[Stepik] RAG Engineer PRO (Алексей Малышкин)

​ RAG Engineer PRO Комплексная программа инженера RAG: от прототипа до продакшн-бота. Соберёте поиск «по смыслу», настроите индексацию/ретрив, сделаете API на FastAPI, добавите тесты и деплой. Подойдёт разработчикам и аналитикам, знакомым с основами Python. Чему вы научитесь: Проектировать архитектуру RAG-систем под задачу Готовить данные: разбиение на чанки, метаданные, нормализация Выбирать и настраивать векторные БД (FAISS/Weaviate/Qdrant) Строить пайплайн эмбеддингов и индексации Реализовывать retrieval, hybrid-search и reranking Создавать LangChain-цепочки, промпт-шаблоны и few-shot Организовывать structured output и базовую валидацию ответов Собирать REST API на FastAPI: эндпоинты, авторизация, логирование Автоматизировать работу в Bash и контролировать версионирование в Git Писать тесты, проводить A/B для промптов и метрик качества (Recall@K, latency) Оптимизировать стоимость и скорость (кэш, ограничения контекста) Готовить демо и портфолио-проект продакшн RAG-бота О программе: RAG Engineer PRO — практическая программа из пяти курсов, которая доводит вас от прототипа до продакшн-бота с поиском «по смыслу». Вы пройдёте полный цикл: подготовка данных и индексация во векторной БД → retrieval/hybrid-search и reranking → LangChain-цепочки со строгим JSON-выходом → REST-API на FastAPI → базовые тесты, логирование и чек-листы деплоя. Внутри: LangChain, Vector DB & RAG Developer, FastAPI (нач.), Python для профессионалов, Bash Linux + Git. По итогам соберёте портфолио-проект RAG-ассистента с документацией, метриками качества (Recall@K, latency) и готовыми шаблонами кода. Что получите: понятную архитектуру RAG и типовые паттерны (chunking, метаданные, hybrid-search, rerank); практику с FAISS/Weaviate/Qdrant (на выбор) и LangChain; API-обёртку на FastAPI, авторизацию и стриминг ответов; основы эксплуатационных практик: логи, тесты, версия промптов, контроль стоимости и скорости. Для кого эта программа: Python-разработчики и backend-инженеры, которым нужно быстро добавить LLM-функциональность в продукт. DS/ML/DE-инженеры и аналитики, кто хочет уверенно собирать RAG-сервисы и не застревать на PoC. Студенты и джуны, готовящие портфолио и стажировку: делаете законченную систему с API и документацией. Небольшие команды/стартапы, которым важен быстрый путь от идеи к первому продакшн-инстансу. Ситуации, когда курс особенно полезен: есть сырые документы/база знаний, нужно организовать поиск и ответы «по смыслу»; прототип уже есть, но нет качества/скорости/API; нужно показать работающий демо-бот заказчикам/руководству. Начальные требования: Базовый Python (функции, классы, виртуальная среда, pip/poetry), умение читать документацию. Любая ОС: Linux/macOS/Windows (можно WSL); 8 ГБ ОЗУ достаточно. Потребуются деньги на оплату запросов к LLM Алексей Малышкин - Аналитик-разработчик с опытом работы в крупных компаниях. Победитель олимпиад по математике, программированию и анализу данных.