FFlauron
УвійтиРеєстрація
Курси/Середній → Senior

AI Engineer: LLM-додатки, RAG, агенти

Будуйте production-grade AI-продукти на OpenAI/Anthropic API: RAG, агенти, vector DB, fine-tuning, evaluation, observability. Найгарячіша спеціальність 2026.

📚 15 модулів📝 36 уроків💻 31 задач⏱ 15 модулів · 36 уроків

Програма курсу

Модуль 1. Сучасний LLM-стек: моделі, API, ціноутворення3 ур. · 12 зад.
  • ▶Сучасний LLM-стек 2026: моделі, API, ціноутворення5 зад.Безкоштовно
  • 🔒Порівняння провайдерів: OpenAI, Anthropic, Google, Open-source4 зад.
  • 🔒Async, streaming, batching, retry — практикa3 зад.
Модуль 2. Prompt Engineering: техніки, які працюють3 ур. · 3 зад.
  • 🔒Prompt Engineering: техніки, що працюють у production3 зад.
  • 🔒Advanced patterns: CoT, self-consistency, ReAct, reflection
  • 🔒Prompt management: версіонування, A/B, evaluation
Модуль 3. Structured Output: Pydantic, function calling2 ур. · 3 зад.
  • 🔒Structured Output: Pydantic, function/tool calling3 зад.
  • 🔒Практичні patterns: extraction, classification, multi-step
Модуль 4. Embeddings та semantic search2 ур. · 2 зад.
  • 🔒Embeddings: основи, similarity, models2 зад.
  • 🔒Advanced embeddings: multilingual, fine-tuning, evaluation
Модуль 5. Vector databases: pgvector, Qdrant, FAISS2 ур. · 2 зад.
  • 🔒Vector databases: pgvector, Qdrant, FAISS2 зад.
  • 🔒Production vector store: indexing, sharding, hybrid search
Модуль 6. RAG: chunking, retrieval, reranking3 ур. · 2 зад.
  • 🔒RAG: chunking, retrieval, reranking2 зад.
  • 🔒Advanced RAG: query rewriting, HyDE, multi-vector, GraphRAG
  • 🔒RAG в production: caching, monitoring, якість
Модуль 7. LangChain і LangGraph: коли і як2 ур.
  • 🔒LangChain і LangGraph: огляд і коли
  • 🔒LangGraph deep-dive: agents, state, checkpoints, HITL
Модуль 8. AI Agents: ReAct, tools, multi-step reasoning3 ур. · 2 зад.
  • 🔒AI Agents: ReAct, tools, multi-step reasoning2 зад.
  • 🔒Multi-agent systems: координація, делегування, supervisor
  • 🔒Computer use, browser automation, Code agents
Модуль 9. Memory та conversation state2 ур.
  • 🔒Memory: стратегії, persistence, conversation state
  • 🔒Production memory: privacy, GDPR, scaling, semantic
Модуль 10. Multi-modal: vision, audio, image gen2 ур.
  • 🔒Multi-modal: vision, audio, image generation
  • 🔒Real-time voice agents, WebRTC, Realtime API
Модуль 11. Fine-tuning: LoRA, OpenAI FT, instructions2 ур. · 1 зад.
  • 🔒Fine-tuning: коли потрібен, OpenAI FT, alternatives1 зад.
  • 🔒LoRA практика: тренування, eval, deployment
Модуль 12. Evaluation: RAGAS, golden datasets, A/B2 ур.
  • 🔒Evaluation: golden datasets, RAGAS, LLM-as-judge
  • 🔒Production eval: continuous, A/B, observability
Модуль 13. Production: cost, latency, caching, observability3 ур. · 2 зад.
  • 🔒Production: cost, latency, caching, observability2 зад.
  • 🔒Deploy: Docker, Kubernetes, serverless, edge
  • 🔒Scaling: rate limits, fallbacks, multi-region, queue
Модуль 14. Безпека: prompt injection, output validation, data leakage2 ур. · 2 зад.
  • 🔒Безпека: prompt injection, output validation, OWASP LLM2 зад.
  • 🔒Compliance: GDPR, audit, PII redaction, data governance
Модуль 15. Capstone: RAG-чат-бот з агентами та tools3 ур.
  • 🔒Capstone (1/3): архітектура, ingestion, retrieval
  • 🔒Capstone (2/3): agent, streaming, auth, rate limits
  • 🔒Capstone (3/3): eval, deploy, monitoring, iteration

Про курс

Про курс

Курс для розробників, що хочуть стати AI Engineer — людиною, яка перетворює LLM API на реальні продукти. Не машинне навчання з нуля — а прикладна інженерія LLM-додатків: chat, RAG, agents, code-tools, multi-modal.

Чого ви навчитеся

  • LLM API (OpenAI, Anthropic, локальні моделі)
  • Prompt engineering: чіткі інструкції, few-shot, CoT, JSON-mode
  • Structured output: Pydantic, function/tool calling
  • RAG: chunking, embeddings, pgvector, Qdrant, reranking
  • AI Agents: LangGraph, ReAct, multi-agent
  • Fine-tuning: коли і як, LoRA, OpenAI FT
  • Evaluation: RAGAS, DeepEval, golden datasets, A/B
  • Production: caching, rate limits, cost tracking, observability (LangSmith)
  • Multi-modal: vision, audio, image generation
  • Безпека: prompt injection, data leakage, output validation
  • Streaming, async, scale до тисяч запитів/с
  • Capstone: end-to-end RAG-чат-бот з агентами та evaluation

Для кого

Python/JS-розробники з 1+ роком досвіду, які хочуть будувати AI-продукти. Не потрібен ML-бекграунд — потрібне розуміння API і архітектури.

Інструменти

OpenAI, Anthropic, LangChain, LangGraph, LangSmith, Pydantic AI, pgvector, Qdrant, FAISS, RAGAS, FastAPI, Docker, Cloud.