[Ярослав Шуваев] RAG-боты и автоматизация LLM (2025)

Научитесь создавать AI-инструменты, которые помогают в работе:

Находят нужную информацию
Отвечают на вопросы
Получают данные из внешних сервисов — от no-code прототипа до простого Python-бота

О курсе:

Это практический интенсив, на котором вы шаг за шагом пройдёте путь от простой no-code сборки до локального приложения с поиском по документам, подключением сервисов и Telegram-интерфейсом
За 4 вебинара вы получите необходимые навыки LLM-инженера и соберёте основу ассистента: настроите поиск и обработку ваших данных, подключите инструменты, добавите свою логику и запустите Telegram-бота с фоллбэком на GPT-4o
Программа выстроена так, чтобы вы понимали не только шаги, но и общую логику работы AI-ассистентов: подготовку данных, механизм поиска, подключение инструментов через MCP и выполнение запросов
Кому подойдёт этот курс:

Аналитикам
Проектирование и сборка прототипов AI-сервисов
Интеграция внешних инструментов через MCP-сервер
Работа с векторными базами данных для поиска по документации
Разработчикам и QA-инженерам
Архитектурный паттерн RAG и компоненты современного AI-стека
Сервер локальных моделей (Ollama) и векторная БД (pgvector)
MCP-сервер для интеграции инструментов
IT-специалистам, DevOps и архитекторам
Интеграция LLM-компонентов в IT-ландшафт компании
Развертывание локальных моделей через Ollama и работа с векторными БД
Подключение внешних сервисов, создание безопасных и масштабируемых AI-ассистентов

Как проходит обучение:

Удобное время занятий: все уроки онлайн, можно задавать вопросы и разбирать кейсы в реальном времени.
Фокус на практику: вы делаете всё своими руками — от сборки Flowise до Telegram-бота.
Постоянный доступ к материалам: записи, код, пайплайны и инструкции остаются у вас навсегда.
Поддержка преподавателя: уточнение деталей, разбор ошибок и рекомендации прямо на занятии.

Чему вы научитесь:

Быстро находить информацию в документах
Соберёте ассистента, который понимает файлы и помогает искать данные.
Получать данные из внешних сервисов
Настроите API через MCP для подгрузки погоды, курсов или метрик.
Настраивать поведение (Low-code)
Научитесь управлять поиском, обрабатывать ошибки и переключать модели.
Создавать прототипы на базе LLM
Разберётесь с цепочками поиска, инструментами и тестированием функций.
Работать с локальной векторной базой и API
Освоите сплиттинг текста, Pgvector и FastAPI для семантического поиска.
Собирать Telegram-ассистента
Создадите бота на Python, настроите Webhook, авторизацию и работу через Ollama.

Программа курса:

Тема 1. Сборка первого ассистента в Flowise без кода.

Загрузка документов, обработка текста и подключение модели в визуальном интерфейсе.

Тема 2. Подключение внешних сервисов через MCP.

Добавление инструментов (API) и разбор работы Model Context Protocol.

Тема 3. Настройка поведения с помощью Low-code.

Внедрение JS/Python фрагментов для управления поиском и обработки ошибок.

Тема 4. Цепочка обработки запросов в LangChain.

Организация последовательности «поиск — модель — инструменты». OpenAI Functions и Ollama.

Тема 5. Локальный поиск по документам и API.

Хранение в Pgvector, запросы через FastAPI и вайб-кодинг в Cursor.

Тема 6. Сборка Telegram-ассистента.

Настройка команд, Webhook, авторизации и работы через Ollama.

Преподаватель Ярослав Шуваев:

20+ лет опыта в цифровой разработке.
10+ лет внедрения инноваций в корпорациях (Альфа-Банк, Ак Барс Банк, МТС, Viasat).
10+ лет опыта в корпоративном обучении.