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
