AI без кода: автоматизация и LLM-приложения с Flowise [Automatica] [Антон Вдовиченко]

Для кого: Разработчики, энтузиасты, продуктовые менеджеры, которые строят production-ready системы с n8n и Flowise Чему научитесь 1. Работать с визуальным инструментом Flowise для создания цепочек с LLM 2. Внедрять генеративный ИИ в бизнес-процессы и автоматизацию 3. Создавать собственных агентов, чат-ботов и инструменты на базе LLM 4. Интегрировать внешние данные и API, строить RAG-системы и автоматизировать задачи Что в программе Занятие 1. Введение в Flowise и LLM-автоматизацию Познакомимся с интерфейсом Flowise, создадим первую цепочку для работы с GPT. Обсудим архитектуру LLM-приложений и роль визуальных инструментов в автоматизации. Обзор возможностей Flowise и LangChain. Установка и настройка Flowise (локально/облако). Структура цепочек: узлы ввода, LLM, память, вывод. Создание первого чатбота: ввод → GPT → ответ. Прототип FAQ-помощника. Домашнее задание: собрать собственную цепочку по выбранному сценарию — например, бот-консультант или генератор текста по шаблону. Занятие 2. Работа с собственными данными и RAG-пайплайны Разбираемся, как подключать документы и базы знаний, чтобы LLM отвечал на основе фактов. Строим RAG-бота: поиск + генерация. Концепция Retrieval-Augmented Generation (RAG). Векторизация данных и поиск: Chroma, Pinecone, Qdrant. Работа с PDF, TXT, HTML. Сборка цепочки: загрузка → эмбеддинг → поиск → LLM. Демо: бот, читающий загруженные документы. Домашнее задание: реализовать Q&A-бота по внутренним документам (инструкция, база знаний и т.п.) Занятие 3. Мультиагентные цепочки и логика принятия решений Углубляемся в агенты и планировщики. Строим цепочки, в которых модель принимает решения, вызывает инструменты и делит задачи между собой. Агентный подход в LangChain и Flowise. Создание Tool/Agent узлов. Примеры: генератор запросов, критик, резюмирующий агент. Сценарий: агент-исследователь + агент-писатель. Связка с Python/Requests для внешних вызовов. Домашнее задание: собрать цепочку из двух агентов, работающих над одной задачей (например, план → контент → редактура). Занятие 4. Интеграция Flowise с внешними сервисами и API Учимся подключать Flowise к внешнему миру: публиковать API, связывать с n8n, получать данные из веба и других систем. Публикация цепочек как API (HTTP endpoint). Интеграция с Zapier/Make/n8n. Использование HTTP Request внутри Flowise. Подключение внешних API (новости, базы знаний, GPT, погода и пр.). Демо: бот, собирающий инфу из интернета и отвечающий в Telegram. Домашнее задание: настроить интеграцию — Flowise + внешний сервис (например, чатбот, работающий через Telegram/Zapier/n8n). Занятие 5. Курсовой проект: генеративный агент и итоговая сборка Собираем все инструменты воедино, реализуя комплексный проект с использованием MCP, интегрируем голосовой синтез и чат-интерфейсы через Flowise, подключаем генерацию контента с помощью Together.AI и Flux. Архитектура многоступенчатой цепочки: сбор данных → генерация → оценка → вывод. Интеграция с календарями, почтой, чатом. Примеры: автоотчёты, писатель-агент, контент-маркетинг-бот. Индивидуальные проекты: разбор и советы. Разбор типичных ошибок, масштабирование, деплой. Основатель и CEO Automatica Специализируется на разработке решений с использованием искусственного интеллекта и машинного обучения, инженер AI. Более 20 лет создает цифровые продукты для оптимизации бизнеса — от стартапов до международных корпораций (Dell, PwC, Avaya). Эксперт по дизайну интерфейсов. Более 7 лет преподавал на программе «Дизайн диджитал-продукта» в Британке, BBE. Ведёт авторские курсы по искусственному интеллекту.