Курсы по Markdown

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).