[Karpov.courses] Ярослав Шуваев → RAG-боты и автоматизация LLM (2025)

Научитесь создавать AI-инструменты, которые помогают в работе:

• Находят нужную информацию
• Отвечают на вопросы
• Получают данные из внешних сервисов — от no-code прототипа до простого Python-бота

О курсе:

• Это практический интенсив, на котором вы шаг за шагом пройдёте путь от простой no-code сборки до локального приложения с поиском по документам, подключением сервисов и Telegram-интерфейсом
• За 4 вебинара вы получите необходимые навыки LLM-инженера и соберёте основу ассистента: настроите поиск и обработку ваших данных, подключите инструменты, добавите свою логику и запустите Telegram-бота с фоллбэком на GPT-4o
• Программа выстроена так, чтобы вы понимали не только шаги, но и общую логику работы AI-ассистентов: подготовку данных, механизм поиска, подключение инструментов через MCP и выполнение запросов

Кому подойдёт этот курс:

Аналитикам

• Проектирование и сборка прототипов AI-сервисов
• Интеграция внешних инструментов через MCP-сервер
• Работа с векторными базами данных для поиска по документации

Разработчикам и QA-инженерам

• Архитектурный паттерн RAG и компоненты современного AI-стека
• Сервер локальных моделей (Ollama) и векторная БД (pgvector)
• MCP-сервер для интеграции инструментов

IT-специалистам, DevOps и архитекторам

• Интеграция LLM-компонентов в IT-ландшафт компании
• Развертывание локальных моделей через Ollama и работа с векторными БД
• Подключение внешних сервисов, создание безопасных и масштабируемых AI-ассистентов

Как проходит обучение:

• Удобное время занятий: все уроки онлайн, можно задавать вопросы и разбирать кейсы в реальном времени.
• Фокус на практику: вы делаете всё своими руками — от сборки Flowise до Telegram-бота.
• Постоянный доступ к материалам: записи, код, пайплайны и инструкции остаются у вас навсегда.
• Поддержка преподавателя: уточнение деталей, разбор ошибок и рекомендации прямо на занятии.

Чему вы научитесь:

• Быстро находить информацию в документах
  Соберёте ассистента, который понимает файлы и помогает искать данные.
• Получать данные из внешних сервисов
  Настроите API через MCP для подгрузки погоды, курсов или метрик.
• Настраивать поведение (Low-code)
  Научитесь управлять поиском, обрабатывать ошибки и переключать модели.
• Создавать прототипы на базе LLM
  Разберётесь с цепочками поиска, инструментами и тестированием функций.
• Работать с локальной векторной базой и API
  Освоите сплиттинг текста, Pgvector и FastAPI для семантического поиска.
• Собирать Telegram-ассистента
  Создадите бота на Python, настроите Webhook, авторизацию и работу через Ollama.

Программа курса:

Тема 1. Сборка первого ассистента в Flowise без кода.

• Загрузка документов, обработка текста и подключение модели в визуальном интерфейсе.

Тема 2. Подключение внешних сервисов через MCP.

• Добавление инструментов (API) и разбор работы Model Context Protocol.

Тема 3. Настройка поведения с помощью Low-code.

• Внедрение JS/Python фрагментов для управления поиском и обработки ошибок.

Тема 4. Цепочка обработки запросов в LangChain.

• Организация последовательности «поиск — модель — инструменты». OpenAI Functions и Ollama.

Тема 5. Локальный поиск по документам и API.

• Хранение в Pgvector, запросы через FastAPI и вайб-кодинг в Cursor.

Тема 6. Сборка Telegram-ассистента.

• Настройка команд, Webhook, авторизации и работы через Ollama.

Преподаватель Ярослав Шуваев:

• 20+ лет опыта в цифровой разработке.
• 10+ лет внедрения инноваций в корпорациях (Альфа-Банк, Ак Барс Банк, МТС, Viasat).
• 10+ лет опыта в корпоративном обучении.

ИСТОЧНИК

СКАЧАТЬ