🎓

LangChain: c нуля до продакшн LLM-приложений

Информационные технологии

Уроков: 40
Сложность: normal
Аудитория: Разработчики Python/Backend, которым нужен рабочий LLM-бот в продукте, а не демо. Data/ML-инженеры, кто хочет освоить RAG, LangChain и интеграции в стек компании. Продуктовые аналитики — чтобы быстро собирать ассистентов по документации и отчётам. Предприниматели/фаундеры, кому нужен помощник поддержки, отвечающий по PDF и данным. Команды, которые планируют прототип → пилот → продакшн LLM-функций (чат, поиск, отчёты). Все, кто уже пробовал чистый ChatGPT, но хочет системный подход: контекст, инструменты, метрики и деплой.

Информационные технологии Платный

Практический курс по LangChain. Соберёте продакшн LLM-бота: RAG по PDF с цитатами, веб-поиск и трекинг заказов, многошаговый агент для анализа CSV и финальное веб-приложение (UI + API). Плюс профессиональные блоки: PromptOps и версионирование промптов, метрики качества RAG, гибридный поиск с реранком, observability/стоимость, надёжность (ретраи, таймауты), guardrails и отдельный модуль по LangGraph для устойчивых workflow.

Этот курс — про инженерную сборку LLM-приложения под продакшн. Мы идём от простого чат-бота к системе с RAG по PDF (цитаты и «не знаю» вне базы), инструментами (веб-поиск, трекинг), многошаговым агентом аналитики и финальным веб-интерфейсом.
Внутри — не только «как запустить», но и то, что важно в реальной эксплуатации: PromptOps (версии промптов и A/B), метрики качества RAG (faithfulness, citation-rate), гибридный поиск и реранк, контроль стоимости и p95, ретраи/таймауты, кэширование, guardrails и белые списки, мульти-провайдер моделей. Отдельный модуль LangGraph даёт явные графы состояний, параллельные ветки RAG/Web и чекпойнты — для устойчивых агентов и честной наблюдаемости.

Ничего лишнего: каждое занятие заканчивается артефактом — индекс, отчёт метрик, графики, API-эндпоинт или диаграмма графа. Все проекты запускаются «из коробки» при наличии API-ключа.

Итог курса.
На выходе собран и связно работает «Shoply Support»: чат с фирменным тоном, ответы по PDF с цитатами, веб-поиск/трекинг как инструменты, агент для CSV-аналитики и финальный веб-интерфейс с API, метриками и базовой эксплуатационной дисциплиной.

Требования:

Python 3.10+; умение работать в терминале, pip, виртуальное окружение.

Базовый Git (клонировать репо, создавать коммиты/ветки).

Понимание JSON/YAML, простые запросы HTTP/REST.

Желательно: базовые навыки pandas (агрегации/группировки); если нет — разберёмся по ходу.

ОС: Windows/macOS/Linux. Docker — желательно для финального модуля (деплой).

Не требуется GPU и глубокая математика — курс про инженерную сборку и интеграции.