Нажмите «ОК», если вы согласны с условиями обработки cookie и данных о поведении на сайте, необходимых для аналитики. Запретить обработку можно через браузер.
Научитесь создавать ИИ-инструменты, которые помогают в работе: находят нужную информацию, отвечают на вопросы и получают данные из внешних сервисов — от прототипа без написания кода (no-code) до простого Python-бота
RAG-боты и агенты LLM (большие языковые модели)
длительность
2 недели
2 недели
уровень
для начинающих
для начинающих
старт обучения
24 августа
24 августа
Курс от практика
из индустрии
из индустрии
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-code) до локального приложения с поиском по документам, подключением сервисов и Telegram-интерфейсом
За 4 вебинара вы получите необходимые навыки LLM-инженера (инженера по большим языковым моделям) и соберёте основу ассистента: настроите поиск и обработку ваших данных, подключите инструменты, добавите свою логику и запустите Telegram-бота с обращением к GPT-4o
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 >>
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 и тестировщикам (QA-инженерам)
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 интегрировать LLM-компоненты в IT-ландшафт компании: разворачивать локальные модели через инструмент Ollama, работать с векторными базами и подключать внешние сервисы для создания безопасных и масштабируемых AI-ассистентов
Нужно автоматизировать поиск по логам, отчётам об инцидентах и внутренней документации?
DevOps (инженерам по автоматизации инфраструктуры) и архитекторам
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
Вы делаете всё своими руками: от настройки системы автоматизации потоков (Flowise-сборки) до Telegram-бота
Фокус на практику
Во время занятий можно уточнять детали, разбирать ошибки и получать рекомендации по улучшению вашего ассистента
Поддержка преподавателя
чему вы научитесь /?/
Соберёте ассистента, который понимает ваши файлы, отвечает на вопросы и помогает быстрее находить нужные данные
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 (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
Освоите разбиение текста, базу pgvector и инструмент FastAPI endpoint /query для семантического поиска по своим документам
Работать с локальной векторной базой и программным интерфейсом API
Соберёте бота на python-telegram-bot v21, настроите систему уведомлений по событию (webhook), команды /ask и /upload и авторизацию по идентификатору чата (chat-id). Бот будет работать на локальной модели через Ollama
Собирать и запускать Telegram-ассистента
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 интерфейсе
Покажем, как организовать последовательность работы ассистента: поиск данных, обработка моделью и выполнение инструментов. Подключим OpenAI functions и Ollama
Покажем, как добавить готовые инструменты (например, получение погоды или других данных через API) и объясним, как работает Model Context Protocol
Разберём, как разбивать документы, хранить их в pgvector и обрабатывать запросы через FastAPI при помощи инструмента вайб-кодинга (Cursor)
Разберём, как добавить небольшие фрагменты JS или Python, чтобы управлять поиском, обрабатывать ошибки и переключать модели
Покажем, как настроить команды, webhook, авторизацию и работу через Ollama
Разберём, как загрузить документ, обработать текст так, чтобы ассистент мог по нему искать, и подключить модель в удобном визуальном интерфейсе
Покажем, как добавить готовые инструменты (например, получение погоды или других данных через API) и объясним, как работает 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: поиск данных, обработка моделью и выполнение инструментов. Подключим OpenAI functions и Ollama
Разберём, как разбивать документы, хранить их в pgvector и обрабатывать запросы через FastAPI при помощи инструмента вайб-кодинга (Cursor)
Покажем, как настроить команды, webhook, авторизацию и работу через Ollama
стоимость обучения >>
вопросы и ответы >>
Для начала — нет. Первые занятия проходят полностью в no-code/low-code (без написания кода или с минимальным программированием). Во второй части курса будут небольшие фрагменты JS и Python в готовых шаблонах. Базовое понимание синтаксиса поможет, но не является обязательным
Ноутбук и возможность установить Flowise, Python, Ollama и Postgres. Все инструкции дадим на курсе
Да, все записи и материалы остаются у вас навсегда
Да. Итогом курса станет рабочий прототип ИИ-ассистента, который можно адаптировать под задачи вашей команды
На курсе LLM вы освоите главные рабочие инструменты LLM инженера: архитектурный паттерн RAG, работу с локальными моделями (Ollama), векторную базу данных pgvector и протокол MCP для интеграции внешних сервисов. Эти навыки позволят вам создавать собственных ИИ-ассистентов, которые смогут находить информацию в ваших документах, подгружать актуальные данные (например, погоду или курсы валют через API) и отвечать на запросы с учётом вашего контекста.
На курсе LLM вы освоите главные рабочие инструменты LLM инженера: архитектурный паттерн RAG, работу с локальными моделями (Ollama), векторную базу данных pgvector и протокол MCP для интеграции внешних сервисов. Эти навыки позволят вам создавать собственных ИИ-ассистентов, которые смогут находить информацию в ваших документах, подгружать актуальные данные (например, погоду или курсы валют через API) и отвечать на запросы с учётом вашего контекста.
RAG боты (Retrieval-Augmented Generation) — это ИИ-ассистенты, которые умеют не просто генерировать ответ на основе обученной модели, а сначала искать релевантную информацию в вашей собственной базе знаний (документации, логах, кодовой базе). Это решает главную проблему стандартных чат-ботов — галлюцинации и неточные ответы. На практике обучение LLM через RAG позволяет компаниям автоматизировать техподдержку, ускорить поиск по внутренней документации и создать ассистента, который не выходит за пределы конкретной базы данных.
Да, навыки создания RAG ботов и работы с большими языковыми моделями — одни из самых востребованных на рынке IT. LLM инженеры (инженеры по большим языковым моделям) входят в число высокооплачиваемых специалистов: средняя зарплата AI-инженера в России в 2025 году составляет около 220 000 рублей. Вы не только получите востребованную специализацию, но и соберёте реальный прототип ИИ-ассистента (Telegram-бота), который можно добавить в портфолио.
На курсе вы будете работать с ключевыми компонентами современного AI-стека: сервером локальных моделей Ollama, векторной базой данных pgvector и протоколом MCP для интеграции инструментов. Также вы научитесь подключать облачные LLM через API. Школа предоставляет бесплатный доступ к GPU-серверу на время обучения, поэтому вам не потребуется мощное локальное оборудование для запуска моделей.
Можно оплатить обучение единоразовым платежом. Также доступна беспроцентная рассрочка от партнёров на 24 месяца. Вы сможете вернуть 13% от стоимости обучения через налоговый вычет при наличии официального трудоустройства.