AI-инженер: от устройства LLM до мультиагентных систем

Практический курс для Python-разработчиков

Курс о том, как строить продукты на больших языковых моделях — и понимать, что происходит у них внутри.

🧠 Устройство LLM

Трансформер своими руками, загрузка настоящих весов Qwen3 в свою реализацию, обучение и инференс.

🔎 RAG и промпты

Промпт- и контекст-инжиниринг, структурированный вывод, эмбеддинги, RAG от наивного до GraphRAG — с метриками.

🤖 Агенты

Агенты с нуля, LangChain, LangGraph, MCP, мультиагентные системы, OpenCode и свой coding-агент.

Как устроен курс

• Теория в PDF и на этом сайте: выводы формул по шагам, интуиция, подводные камни, вопросы для самопроверки.
• Уроки в Jupyter: сначала пишем с нуля, потом берём фреймворк и сравниваем.
• Упражнения с автотестами и мини-проект в каждом модуле.
• Без платных API: локальная модель в Ollama или любой OpenAI-совместимый сервер.

Начать

1. Клонируйте репозиторий и выполните шаги из README.
2. Прочитайте теорию модуля M00 и пройдите его уроки.

Часть	Модули
0. Старт	M00 окружение, модели и инструменты
I. Фундамент-экспресс	M01–M05: математика, классическое ML, PyTorch, NLP, обзор остального ML
II. Устройство LLM	M06–M08: трансформер, обучение, инференс
III. Работа с LLM	M09–M13: промпты, tool calling, эмбеддинги, RAG
IV. Агенты	M14–M21: агенты с нуля, LangChain, LangGraph, MCP, фреймворки, OpenCode
V. Надёжность	M22–M23: оценка качества, observability, безопасность
VI. Продакшн	M24–M27: LLM-сервисы, fine-tuning, мультимодальность, MLOps