Для кого:
Разработчики, энтузиасты, продуктовые менеджеры, которые строят production-ready системы с n8n и Flowise
Чему научитесь
1. Работать с визуальным инструментом Flowise для создания цепочек с LLM
2. Внедрять генеративный ИИ в бизнес-процессы и автоматизацию
3. Создавать собственных агентов, чат-ботов и инструменты на базе LLM
4. Интегрировать внешние данные и API, строить RAG-системы и автоматизировать задачи
Что в программе
Занятие 1. Введение в Flowise и LLM-автоматизацию
Познакомимся с интерфейсом Flowise, создадим первую цепочку для работы с GPT. Обсудим архитектуру LLM-приложений и роль визуальных инструментов в автоматизации.
- Обзор возможностей Flowise и LangChain.
- Установка и настройка Flowise (локально/облако).
- Структура цепочек: узлы ввода, LLM, память, вывод.
- Создание первого чатбота: ввод → GPT → ответ.
- Прототип FAQ-помощника.
Домашнее задание: собрать собственную цепочку по выбранному сценарию — например, бот-консультант или генератор текста по шаблону.
Занятие 2. Работа с собственными данными и RAG-пайплайны
Разбираемся, как подключать документы и базы знаний, чтобы LLM отвечал на основе фактов. Строим RAG-бота: поиск + генерация.
- Концепция Retrieval-Augmented Generation (RAG).
- Векторизация данных и поиск: Chroma, Pinecone, Qdrant.
- Работа с PDF, TXT, HTML.
- Сборка цепочки: загрузка → эмбеддинг → поиск → LLM.
- Демо: бот, читающий загруженные документы.
Домашнее задание: реализовать Q&A-бота по внутренним документам (инструкция, база знаний и т.п.)
Занятие 3. Мультиагентные цепочки и логика принятия решений
Углубляемся в агенты и планировщики. Строим цепочки, в которых модель принимает решения, вызывает инструменты и делит задачи между собой.
- Агентный подход в LangChain и Flowise.
- Создание Tool/Agent узлов.
- Примеры: генератор запросов, критик, резюмирующий агент.
- Сценарий: агент-исследователь + агент-писатель.
- Связка с Python/Requests для внешних вызовов.
Домашнее задание: собрать цепочку из двух агентов, работающих над одной задачей (например, план → контент → редактура).
Занятие 4. Интеграция Flowise с внешними сервисами и API
Учимся подключать Flowise к внешнему миру: публиковать API, связывать с n8n, получать данные из веба и других систем.
- Публикация цепочек как API (HTTP endpoint).
- Интеграция с Zapier/Make/n8n.
- Использование HTTP Request внутри Flowise.
- Подключение внешних API (новости, базы знаний, GPT, погода и пр.).
- Демо: бот, собирающий инфу из интернета и отвечающий в Telegram.
Домашнее задание: настроить интеграцию — Flowise + внешний сервис (например, чатбот, работающий через Telegram/Zapier/n8n).
Занятие 5. Курсовой проект: генеративный агент и итоговая сборка
Собираем все инструменты воедино, реализуя комплексный проект с использованием MCP, интегрируем голосовой синтез и чат-интерфейсы через Flowise, подключаем генерацию контента с помощью Together.AI и Flux.
- Архитектура многоступенчатой цепочки: сбор данных → генерация → оценка → вывод.
- Интеграция с календарями, почтой, чатом.
- Примеры: автоотчёты, писатель-агент, контент-маркетинг-бот.
- Индивидуальные проекты: разбор и советы.
- Разбор типичных ошибок, масштабирование, деплой.
Автор:
Антон Вдовиченко
Основатель и CEO Automatica
Специализируется на разработке решений с использованием искусственного интеллекта и машинного обучения, инженер AI.
Более 20 лет создает цифровые продукты для оптимизации бизнеса — от стартапов до международных корпораций (Dell, PwC, Avaya).
Эксперт по дизайну интерфейсов. Более 7 лет преподавал на программе «Дизайн диджитал-продукта» в Британке, BBE. Ведёт авторские курсы по искусственному интеллекту.
