RAG-инженер: от вектора до продакшн-системы

RAG (Retrieval-Augmented Generation) — это архитектурный паттерн, который превращает LLM из «болтуна» в точного эксперта по вашим данным. В этом курсе вы пройдёте полный путь от первой строки кода до работающего продакшн-сервиса. Никакой воды — только практика, реальные кейсы и инструменты, которые используют в индустрии прямо сейчас. 🔍 Понимать архитектуру RAG Объяснять, как устроена RAG-система и чем она отличается от дообучения LLM Выбирать правильную архитектуру под бизнес-задачу 📐 Работать с эмбеддингами и векторами Превращать текст в числовые векторы с помощью современных моделей (OpenAI, BGE, E5) Реализовывать семантический поиск с нуля на Python и NumPy 🗄️ Управлять векторными базами данных Разворачивать и настраивать Qdrant, ChromaDB, FAISS Применять индексы (HNSW, IVF) и фильтрацию по метаданным 📄 Подготавливать данные Парсить PDF, HTML, Word с сохранением структуры Подбирать оптимальные стратегии чанкинга для русского языка 🧠 Собирать полноценный RAG-пайплайн Строить end-to-end систему: загрузка → чанкинг → индексация → ретривал → генерация Писать промпты с цитированием источников (grounding) 🚀 Улучшать качество поиска и ответов Внедрять гибридный поиск (BM25 + векторы) и реранкинг Применять техники расширения запросов: HyDE, multi-query, декомпозиция 📊 Оценивать систему объективно Использовать метрики: Recall@K, MRR, NDCG Запускать оценку через RAGAS (Faithfulness, Answer Relevancy) 🏗️ Строить продвинутые RAG-архитектуры Реализовывать Contextual Retrieval и Small-to-big Работать с GraphRAG и мультимодальными подходами Строить агентные системы с само-коррекцией (Self-RAG, CRAG) ☁️ Деплоить и поддерживать в продакшне Упаковывать RAG в REST API на FastAPI + Docker Настраивать мониторинг, трейсинг и логирование 🎯 Завершить курсовым проектом Создать готового ассистента для базы знаний с полным стеком Пополнить портфолио рабочим проектом