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

  • Гость, подпишитесь сейчас

    📥 Наш адрес сайта меняется, чтобы быть в курсе актуального адреса, подпишитесь на телеграм канал «Перейти»

Описание складчины

Независимо от выбранного языка разработки, [Stepik] LangChain: c нуля до продакшн LLM-приложений [Алексей Малышкин] станет полезной основой для профессионального роста. Купить курс через складчину — практичное решение для изучения современных технологий.

Информация
Цена: 215 РУБ
Организатор: Kail Kail
Скачать
Kail
Kail
Организатор
Организатор
Регистрация
09.04.2020
Сообщения
463 854
Реакции
45 769
Монеты
1 191
Оплачено
0
Баллы
0
  • #SkladchinaVip
  • #1
[Stepik] LangChain: c нуля до продакшн LLM-приложений [Алексей Малышкин]
Ссылка на картинку
LangChain: c нуля до продакшн LLM-приложений

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.

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
Показать больше
 
Зарегистрируйтесь , чтобы посмотреть контент.
c нуля до продакшн llm-приложений langchain stepik алексей малышкин
Похожие складчины
Kail
Ответы
0
Просмотры
91
Kail
Kail
Kail
Ответы
0
Просмотры
149
Kail
Kail
Kail
Ответы
0
Просмотры
279
Kail
Kail
Kail
Ответы
0
Просмотры
78
Kail
Kail
Kail
Ответы
0
Просмотры
31
Kail
Kail
Показать больше складчин

Войдите или зарегистрируйтесь

Вы должны быть авторизованны для просмотра материала

Создать аккаунт

Создать учетную запись займет не больше минуты!

Войти

Уже зарегистрированы? Просто войдите.