RAG-ассистента со структурированным выводом.
Разберём, как добавить небольшие фрагменты JS или Python, чтобы управлять поиском, обрабатывать ошибки и переключать модели
Разберём, как создать Telegram-бота, подключить его к MCP-инструментальному агенту и протестировать взаимодействие с внешними инструментами.
Разберём, как загрузить документ, обработать текст так, чтобы ассистент мог по нему искать, и подключить модель в удобном визуальном конструкторе Langflow.
Покажем, как добавить готовые инструменты (например, получение погоды или других данных через API) и объясним, как работает MCP (Model Context Protocol).
Разберём, как добавить небольшие фрагменты JS или Python, чтобы управлять поиском, обрабатывать ошибки и переключать модели
Покажем, как организовать последовательность работы ассистента в Langflow: поиск данных, обработка моделью и выполнение инструментов. Подключим локальные модели через Ollama.
Разберём, как разбивать документы на фрагменты, хранить их в PostgreSQL с pgvector и настраивать семантический поиск. Покажем создание RAG-ассистента со структурированным выводом.
Разберём, как создать Telegram-бота, подключить его к MCP-инструментальному агенту и протестировать взаимодействие с внешними инструментами.
стоимость обучения >>
Создание ИИ-агентов *
29 295 ₽
ОДНИМ ПЛАТЕЖОМ:
* Бесплатный доступ к GPU-серверу на время обучения
при рассрочке на 24 месяца
В РАССРОЧКУ ОТ:
1 717 ₽ / мес.
вопросы и ответы >>
Для начала — нет. Первые занятия проходят в no-code- и low-code-инструментах, поэтому собирать первые решения можно без написания кода.
Во второй части курса вы будете работать с готовыми фрагментами JavaScript и Python. Базовое понимание синтаксиса будет преимуществом, но не является обязательным условием для старта.
Во второй части курса вы будете работать с готовыми фрагментами JavaScript и Python. Базовое понимание синтаксиса будет преимуществом, но не является обязательным условием для старта.
Ноутбук и браузер с актуальной версией — этого достаточно. На курсе вы будете работать в браузерной рабочей среде — VS Code, LangFlow, Ollama и PostgreSQL будут также доступны из рабочей среды.
Для запуска локальных моделей школа также предоставит доступ к учебному GPU-серверу.
Для запуска локальных моделей школа также предоставит доступ к учебному GPU-серверу.
Да. Записи вебинаров и учебные материалы останутся у вас после завершения курса.
Да. Вы научитесь создавать RAG-cистемы, которые могут работать с документами и корпоративными базами знаний, подключаться к внешним сервисам и выполнять действия с помощью инструментов.
В рамках дополнительной практики вы сможете собрать рабочий прототип ИИ-ассистента и адаптировать его под задачи своей команды.
В рамках дополнительной практики вы сможете собрать рабочий прототип ИИ-ассистента и адаптировать его под задачи своей команды.
На курсе вы научитесь:
— собирать ИИ-ассистентов и агентов в визуальном конструкторе и LangFlow;
— подключать облачные и локальные языковые модели;
— работать с документами и корпоративными базами знаний;
— хранить и находить информацию с помощью PostgreSQL и pgvector;
— подключать внешние сервисы и инструменты через API и MCP;
— добавлять собственную логику с помощью готовых фрагментов JavaScript и Python;
— интегрировать агентную логику в Telegram-бота.
— собирать ИИ-ассистентов и агентов в визуальном конструкторе и LangFlow;
— подключать облачные и локальные языковые модели;
— работать с документами и корпоративными базами знаний;
— хранить и находить информацию с помощью PostgreSQL и pgvector;
— подключать внешние сервисы и инструменты через API и MCP;
— добавлять собственную логику с помощью готовых фрагментов JavaScript и Python;
— интегрировать агентную логику в Telegram-бота.
RAG — это подход, который позволяет языковой модели отвечать с опорой на внешние источники: документы, инструкции, базы знаний или внутреннюю документацию компании.
Сначала система находит подходящую информацию, а затем использует её при формировании ответа. Это помогает повысить точность ответов и сократить количество ошибок по сравнению с обычным обращением к языковой модели без дополнительного контекста.
RAG можно использовать для создания помощников для технической поддержки, поиска по корпоративным документам, онбординга сотрудников и работы с внутренними знаниями компании.
Сначала система находит подходящую информацию, а затем использует её при формировании ответа. Это помогает повысить точность ответов и сократить количество ошибок по сравнению с обычным обращением к языковой модели без дополнительного контекста.
RAG можно использовать для создания помощников для технической поддержки, поиска по корпоративным документам, онбординга сотрудников и работы с внутренними знаниями компании.
Курс поможет освоить прикладные навыки работы с современными языковыми моделями и агентными инструментами. Вы сможете быстрее проверять идеи ИИ-решений, собирать прототипы и оценивать возможности их применения в рабочих процессах.
Разработчики смогут познакомиться с практикой создания решений на базе LLM, аналитики — автоматизировать работу с данными и документами, а технические продакт-менеджеры — самостоятельно собирать и тестировать прототипы.
В рамках дополнительной практики вы сможете собрать собственного ИИ-агента с Telegram-интерфейсом.
Разработчики смогут познакомиться с практикой создания решений на базе LLM, аналитики — автоматизировать работу с данными и документами, а технические продакт-менеджеры — самостоятельно собирать и тестировать прототипы.
В рамках дополнительной практики вы сможете собрать собственного ИИ-агента с Telegram-интерфейсом.
Вы будете работать с Langflow, Ollama, PostgreSQL с расширением pgvector и протоколом MCP. Код вы сможете писать в рабочей среде VS Code, а материалы и задания будут храниться в GitLab.
Школа предоставит доступ к учебному GPU-серверу на время курса, поэтому для запуска локальных моделей не потребуется мощный компьютер.
Школа предоставит доступ к учебному GPU-серверу на время курса, поэтому для запуска локальных моделей не потребуется мощный компьютер.
Курс можно оплатить полностью или оформить беспроцентную рассрочку от партнёров на срок до 24 месяцев.
При соблюдении установленных законом условий можно вернуть часть стоимости обучения с помощью налогового вычета.
При соблюдении установленных законом условий можно вернуть часть стоимости обучения с помощью налогового вычета.