Освоите ChatGPT API, LangChain и LangGraph, и научитесь интегрировать ИИ в 1С — от теории до готового продакшн-проекта. Все материалы практические: реальный код, рабочие примеры и готовые проекты по каждому модулю.
В этом блоке вы установите и настроите все необходимые инструменты для комфортной и эффективной разработки: от базовых утилит до специализированных сред для работы с LLM, Docker, 1С и локальными ИИ-моделями.
Блок посвящён основам языка Python, необходимым для практической разработки проектов. В ходе уроков рассматриваются установка среды разработки, базовый синтаксис, работа с переменными, строками и числами, структуры данных (списки, словари, кортежи, множества), управляющие конструкции, функции, области видимости, модули и пакеты, а также объектно-ориентированное программирование — от основ классов до наследования и практического применения в примере с каталогом товаров. Особое внимание уделено отладке кода и лучшим практикам написания чистого и эффективного кода.
В этом блоке вы развернёте базовый проект на FastAPI — быстром и современном Python-фреймворке для создания API.
Вы не просто установите зависимости, а построите готовую архитектуру для ИИ-систем, которую затем расширите функциями RAG, чат-ботами и агентами.
Этот блок — ваш первый шаг в практическую работу с искусственным интеллектом. Вы пройдёте регистрацию и получите API-ключи в популярных сервисах: Gigachat, ChatGPT и OpenRouter, что откроет доступ к мощным LLM (Large Language Models) для интеграции в проекты, автоматизации задач и разработки ИИ-агентов.
В этом блоке вы освоите LangChain — ведущий фреймворк для разработки приложений на базе LLM. Вы не просто изучите теорию, а сразу начнёте программировать: от базового чата до сложных систем с памятью, шаблонами, цепочками и агентами.
Вы освоите Langfuse — инструмент для логирования, отладки и оценки производительности LLM-приложений.
Этот блок — практической части курса. Вы создадите полноценного корпоративного ИИ-бота, способного отвечать на вопросы сотрудников по внутренней базе знаний. Проект включает RAG-систему, векторное хранилище, API, админку, Telegram-бота и тестирование — всё, что нужно для внедрения ИИ в бизнес.
В этом блоке вы разработаете систему распознавания сканов документов с нуля — от архитектуры до внедрения. Ключевые технологии: OCR, обработка изображений, работа с LLM (на примере Ollama), промптинг в LangFuse, а также развёртывание сервисов в Docker с использованием MinIO и CVAT.
Вы реализуете полноценное приложение для распознавания водительских удостоверений и других документов с помощью GPT.
Блок посвящён основам создания агентов с памятью и инструментами на базе LangGraph. Вы освоите развертывание Redis в Docker, познакомитесь с архитектурой проекта, научитесь строить простые графы, добавлять долговременную память, реализовывать условные переходы и подключать внешние инструменты — всё это для создания гибких и расширяемых ИИ-агентов.
Ключевые компоненты:
- обработка аудио, транскрибация через Whisper C++ и диаризация (разделение речи по спикерам).
- ядро системы, ИИ агент, построенный на LangGraph. Агент определяет тип звонка (продажа/претензия) и направляет данные специализированным субагентам.
- локальная LLM, для анализа используется модель Qwen 4B, запущенная на собственном сервере.
- интеграция, прием аудио организован через Telegram-бота и FastAPI.
Блок посвящён развёртыванию и настройке Ubuntu-сервера для запуска больших языковых моделей (LLM) на GPU. Вы научитесь устанавливать систему, настраивать безопасный доступ по SSH, интегрировать драйверы NVIDIA, готовить среду для CUDA-разработки, разворачивать Docker в rootless-режиме с поддержкой GPU и собирать инференс-движок llama.cpp для запуска мощных open-source LLM, таких как OSS 120B, на оборудовании NVIDIA RTX 3090 или Tesla V100.