- #SkladchinaVip
- #1
[Stepik] RAG Engineer PRO [Алексей Малышкин]
- Ссылка на картинку
-
RAG Engineer PRO
Комплексная программа инженера RAG: от прототипа до продакшн-бота. Соберёте поиск «по смыслу», настроите индексацию/ретрив, сделаете API на FastAPI, добавите тесты и деплой. Подойдёт разработчикам и аналитикам, знакомым с основами Python.
Чему вы научитесь:
RAG Engineer PRO — практическая программа из пяти курсов, которая доводит вас от прототипа до продакшн-бота с поиском «по смыслу».
Вы пройдёте полный цикл: подготовка данных и индексация во векторной БД → retrieval/hybrid-search и reranking → LangChain-цепочки со строгим JSON-выходом → REST-API на FastAPI → базовые тесты, логирование и чек-листы деплоя.
Внутри: LangChain, Vector DB & RAG Developer, FastAPI (нач.), Python для профессионалов, Bash Linux + Git.
По итогам соберёте портфолио-проект RAG-ассистента с документацией, метриками качества (Recall@K, latency) и готовыми шаблонами кода.
Что получите:
Комплексная программа инженера RAG: от прототипа до продакшн-бота. Соберёте поиск «по смыслу», настроите индексацию/ретрив, сделаете API на FastAPI, добавите тесты и деплой. Подойдёт разработчикам и аналитикам, знакомым с основами Python.
Чему вы научитесь:
- Проектировать архитектуру RAG-систем под задачу
- Готовить данные: разбиение на чанки, метаданные, нормализация
- Выбирать и настраивать векторные БД (FAISS/Weaviate/Qdrant)
- Строить пайплайн эмбеддингов и индексации
- Реализовывать retrieval, hybrid-search и reranking
- Создавать LangChain-цепочки, промпт-шаблоны и few-shot
- Организовывать structured output и базовую валидацию ответов
- Собирать REST API на FastAPI: эндпоинты, авторизация, логирование
- Автоматизировать работу в Bash и контролировать версионирование в Git
- Писать тесты, проводить A/B для промптов и метрик качества (Recall@K, latency)
- Оптимизировать стоимость и скорость (кэш, ограничения контекста)
- Готовить демо и портфолио-проект продакшн RAG-бота
RAG Engineer PRO — практическая программа из пяти курсов, которая доводит вас от прототипа до продакшн-бота с поиском «по смыслу».
Вы пройдёте полный цикл: подготовка данных и индексация во векторной БД → retrieval/hybrid-search и reranking → LangChain-цепочки со строгим JSON-выходом → REST-API на FastAPI → базовые тесты, логирование и чек-листы деплоя.
Внутри: LangChain, Vector DB & RAG Developer, FastAPI (нач.), Python для профессионалов, Bash Linux + Git.
По итогам соберёте портфолио-проект RAG-ассистента с документацией, метриками качества (Recall@K, latency) и готовыми шаблонами кода.
Что получите:
- понятную архитектуру RAG и типовые паттерны (chunking, метаданные, hybrid-search, rerank);
- практику с FAISS/Weaviate/Qdrant (на выбор) и LangChain;
- API-обёртку на FastAPI, авторизацию и стриминг ответов;
- основы эксплуатационных практик: логи, тесты, версия промптов, контроль стоимости и скорости.
- Python-разработчики и backend-инженеры, которым нужно быстро добавить LLM-функциональность в продукт.
- DS/ML/DE-инженеры и аналитики, кто хочет уверенно собирать RAG-сервисы и не застревать на PoC.
- Студенты и джуны, готовящие портфолио и стажировку: делаете законченную систему с API и документацией.
- Небольшие команды/стартапы, которым важен быстрый путь от идеи к первому продакшн-инстансу.
- есть сырые документы/база знаний, нужно организовать поиск и ответы «по смыслу»;
- прототип уже есть, но нет качества/скорости/API;
- нужно показать работающий демо-бот заказчикам/руководству.
- Базовый Python (функции, классы, виртуальная среда, pip/poetry), умение читать документацию.
- Любая ОС: Linux/macOS/Windows (можно WSL); 8 ГБ ОЗУ достаточно.
- Потребуются деньги на оплату запросов к LLM
Показать больше