AI Engineering: LLM, RAG, MCP и AI-агенты
Обзор курса
Описание курса
AI Engineering - ТЕОРЕТИЧЕСКИЙ ознакомительный курс о том, как AI-функция становится управляемой системой: модель генерирует ответ, приложение находит знания, вызывает инструменты, проверяет права и фиксирует результат. Разберём LLM, RAG, MCP и AI-агентов без программирования - на уровне архитектуры, схем и инженерных решений.
Курс для тех, кто хочет понимать, почему AI-ассистент отвечает правильно или ошибается, откуда берёт факты, какие действия ему можно доверить и как оценить качество до выхода в production.
Курс не учит писать код и не заменяет практику разработки; он даёт инженерную карту решений для проектирования, обсуждения требований и диагностики AI-first систем.

🎯 Для кого этот курс
Начинающие LLM-инженеры - получат системную карту компонентов AI-first приложения и связей между ними.
Backend- и fullstack-разработчики - увидят, где в архитектуре проходят границы LLM, retrieval, tools и приложения.
Аналитики и технические менеджеры - научатся обсуждать AI-решения, риски, стоимость и качество на одном языке с командой.
Специалисты, готовящиеся к собеседованиям - разберут ситуационные вопросы по AI Engineering и trade-offs.
🧭 Какую задачу решает курс
Обычный вызов LLM API не даёт актуальных знаний, не проверяет права пользователя и не гарантирует фактическую точность. Курс показывает, как разделить ответственность между retrieval, tools, LLM, guardrails и человеком, чтобы ассистент отвечал по источникам, не выполнял лишних действий и оставлял проверяемый след.
На сквозных ситуациях - от FAQ и статуса заказа до юридического ответа, банковского контура, PDF-счёта, фото повреждённой детали, поиска по артикулу, старой CRM без API и ассистента на 1000 обращений в день - вы увидите, какие решения принимает инженер и где заканчивается ответственность модели.
🗺️ Что вы разберёте
🏗️ Архитектура и работа с LLM
Слои AI-first приложения, жизненный цикл запроса и выбор между обычным API, RAG и агентом.
Токены, контекстное окно и бюджет; temperature, top_p, вероятностная генерация и галлюцинации.
Облачные API, open-weight, Ollama и vLLM: приватность, стоимость, эксплуатация и совместимость моделей.
Иерархия инструкций, few-shot, prompt template, версионирование и воспроизводимая отладка промптов.
Structured Outputs, JSON Schema, business validation и отказ модели; tool calling с проверкой аргументов, прав и идемпотентности.
AI wrappers, provider adapters, capability matrix, model routing, streaming, фоновые задачи и ошибки API.
📄 Знания и RAG
PDF с текстовым слоем и сканы: OCR, layout, таблицы и контроль качества извлечения.
Vision, speech-to-text, text-to-speech и мультимодальные обращения.
Embeddings, cosine similarity, совместимость моделей и границы семантического поиска.
Vector databases, ANN, top-k, payload/metadata и фильтрация прав до передачи фрагментов модели.
Chunking: размер, overlap, заголовки, metadata и запрет разрезать таблицу посередине.
Полный цикл RAG: retrieval, context assembly, grounding, citations и abstention.
Advanced RAG: BM25, dense search, hybrid search, fusion, query rewrite и reranking.

🤖 Агенты, MCP и оркестрация
Агентный цикл observe → decide → act → tool result → check/stop; отличие агента от workflow и обычного вызова модели.
Лимиты шагов, stop condition, state и human approval для необратимых действий.
MCP Host, Client и Server; Tools, Resources и Prompts; transport, permissions и серверная авторизация.
Оркестрация, task routing, handoff, Harness, память, compaction и durable state.
Multi-agent архитектуры: дополнительная стоимость, сложность и поверхность сбоев.
🛡️ Безопасность, качество и production
Guardrails входа и выхода, prompt injection, least privilege, access control и audit log.
Evals, pass rate, judge rubric, trace и observability; отдельная оценка retrieval и ответа.
RPA, computer use и selector brittleness; human-in-the-loop для массовых и финансовых действий.
Token budget, caching, retries, rate limits, circuit breaker и SLA.
Стоимость, latency, ROI, сравнение RAG и fine-tuning, итоговая production-архитектура.
🧪 Что вы будете тренировать
Это теоретический ознакомительный курс. Практика построена на разборе инженерных ситуаций и мини-тестах, без написания кода. Вы будете тренировать решения, которые затем повторяются в обсуждениях архитектуры и на собеседованиях.
Выбирать архитектуру для FAQ и статуса заказа, банковской системы или офлайн-контура.
Распределять бюджет контекста и объяснять, почему весь документ в промпте - плохое решение.
Находить, на каком этапе исчезла цитата, и локализовать сбой по trace.
Отличать JSON, валидный по схеме, от данных, пригодных для автоматического оформления заказа.
Выбирать lexical, semantic или hybrid search для артикула и смыслового запроса.
Проектировать агента с лимитами, проверкой прав и подтверждением человеком.
Распознавать риски prompt injection в сценарии RAG + tool calling и предлагать меры защиты.
✅ Что сможете после курса
Отличать LLM API, RAG, workflow, автономного агента, MCP и Harness.
Объяснять токены, контекст, temperature и top_p, а также ограничения LLM.
Выбирать между JSON Schema, tool calling, retrieval и уточняющими вопросами.
Проектировать интерфейсы, слои доверия, хранение состояния и участие человека.
Распознавать prompt injection, галлюцинации, нарушения доступа и сбои обработки документов.
Отделять качество retrieval от качества ответа и формулировать контрольные наборы.
Рассуждать о стоимости токенов, latency, кэшировании, мониторинге и ROI.
Разбирать ситуационные вопросы на технических собеседованиях.
📌 Формат и границы
26 уроков, средний уровень, теория с мини-тестами и практическими разборами. Курс не учит писать код и не заменяет практику разработки; он даёт инженерную карту решений для проектирования, обсуждения требований и диагностики AI-first систем.
Программа курса
AI-first приложения: архитектура и жизненный цикл
Токены, контекстное окно и ограничения
Температура, sampling, reasoning и галлюцинации
LLM-провайдеры, API и локальные модели
Prompt Engineering и иерархия инструкций
Отладка промптов и управление версиями
Structured Outputs, JSON Schema и валидация
Tool Calling: выбор и выполнение инструментов
AI Wrappers, адаптеры и Model Routing
Streaming, фоновые процессы и ошибки API
OCR, PDF и обработка документов
Vision, аудио и мультимодальность
Embeddings и семантическое сходство
Vector Databases и индексация
Chunking и подготовка корпуса знаний
RAG: полный цикл ответа с источниками
Advanced RAG: hybrid search и reranking
AI Agents и агентный цикл
MCP: архитектура и безопасность
Оркестрация, Multi-Agent, Harness и память
Guardrails, prompt injection и Data Governance
Evals, Observability и диагностика LLM
RPA, Computer Use, Human-in-the-loop
Cost Control, Production, System Design и собеседование
Итоговый тест курса
Курс завершен
Требуется войти или зарегистрироваться