Курс по созданию AI-агентов на Python с помощью фреймворка LangChain. С нуля погружаемся в программирование Искусственного Интеллекта через локальные агенты на LangChain. Решаем реальные бизнес задачи, создаем инструменты, формируем цепочки, разбираемся с RAG и учимся создавать автономных мульти-системных агентов. Чему вы научитесь: Создавать локальные ИИ агенты без привязки к конкретным LLM Использовать в одном агенте несколько LLM: ChatGPT, Gemini, Яндекс GPT Подключать национальные и суверенные модели от Яндекса и Сбера Устанавливать локальные LLM-модели (Ollama, Qwen) Создавать надежные отказоустойчивые цепочки Создавать резервные цепочки и модели Запускать параллельные цепочки с одновременной обработкой множества запросов Создавать RAG-цепочки Грамотно обрабатывать документы и формировать чанки для векторной базы данных Формировать эмбеддинги Устанавливать и работать с векторными базами данных Совмещать векторный и полнотекстовый поиск Программировать безопасные инструменты Подключать инструменты к моделям и агентам Работать с памятью агента Управлять структурированным выводом агента Что такое LangChain и зачем его используют: LangChain – это фреймворк для создания полностью управляемых агентов, которые можно использовать в бизнесе LangChain не привязан к конкретным LLM и поэтому его можно запускать в российских компаниях, подключив либо локальные модели, либо через модели Яндекса и Сбера (в курсе мы разберем как подключаться к суверенным и национальным сервисам) Также LangChain позволяет подключать собственные инструменты и функции, которые вы полностью контролируете, а значит мы можете безопасно использовать агентов в prodcuction-среде На основе LangChain строятся RAG-цепочки, которые позволяют обогащать LLM-модели вашим данными без дорого обучения. Вы буквально можете настроить работу ИИ с вашими корпоративными документами и инструкциями на стандартном железе Для кого этот курс: Python-разработчики Сегодня уметь создавать ИИ-агентов – это такой же навык, как и работа с SQL, написание регулярных выражений и формирование HTTP-запросов. LangChain – это удобный, надежный и простой пусть в AI-разработку AI/ML инженеры Которым нужно собирать прикладные агентные системы с доступом к инструментам, поиску, памяти и внешним API Backend-разработчики Которым требуется интегрировать LLM в продуктовые и внутренние корпоративные сервисы, а также наладить автоматизацию процессов Разработчики чат-ботов и ассистентов Которым нужны не только ответы на вопросы, но и выполнение действий: поиск, вызов API, работа с документами и многошаговые сценарии Data engineers и аналитики Если требуется агент для поиска по данным, извлечения инсайтов, генерации SQL-запросов и работы с источниками знаний Специалисты по автоматизации бизнеса Которые хотят собирать агенты для поддержки, обработки заявок, рутины и внутренних операций Продуктовые команды Которым важно быстро прототипировать AI-фичи и проверять гипотезы вокруг интеллектуальной автоматизации Разработчики RAG-систем Так как LangChain-агенты часто используются поверх retrieval-слоя для выбора источников и маршрутизации запросов Начальные требования: Уверенное владение Python: включая основы ООП и функционального программирования Работа с Git и GitHub для сдачи домашнего задания (проектов) Как проходит обучение: Теория: Большая часть курса – это короткие видео-уроки, в которых мы шаг за шагом осваиваем работу с LangChain. По необходимости мы добавляем схемы и сопроводительные материалы. Практика (5 проектов в портфолио): Решение тестовых заданий на понимание материалов Разработка мини-проектов: Игра с LLM Инструменты для работы с файлами или базой данных RAG-сервис поиска по информации Цепочка для генерации сложных многоступенчатых ответов Выпускной агент Что вы получаете: Современный навык, который необходим каждому разработчику 5 проектов в портфолио Доступ к GitHub-репозиторию с кодом Программа: 1. Введение в LLM-агенты: LLM: возможности и ограничения LangChain и LangGraph 2. Введение в LangChain: Установка и настройка LangChain Первый вызов LLM модели Шаблоны промптов Структурированные ответы от LLM Подключение Gemini История чата Проект: игра в города 3. Российские LLM-модели: LLM модели Яндекса LLM модели Сбера 4. Цепочки и Runnable-архитектура: Знакомство с проектом Промпт, модель и парсер Первая цепочка Погружение в Runnable-архитектуру Соединение цепочек Массовый вызов Колбэки Резервные цепочки Аварийная цепочка Резервные модели Fake-модель Аварийный ответ Повторы шагов Порядок fallback и retry Вложенность цепочек и Runnable Распараллеливание через RunnableParallel Passtrough и проброс данных 5. Инструменты: Введение в инструменты Создание и ручной вызов инструмента Встроенные парсеры Ответ модели после вызова инструмента Документация Обработка исключений в инструментах Множественные вызовы Выбор из нескольких инструментов Схема аргументов StructuredTool BaseTool Проблема вызова нескольких инструментов 6. RAG: Введение в RAG Внешние загрузчики Внешние загрузчки: практика Искусство нарезки текстов, часть 1 Искусство нарезки текстов, часть 2 Установка векторной базы данных Установка embedding-моделей Простейший embedding Embedding всей базы данных Поиск по векторному хранилищу Сборка цепочки Архитектура индексации Архитектура RAG Параметры ретривера Ретривер с фильтром Мульти запросы Ответы с источниками Вектора и точные совпадения Вектора и полнотекстовый поиск Полнотекстовый ретривер Оформление инструмента 7. Агенты в LangChain: Введение в агенты Создание первого агента Прямой возврат от инструмента Структурированный вывод Введение в Middleware Первый Middleware Работа с персональными данными Контекст времени выполнения Собственный Middleware Состояния агента Изменение сообщений Возобновление работы агента Автор Никита Шультайс Ведущий преподаватель Shultais Education Профессиональный web-программист с опытом работы более 10 лет Автор статей в журнале Linux Format, участник олимпиад Компания Shultais Education основана в 2015 году профессиональным разработчиком и преподавателем Никитой Шультайсом Победитель международного образовательного конкурса Edcrunch Award Награда за вклад в развитие платформы Stepik 2025