Скачать LangChain: создание ИИ агентов для бизнеса на Python [Stepik] [Никита Шультайс]

[Dozhd]

Складчина: LangChain: создание ИИ агентов для бизнеса на Python [Stepik] [Никита Шультайс]



Курс по созданию AI-агентов на Python с помощью фреймворка LangChain.
С нуля погружаемся в программирование Искусственного Интеллекта через локальные агенты на LangChain.
Решаем реальные бизнес задачи, создаем инструменты, формируем цепочки, разбираемся с RAG и учимся создавать автономных мульти-системных агентов.

Чему вы научитесь:

Создавать локальные ИИ агенты без привязки к конкретным LLM
Использовать в одном агенте несколько LLM: ChatGPT, Gemini, Яндекс GPT
Подключать национальные и суверенные модели от Яндекса и Сбера
Устанавливать локальные LLM-модели (Ollama, Qwen)
Создавать надежные отказоустойчивые цепочки
Создавать резервные цепочки и модели
Запускать параллельные цепочки с одновременной обработкой множества запросов
Создавать RAG-цепочки
Грамотно обрабатывать документы и формировать чанки для векторной базы данных
Формировать эмбеддинги
Устанавливать и работать с векторными базами данных
Совмещать векторный и полнотекстовый поиск
Программировать безопасные инструменты
Подключать инструменты к моделям и агентам
Работать с памятью агента
Управлять структурированным выводом агента
Что такое LangChain и зачем его используют:

LangChain – это фреймворк для создания полностью управляемых агентов, которые можно использовать в бизнесе
LangChain не привязан к конкретным LLM и поэтому его можно запускать в российских компаниях, подключив либо локальные модели, либо через модели Яндекса и Сбера (в курсе мы разберем как подключаться к суверенным и национальным сервисам)
Также LangChain позволяет подключать собственные инструменты и функции, которые вы полностью контролируете, а значит мы можете безопасно использовать агентов в prodcuction-среде
На основе LangChain строятся RAG-цепочки, которые позволяют обогащать LLM-модели вашим данными без дорого обучения. Вы буквально можете настроить работу ИИ с вашими корпоративными документами и инструкциями на стандартном железе
Для кого этот курс:

Python-разработчики
Сегодня уметь создавать ИИ-агентов – это такой же навык, как и работа с SQL, написание регулярных выражений и формирование HTTP-запросов. LangChain – это удобный, надежный и простой пусть в AI-разработку
AI/ML инженеры
Которым нужно собирать прикладные агентные системы с доступом к инструментам, поиску, памяти и внешним API
Backend-разработчики
Которым требуется интегрировать LLM в продуктовые и внутренние корпоративные сервисы, а также наладить автоматизацию процессов
Разработчики чат-ботов и ассистентов
Которым нужны не только ответы на вопросы, но и выполнение действий: поиск, вызов API, работа с документами и многошаговые сценарии
Data engineers и аналитики
Если требуется агент для поиска по данным, извлечения инсайтов, генерации SQL-запросов и работы с источниками знаний
Специалисты по автоматизации бизнеса
Которые хотят собирать агенты для поддержки, обработки заявок, рутины и внутренних операций
Продуктовые команды
Которым важно быстро прототипировать AI-фичи и проверять гипотезы вокруг интеллектуальной автоматизации
Разработчики RAG-систем
Так как LangChain-агенты часто используются поверх retrieval-слоя для выбора источников и маршрутизации запросов
Начальные требования:

Уверенное владение Python: включая основы ООП и функционального программирования
Работа с Git и GitHub для сдачи домашнего задания (проектов)
Как проходит обучение:

Теория:

Большая часть курса – это короткие видео-уроки, в которых мы шаг за шагом осваиваем работу с LangChain.
По необходимости мы добавляем схемы и сопроводительные материалы.
Практика (5 проектов в портфолио):

Решение тестовых заданий на понимание материалов
Разработка мини-проектов:
Игра с LLM
Инструменты для работы с файлами или базой данных
RAG-сервис поиска по информации
Цепочка для генерации сложных многоступенчатых ответов
Выпускной агент

Что вы получаете:

Современный навык, который необходим каждому разработчику
5 проектов в портфолио
Доступ к GitHub-репозиторию с кодом
Программа:

1. Введение в LLM-агенты:

LLM: возможности и ограничения
LangChain и LangGraph
2. Введение в LangChain:

Установка и настройка LangChain
Первый вызов LLM модели
Шаблоны промптов
Структурированные ответы от LLM
Подключение Gemini
История чата
Проект: игра в города
3. Российские LLM-модели:

LLM модели Яндекса
LLM модели Сбера
4. Цепочки и Runnable-архитектура:

Знакомство с проектом
Промпт, модель и парсер
Первая цепочка
Погружение в Runnable-архитектуру
Соединение цепочек
Массовый вызов
Колбэки
Резервные цепочки
Аварийная цепочка
Резервные модели
Fake-модель
Аварийный ответ
Повторы шагов
Порядок fallback и retry
Вложенность цепочек и Runnable
Распараллеливание через RunnableParallel
Passtrough и проброс данных
5. Инструменты:

Введение в инструменты
Создание и ручной вызов инструмента
Встроенные парсеры
Ответ модели после вызова инструмента
Документация
Обработка исключений в инструментах
Множественные вызовы
Выбор из нескольких инструментов
Схема аргументов
StructuredTool
BaseTool
Проблема вызова нескольких инструментов
6. RAG:

Введение в RAG
Внешние загрузчики
Внешние загрузчки: практика
Искусство нарезки текстов, часть 1
Искусство нарезки текстов, часть 2
Установка векторной базы данных
Установка embedding-моделей
Простейший embedding
Embedding всей базы данных
Поиск по векторному хранилищу
Сборка цепочки
Архитектура индексации
Архитектура RAG
Параметры ретривера
Ретривер с фильтром
Мульти запросы
Ответы с источниками
Вектора и точные совпадения
Вектора и полнотекстовый поиск
Полнотекстовый ретривер
Оформление инструмента
7. Агенты в LangChain:

Введение в агенты
Создание первого агента
Прямой возврат от инструмента
Структурированный вывод
Введение в Middleware
Первый Middleware
Работа с персональными данными
Контекст времени выполнения
Собственный Middleware
Состояния агента
Изменение сообщений
Возобновление работы агента
Автор Никита Шультайс

Ведущий преподаватель Shultais Education
Профессиональный web-программист с опытом работы более 10 лет
Автор статей в журнале Linux Format, участник олимпиад
Компания Shultais Education основана в 2015 году профессиональным разработчиком и преподавателем Никитой Шультайсом
Победитель международного образовательного конкурса Edcrunch Award
Награда за вклад в развитие платформы Stepik 2025
Цена 5900 руб.




СКАЧАТЬ

Для просмотра скрытого содержимого вы должны зарегистрироваться