Инженерия GenAI-приложений: RAG, агенты и оценка качества
От API и embeddings до production-ready ассистента с источниками, guardrails и метриками
Чему вы научитесь
- Проектировать GenAI-приложение как систему: пользователь, оркестратор, модель, инструменты, база знаний, мониторинг
- Строить RAG: chunking, embeddings, vector search, reranking, цитирование источников и обновление индекса
- Подключать tools/function calling и проектировать безопасные действия агента
- Оценивать качество: golden set, faithfulness, relevance, latency, cost, regression tests
- Добавлять guardrails: приватность, PII, отказ от опасных действий, журналирование и контроль доступа
О курсе
Курс для тех, кто хочет строить не промпты в чате, а реальные GenAI-продукты: ассистенты с документами, retrieval augmented generation, tool calling, проверка ответов, безопасность, наблюдаемость и стоимость. Ученик проектирует архитектуру приложения, готовит корпус знаний, строит retrieval, пишет API-слой, добавляет оценку качества и защищает итоговый инженерный паспорт решения.
30 недель · 6 ч/нед
6 разделов · 19 шагов · практика после модулей
Итоговый проект и сертификат после завершения.
16+ лет · старшая школа и взрослые. нужны базовая математика, чтение схем и самостоятельная работа с проектом
Профессиональный: 4/5
требует дисциплины, проверки и портфолио
Цифровые профессии
ИИ, аналитика, дизайн, маркетинг, бизнес и кибербезопасность без смешивания с программированием.
Как устроено обучение
Методическая подача
цепочки решений, карты контекста, разборы промптов и матрицы проверки ответа
рабочие сценарии: анализ документа, подготовка ответа, проверка фактов, безопасное ограничение модели
короткая демонстрация, самостоятельный промпт, разбор качества, перенос в шаблон
портфель промптов с критериями качества и журналом улучшений
Учебный микс
14 визуальных материалов · 64% по предмету
требуется ручная ревизия: слишком много общих или нерелевантных схем
Профессиональная программа
Измеримые результаты
- Собрать RAG-ассистента с документами, ссылками на источники и повторяемой оценкой качества
- Объяснить, где нужны embeddings, где fine-tuning, а где достаточно хорошей системной инструкции
- Подготовить технический дизайн GenAI-функции: архитектура, риски, стоимость, метрики и план эксплуатации
Входной уровень
- Базовый JavaScript или Python
- Понимание REST API и JSON
- Желательно: основы SQL и Git
Проверка знаний
- Архитектурная схема и threat model для AI-функции
- Мини-лабораторные по retrieval, tool calling, evals и guardrails
- Итоговая защита ассистента с логами качества и списком известных ограничений
Итоговый проект
Production-style RAG-ассистент для базы знаний: ingestion, vector search, ответы с источниками, evaluation set, мониторинг ошибок, policy guardrails и README для эксплуатации.
Программа курса
6 разделов · 19 уроков- Карта пониманияОткрыто8 мин
- Что рисовать и фиксироватьОткрыто8 мин
- Ритм практики и повторенияОткрыто8 мин
- Проверка учебного маршрутаОткрыто10 мин
- Требования и проверяемая модельОткрыто14 мин
- Чертёж как язык конструкции16 мин
- Протокол испытаний14 мин
- Три проекции и спецификация деталейОткрыто18 мин
- Силы, моменты и критерий испытания16 мин
- Деталировка: профиль, нервюра, лонжерон15 мин
- Не чат, а системаОткрыто11 мин
- RAG как работа с источникамиОткрыто12 мин
- Практика: архитектура RAGОткрыто14 мин
- Tool calling без самоуправстваОткрыто11 мин
- Guardrails и приватностьОткрыто9 мин
- Практика: инструменты и guardrailsОткрыто12 мин
- Evals как тесты продуктаОткрыто11 мин
- Наблюдаемость и стоимостьОткрыто10 мин
- Практика: evalsОткрыто14 мин
Отзывы
Пока нет отзывов.