Задача: научить LLM отвечать по вашим PDF-файлам

23 января в 19:00 разберём практические подходы RAG и дообучения на открытом уроке к курсу «Разработка ИИ агентов». Узнаем, как на Python собрать систему, которая не просто имитирует общение, а ищет факты в закрытых документах.

Спикер — Игорь Стурейко, тимлид в «Газпроме» и эксперт с 20-летним опытом в ML. Игорь подготовил видео о том, какие навыки нужны разработчику для создания автономных ИИ-систем сегодня.

На уроке обсудим алгоритмы:

— индексация текстов в векторные базы данных;
— использование LangChain для создания агентных цепочек;
— выбор между контекстным поиском и Fine-tuning.

📅 Когда: 23.01 в 19:00 МСК

Узнать подробности

Пятница, 19:00. Худшее время для деплоя, но идеальное, чтобы закодить свой первый AI-пайплайн, который не просто «болтает», а работает с данными.

Решаем практический кейс: превращаем LLM в эксперта по вашим файлам с помощью Python.

План открытого урока:

— архитектура решения: связываем PDF и нейронку;
— библиотека LangChain в действии;
— векторные хранилища данных.

Один из спикеров — Алексей Яндутов, ML-инженер в поиске Яндекса.

Это вводное занятие курса «Разработка AI-агентов». Идеально для тех, кто хочет начать кодить AI-сервисы серьёзно.

Записаться на урок

Что выведет код?

👾 — 9876543210
👍 — (987) 654-3210
🥰 — 987-654-3210
⚡️ — (98) 765-4321

Библиотека задач по Python

Задачка: как автоматизировать 100 тикетов за час, если ты всё ещё «жаришь» код?

Ты застрял в забегаловке. Настоящий Шеф проектирует Систему агентов.

В понедельник, 26 января, стартует интенсив по разработке ИИ-агентов. Учим решать задачи в промышленном масштабе. 🐍

В программе:

— мультиагентные системы в CrewAI: параллельное выполнение;
— сложная логика в LangGraph: контроль циклов и графов;
— tool use интеграция: доступ агентов к внешним инструментам. 🚀

Записаться на курс

Завтра стартуем: курс по разработке ИИ-агентов 🚀

Пора решать задачи в промышленном масштабе через автономные системы. Мы научим создавать мультиагентные связки на CrewAI, управлять сложной логикой в LangGraph и автоматизировать работу с реальными данными.

👉 Успейте занять место до начала занятий

Напишите скрипт, где один агент ставит задачу, а второй её проверяет...

Слишком сложно? Мы научим! Сегодня в 19:00 МСК стартует курс «Углубленные AI-агенты».

Что будем делать:

— 13 живых вебинаров с кодингом в реальном времени;
— разбор State Management в сложных агентах;
— создание мультиагентных систем для реальных задач;
— интеграция сторонних API в качестве инструментов.

Записаться на практику

Как заставить Python-скрипт принимать решения самостоятельно?

Ответ — через агентские архитектуры. Пока обычные программы следуют жестким алгоритмам, ИИ-агенты используют LLM для адаптации и выбора инструментов под задачу.

Научитесь строить автономные системы на курсе «Углубленные AI-агенты».

Что вы освоите:

— разработка мультиагентных пайплайнов на Python;
— работа с LangGraph, CrewAI и AutoGen;
— создание кастомных инструментов (Tools) для агентов;
— деплой и масштабирование готовых решений.

Поток уже в пути, но у вас есть шанс успеть.

🚀 Записаться на основной курс

Если сомневаетесь — просто посмотрите вводное занятие.

Можно ли объявить несколько присваиваний в одном выражении?

На изображении представлены оба варианта. В первой строке переменные a, b и c получают значения 3, 4 и 5 соответственно, а во второй строке все переменные устанавливаются в значение 3.

Задача: Агент с самокоррекцией (Self-Correction)

ТЗ: Написать агента, который пишет код, запускает тесты, и если они падают — правит код.
В линейном скрипте это будет ад из if/else.

В LangGraph это изящный цикл: Generate -> Test -> (if error) -> Fix -> Test.

— управляемый поток;
— state хранит историю попыток;
— безопасность (лимит итераций).

Учим кодить такие паттерны. Курс уже идёт.

Записаться на курс

Смотреть певрую лекцию

Каким будет результат выполнения кода?

👾 — 3 1
👍 — 1 3
🥰 — Error
⚡️ — Другое

Библиотека задач по Python

Задача: Написать агента с памятью

Обычный скрипт забывает переменные после завершения. Агент на LangGraph должен помнить контекст неделями.

Используйте MemorySaver или базу данных (Postgres/Redis) как бэкенд для графа. Граф сохраняет state после каждого шага. Это позволяет поставить агента «на паузу», ждать ввода от человека и продолжить с того же места.

Хотите научиться писать такой код?

Записаться на курс

Пример архитектуры: Смотрите вводный урок бесплатно.

Что выведет код?

👾 — 25 29
👍 — 29 35
🥰 — Error
⚡️ — None

Библиотека задач по Python

Что выведет код сверху?

👾 — 100
👍 — 25
🥰 — 50
⚡️ — Error

Библиотека задач по Python

Что выведет этот код?

👾 — True
👍 — False
🥰 — Error

Библиотека задач по Python