rss.eground-zerkalo.com

LangChain: создание ИИ агентов для бизнеса на Python [Stepik] [Никита Шультайс]

—

от автора

rss_eground_
в

Складчина: LangChain: создание ИИ агентов для бизнеса на Python [Stepik] [Никита Шультайс]

upload_2026-9-28_2-0-33.png

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:

  1. Уверенное владение Python: включая основы ООП и функционального программирования
  2. 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):

  1. Решение тестовых заданий на понимание материалов
  2. Разработка мини-проектов:
    1. Игра с LLM
    2. Инструменты для работы с файлами или базой данных
    3. RAG-сервис поиска по информации
    4. Цепочка для генерации сложных многоступенчатых ответов
    5. 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:

  1. LLM: возможности и ограничения
  2. LangChain и LangGraph

2. Введение в LangChain:

  1. Установка и настройка LangChain
  2. Первый вызов LLM модели
  3. Шаблоны промптов
  4. Структурированные ответы от LLM
  5. Подключение Gemini
  6. История чата
  7. Проект: игра в города

3. Российские LLM-модели:

  1. LLM модели Яндекса
  2. LLM модели Сбера

4. Цепочки и Runnable-архитектура:

  1. Знакомство с проектом
  2. Промпт, модель и парсер
  3. Первая цепочка
  4. Погружение в Runnable-архитектуру
  5. Соединение цепочек
  6. Массовый вызов
  7. Колбэки
  8. Резервные цепочки
  9. Аварийная цепочка
  10. Резервные модели
  11. Fake-модель
  12. Аварийный ответ
  13. Повторы шагов
  14. Порядок fallback и retry
  15. Вложенность цепочек и Runnable
  16. Распараллеливание через RunnableParallel
  17. Passtrough и проброс данных

5. Инструменты:

  1. Введение в инструменты
  2. Создание и ручной вызов инструмента
  3. Встроенные парсеры
  4. Ответ модели после вызова инструмента
  5. Документация
  6. Обработка исключений в инструментах
  7. Множественные вызовы
  8. Выбор из нескольких инструментов
  9. Схема аргументов
  10. StructuredTool
  11. BaseTool
  12. Проблема вызова нескольких инструментов

6. RAG:

  1. Введение в RAG
  2. Внешние загрузчики
  3. Внешние загрузчки: практика
  4. Искусство нарезки текстов, часть 1
  5. Искусство нарезки текстов, часть 2
  6. Установка векторной базы данных
  7. Установка embedding-моделей
  8. Простейший embedding
  9. Embedding всей базы данных
  10. Поиск по векторному хранилищу
  11. Сборка цепочки
  12. Архитектура индексации
  13. Архитектура RAG
  14. Параметры ретривера
  15. Ретривер с фильтром
  16. Мульти запросы
  17. Ответы с источниками
  18. Вектора и точные совпадения
  19. Вектора и полнотекстовый поиск
  20. Полнотекстовый ретривер
  21. Оформление инструмента

7. Агенты в LangChain:

  1. Введение в агенты
  2. Создание первого агента
  3. Прямой возврат от инструмента
  4. Структурированный вывод
  5. Введение в Middleware
  6. Первый Middleware
  7. Работа с персональными данными
  8. Контекст времени выполнения
  9. Собственный Middleware
  10. Состояния агента
  11. Изменение сообщений
  12. 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

Цена 5900 руб.