Курс для разработчиков и специалистов по автоматизации, которые хотят быстро перейти от идеи к рабочим агентам на базе крупных языковых моделей. Разберём инструменты, подключение внешних сервисов и баз знаний, RAG-подход, интерфейсы и вопросы безопасности.
Установка окружения: VS Code, Node.js, Python, Flowise
Понятие function calling в LLM
Интеграция с Python-интерпретатором, калькулятором, Make, Gmail
Примеры вызова API и сериализации данных
Построение маршрутов взаимодействия через агента
Embedding и работа с векторными базами (Chroma, Pinecone)
Импорт PDF, CSV и Web-данных в память агента
Построение и использование RAG-пайплайна
Обзор LlamaIndex, LangChain Memory
Агент-копирайтер, email-агент, клиентский агент
Подключение Flowise-агента к фронтенду
Интеграция с No-code платформами (Make, Zapier)
Примеры B2B и B2C сценариев
Разработка веб-интерфейса агента
Интеграция в лендинг, чат, CRM
Автоматизация лидогенерации, поддержка клиента
Кейсы использования в продажах и маркетинге
Установка и настройка Ollama, Mistral, Llama 3.1
Развёртывание локального агента Copilot
Обработка изображений и видео (Vision + Multimodal)
Сравнение open-source и облачных моделей
Prompt-инъекции, защита от jailbreak
GDPR, авторское право, сохранность данных
Реализация Guardrails и антиинъекционных фильтров
Примеры этически опасных сценариев
Подготовка данных: нормализация, очистка, выборки, обогащение, форматирование данных.
Подготовка данных – как процесс формирования Data Pipeline:
Процессы ETL и ELT,
Зонирование Data Lake и сегментирование данных,
Назначение и сравнительная характеристика компонент экосистемы платформ потоковой обработки для хранения и обработки Big Data на примерах (отраслевые сценарии),
Инструменты оркестрирования и автоматизации (Data Flow).
Средства проверки и обеспечения качества данных
Методы анализа данных
Описательный анализ: статистические методы, визуализация данных.