Курсы по RAG

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 нацелен на интеграцию больших языковых моделей (LLM) в Go-микросервисы как полноценного production-компонента, а не только автокомплита в IDE. Вы освоите промпт-инжиниринг (Chain-of-Thought, ReAct), построение RAG-систем (от простых до графовых) для работы с документацией и legacy-кодом, а также создание автономных агентов по протоколу MCP.

Практика включает генерацию Go-кода через спецификации (Spec-driven development), написание бенчмарков и оптимизацию производительности. 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.

Генерация интерфейсов и структур. Обработка ошибок в стиле Go. Написание бенчмарков и оптимизация производительности. Вайб-кодинг (vibe coding).