Курсы по RAG

Курс посвящён системному внедрению ИИ в телеком-операторах: от дорожной карты до промышленной эксплуатации мультиагентных систем. Вы научитесь ставить задачи ИИ-агентам, выстраивать операционную модель с принципом «человек в контуре», оценивать ИИ-зрелость подразделения и выбирать точки с максимальным ROI.

Практикумы включают создание персонального ИИ-ассистента, аудит ИИ-зрелости и проектирование агента для сетевой эксплуатации (кейс «деградация сервиса»).

1.1. Новая реальность: от экспериментов к эксплуатации. Почему 2026 год стал переломным: ИИ как базовая инфраструктура, а не витрина инноваций. Что такое ИИ-агенты и мультиагентные системы, и почему они меняют правила игры. Ключевые тренды: физический ИИ, объяснимый ИИ.

1.2. Экономика ИИ: как считать окупаемость инвестиций (ROI) и ставить KPI. Оценка ИИ-зрелости компании / подразделения. Метрики успеха: от снижения операционных затрат до роста выручки за счет новых возможностей. Анализ провалов: почему 90% ИИ-пилотов не доходят до внедрения и как войти в 10% успешных проектов.

Практика: аудит ИИ-зрелости и поиск точек роста. Работа с чек-листом для оценки своего подразделения. Участники заполняют матрицу приоритетных задач, где внедрение ИИ обеспечит максимальную окупаемость инвестиций (ROI).

2.1. Введение в ИИ-агентов. Принципы работы «команды ИИ-агентов»: финансы, логистика, аналитика как отдельные «цифровые сотрудники». Как ставить задачи агентам и контролировать их исполнение. Принцип «человек в контуре» (Human-in-the-loop).

2.2. Инструментарий руководителя: промпт-инжиниринг. Как общаться с ИИ, чтобы получать не просто текст, а готовые аналитические выкладки и сценарии. Создание промптов для рутинных задач: анализ отчетов, подготовка совещаний.

Практика: создание персонального ИИ-ассистента. Участники на практике настраивают простого агента для сбора и первичного анализа данных из открытых источников или предоставленных корпоративных документов.

Результат: готовый инструмент для экономии 3-4 часов в неделю.

3.1. Архитектура доверия: объяснимый ИИ и безопасность. Проблема «черного ящика»: как проверять решения, принятые ИИ. Принципы объяснимого ИИ (XAI) для руководителей: почему модель приняла такое решение? Кибербезопасность ИИ: защита от отравления данных и промпт-инъекций.

3.2. Дорожная карта внедрения: от пилота к масштабированию. Разработка стратегии: пилотный проект, сбор обратной связи, доработка, тиражирование. Работа с возражениями персонала: как мотивировать команду использовать ИИ.

Практика: карта рисков и план коммуникации. Участники в группах разрабатывают план внедрения ИИ-инструмента, уделяя особое внимание рискам и способам их минимизации, а также программе обучения сотрудников.

4.1. Архитектура автономных сетей (Agentic AI for Telecom). Концепция Zero-Touch Operations: Как ИИ-агенты берут на себя управление сетью. От SDN / NFV к сетям, которые самооптимизируются. Кейс: мультиагентная система управления RAN (Radio Access Network). Три агента: мониторинг (следит за KPI), конфигурация (меняет параметры), валидация (проверяет результат и откатывает изменения, если стало хуже). Тренд 2026 года: конвергенция ИТ и ОТ (Network Operations). Как объединить данные с базовых станций с биллингом и CRM для сквозной аналитики.

4.2. Борьба с «серебряным цунами» и сохранение экспертизы. Проблема: уход опытных инженеров, настройщиков сетей старой школы. Решение: превращение опыта ветеранов (инструкции, чек-листы, истории решения аварий) в базы знаний для RAG-систем. Кейс: ассистент полевого инженера на базе Vision Language Models (VLM) + AR-очки. ИИ подсказывает, какой порт проверить и какой ключ вставить, глядя на оборудование через камеру.

4.3. Гиперперсонализация и Agentic Commerce в телекоме. ИИ-агенты для управления жизненным циклом клиента: Агент подбора тарифа: анализирует поведение абонента (трафик, поездки, приложения) и предлагает смену тарифа до того, как клиент потратил деньги в роуминге. Агент проверки качества: сам инициирует диалог, если видит падение скорости на проблемном участке, и предлагает скидку или бонусы. Агент техподдержки: замена IVR-меню. Клиент объясняет проблему, агент сам обращается к интерфейсу, проверяет статус услуги и решает вопрос, а не просто ищет статью в базе знаний.

Практика: проектирование ИИ-агента для сетевой эксплуатации. Кейс: внезапная деградация сервиса на районе / рост числа жалоб. Задание: участники делятся на группы (Эксплуатация, Маркетинг, Клиентский сервис). Используя конструктор (песочницу), они проектируют сценарий работы мультиагентной системы: агент-монитор (сеть) замечает аномалию. Агент-диагност (RAG по базе знаний) предлагает 3 гипотезы и действия по их проверке. Агент-коммуникатор (клиентский сервис) принимает решение: кому из абонентов отправить пуш-уведомление с извинениями и промокодом, а для кого это некритично.

Результат: прототип бизнес-логики взаимодействия ИИ-агентов для сокращения времени простоя (MTTR) и сохранения лояльности абонентов.

Курс посвящён применению генеративного ИИ в enterprise-разработке на Java и Kotlin.

Вы освоите промпт-инжиниринг (Chain-of-Thought, ReAct), построение RAG-систем (Spring AI + PGVector) и создание агентов по протоколу MCP.

Практика включает миграцию Spring Boot 2→3, рефакторинг legacy с генерацией MapStruct-мапперов и DTO, написание JUnit-тестов, оптимизацию многопоточного кода (Virtual Threads). Отдельный модуль — безопасность: защита от промпт-инъекций, предотвращение утечек данных, лицензионная чистота кода.

Как работают большие языковые модели (LLM): токены, контекстное окно, температура. Системные и пользовательские промпты.

• Техники: Few-shot, Chain-of-Thought, ReAct.
• Борьба с галлюцинациями и проверка фактов.

IDE и расширения: Cursor, Windsurf, Continue, Cline, Kilo Code.

CLI и терминал: использование ИИ в консоли (Claude Code, Gemini CLI, OpenCode).

Spec-driven development: сначала пишем спецификацию (Markdown / OpenAPI), затем генерируем код.

Что такое Retrieval Augmented Generation (RAG) простыми словами. Виды Retrieval Augmented Generation (RAG): от простого поиска по документации до GraphRAG. Использование ИИ для рефакторинга и объяснения legacy-кода.

Автономные агенты и их режимы: Plan-Code-Ask-Debug. Протокол MCP (Model Context Protocol). Навыки (Skills). Субагенты.

Тестирование: генерация unit-тестов, интеграционных тестов и тест-кейсов.

Prompt Injection в коде и приложениях. Утечка данных: как не отправить секреты компании в OpenAI. Лицензионная чистота сгенерированного кода.

Миграция с Spring Boot 2 на 3. Генерация мапперов (MapStruct) и DTO. Написание сложных JUnit / Mockito тестов. Оптимизация многопоточного кода (Virtual Threads).

Курс посвящён использованию генеративного ИИ в повседневной работе Python-разработчика (бэкенд и анализ данных).

Вы освоите техники промптинга (Few-shot, Chain-of-Thought, ReAct), построение RAG-систем (от простого поиска до GraphRAG) для работы с документацией и legacy-кодом, а также создание автономных агентов по протоколу MCP с разделением на навыки и субагенты.

Практика включает генерацию бойлерплейта FastAPI / Django, Pydantic-моделей из JSON-схем, написание асинхронного кода без ошибок в цикле событий и анализ данных (Pandas / Polars). Отдельный модуль — безопасность: защита от промпт-инъекций и утечек данных.

Как работают большие языковые модели (LLM): токены, контекстное окно, температура. Системные и пользовательские промпты.

• Техники: Few-shot, Chain-of-Thought, ReAct.
• Борьба с галлюцинациями и проверка фактов.

IDE и расширения: Cursor, Windsurf, Continue, Cline, Kilo Code.

CLI и терминал: использование ИИ в консоли (Claude Code, Gemini CLI, OpenCode).

Spec-driven development: сначала пишем спецификацию (Markdown/OpenAPI), затем генерируем код.

Что такое Retrieval Augmented Generation (RAG) простыми словами. Виды Retrieval Augmented Generation (RAG): от простого поиска по документации до GraphRAG. Использование ИИ для рефакторинга и объяснения legacy-кода.

Автономные агенты и их режимы: Plan-Code-Ask-Debug. Протокол MCP (Model Context Protocol). Навыки (Skills). Субагенты.

Тестирование: генерация unit-тестов, интеграционных тестов и тест-кейсов.

Prompt Injection в коде и приложениях. Утечка данных: как не отправить секреты компании в OpenAI. Лицензионная чистота сгенерированного кода.

Генерация FastAPI / Django бойлерплейта. Pydantic-модели из JSON-схем. Использование ИИ для анализа данных в Pandas / Polars. Написание асинхронного кода без ошибок, связанных с циклом событий. Вайб-кодинг (vibe coding).

Курс для разработчиков, применяющих генеративный ИИ в повседневной работе с кодом. Вы освоите промпт-инжиниринг (few-shot, Chain-of-Thought, ReAct), архитектуру Retrieval Augmented Generation (RAG) для работы с документацией и legacy-кодом, а также создание автономных агентов (MCP-серверы, режимы Plan-Code-Ask-Debug).

Практика включает генерацию тестов (Pest/PHPUnit), рефакторинг процедурного PHP и Bitrix-кода в ООП. Отдельный модуль — безопасность и этика: защита от промпт-инъекций, предотвращение утечек данных, лицензионная чистота сгенерированного кода.

Как работают большие языковые модели (LLM): токены, контекстное окно, температура. Системные и пользовательские промпты. Техники: Few-shot, Chain-of-Thought, ReAct. Борьба с галлюцинациями и проверка фактов.

IDE и расширения: Cursor, Windsurf, Continue, Cline, Kilo Code.

CLI & Терминал: использование ИИ в консоли (Claude Code, Gemini CLI, OpenCode).

Spec-driven development: сначала пишем спецификацию (Markdown / OpenAPI), затем генерируем код.

Что такое Retrieval Augmented Generation (RAG) простыми словами. Виды Retrieval Augmented Generation (RAG): от простого поиска по документации до GraphRAG.

Использование ИИ для рефакторинга и объяснения legacy-кода.

Автономные агенты и их режимы: Plan-Code-Ask-Debug. Протокол Model Context Protocol (MCP). Навыки (Skills). Субагенты.

Тестирование: генерация unit-тестов, интеграционных тестов и тест-кейсов.

Промпт-инъекции (Prompt Injection) в коде и приложениях. Утечка данных: как не отправить секреты компании в OpenAI. Лицензионная чистота сгенерированного кода.

Генерация миграций и моделей Eloquent. Рефакторинг старого процедурного кода в ООП. Написание тестов в Pest / PHPUnit. Вайб-кодинг (vibe coding).

Курс посвящён применению генеративного ИИ в повседневной работе фронтенд-разработчика (React, Angular, Vue). Вы научитесь генерировать UI-компоненты по скриншотам или макетам, автоматически создавать TypeScript-типы на основе API-спецификаций (OpenAPI) и проводить рефакторинг стейт-менеджмента (например, с Redux на Effector / Zustand) с минимальным ручным участием.

Практика включает написание unit-тестов (Jest, Playwright) с помощью ИИ-агентов и построение RAG-систем для работы с документацией проекта.

Как работают большие языковые модели (LLM): токены, контекстное окно, температура. Системные и пользовательские промпты. Техники: Few-shot, Chain-of-Thought, ReAct. Борьба с галлюцинациями и проверка фактов.

IDE и расширения: Cursor, Windsurf, Continue, Cline, Kilo Code.

CLI & Терминал: использование ИИ в консоли (Claude Code, Gemini CLI, OpenCode).

Spec-driven development: сначала пишем спецификацию (Markdown / OpenAPI), затем генерируем код.

Что такое Retrieval Augmented Generation (RAG) простыми словами. Виды Retrieval Augmented Generation (RAG): от простого поиска по документации до GraphRAG.

Использование ИИ для рефакторинга и объяснения legacy-кода.

Автономные агенты и их режимы: Plan-Code-Ask-Debug. Протокол Model Context Protocol (MCP). Навыки (Skills). Субагенты.

Тестирование: генерация unit-тестов, интеграционных тестов и тест-кейсов.

Промпт-инъекции (prompt injection) в коде и приложениях. Утечка данных: как не отправить секреты компании в OpenAI. Лицензионная чистота сгенерированного кода.

Генерация компонентов по скриншоту или макету. Типизация TypeScript из API-ответов. Unit-тестирование UI (Jest, Playwright). Стейт-менеджмент: переход от Redux к Effector / Zustand с помощью ИИ. Вайб-кодинг (vibe coding).

Курс посвящён интеграции генеративного ИИ в разработку на C# и .NET: от повседневной работы в IDE до внедрения RAG-архитектуры и автономных агентов. Вы познакомитесь с техниками промптинга (Few-shot, Chain-of-Thought, ReAct), освоите инструменты (Cursor, Windsurf, Claude Code) и научитесь строить RAG-системы для работы с документацией и кодом.

Практика включает генерацию unit-тестов, использование Entity Framework через нейросети и интеграцию Semantic Kernel в .NET-приложения. Отдельный модуль — безопасность: защита от промпт-инъекций и утечек данных.

Как работают большие языковые модели (LLM): токены, контекстное окно, температура. Системные и пользовательские промпты. Техники: Few-shot, Chain-of-Thought, ReAct. Борьба с галлюцинациями и проверка фактов.

IDE и расширения: Cursor, Windsurf, Continue, Cline, Kilo Code.

CLI & Терминал: использование ИИ в консоли (Claude Code, Gemini CLI, OpenCode).

Spec-driven development: сначала пишем спецификацию (Markdown / OpenAPI), затем генерируем код.

Что такое Retrieval Augmented Generation (RAG) простыми словами. Виды Retrieval Augmented Generation (RAG): от простого поиска по документации до GraphRAG.

Использование ИИ для рефакторинга и объяснения legacy-кода.

Автономные агенты и их режимы: Plan-Code-Ask-Debug. Протокол Model Context Protocol (MCP). Навыки (Skills). Субагенты.

Тестирование: генерация unit-тестов, интеграционных тестов и тест-кейсов.

Промпт-инъекции (prompt injection) в коде и приложениях. Утечка данных: как не отправить секреты компании в OpenAI. Лицензионная чистота сгенерированного кода.

Entity Framework: генерация миграций и сложных LINQ-запросов. Работа с NuGet-пакетами и документацией. Интеграция с Semantic Kernel (Microsoft-стек для ИИ). Вайб-кодинг (vibe coding).