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.
