LangChain: c нуля до продакшн LLM-приложений [Stepik] [Алексей Малышкин]

Складчина: LangChain: c нуля до продакшн LLM-приложений [Stepik] [Алексей Малышкин]

Чему вы научитесь:

• Писать промпты и цепочки в LangChain под реальные сценарии
• Настраивать «голос бренда» и структурированный вывод ответов
• Реализовывать RAG по PDF с цитированием источников и страниц
• Подключать инструменты: веб-поиск и трекинг статуса заказа
• Строить многошагового агента для анализа CSV и графиков (Pandas)
• Проектировать промпт-маршрутизацию (RAG vs Web vs Track)
• Логировать токены/латентность и держать SLA ответов
• Собирать веб-приложение: API (FastAPI) + простой фронт
• Готовить автопроверки и отчёты качества (pass-rate, метрики)
• Оформлять результат в GitHub-портфолио и презентовать кейс
• Проектировать PromptOps: версии промптов (YAML), A/B и фичефлаги
• Оценивать качество RAG (faithfulness, precision/recall, citation-rate)
• Делать гибридный поиск (BM25+вектор) и реранк (cross-encoder)
• Выстраивать observability: токены→стоимость, p50/p95, алерты бюджета
• Повышать надёжность: ретраи с джиттером, таймауты, circuit-breaker
• Кэшировать эмбеддинги и ответы, управлять TTL/инвалидацией
• Ставить guardrails: белые списки, политика логов без PII, валидация tool-вызовов
• Проектировать агентные графы на LangGraph: состояние, ветвления, чекпойнты, параллельный RAG/Web

О курсе:

• 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.
• А больше информации о ML/AI/DS вы можете узнать в нашем тгк Data Trends AI & ML

Для кого этот курс:

• 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.

Начальные 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.

Автор Алексей Малышкин

• Аналитик-разработчик с опытом работы в крупных компаниях.
• Победитель олимпиад по математике, программированию и анализу данны

Цена 5990 руб.
Скрытая ссылка