Bohdan Danyliuk
enruuk

Дорожная карта AI-инженера

Полная карта: модели, RAG, контекст, агенты, MCP, оценки. Глубоко, но всегда с практикой.

Средний · 33 урока · ~7,5 ч

Начать курс

Уроки

Начните здесь

  1. 1Кто такой AI-инженерПервый шаг дорожной карты AI-инженера: что это за роль, чем она отличается от ML-инженера и исследователя и почему такая профессия вообще появилась.
  2. 2Как на самом деле работают LLMЧто такое большая языковая модель на самом деле: предсказание следующего токена, токены, обучение и инференс, окно контекста — и почему модели иногда уверенно выдумывают факты.
  3. 3ИИ и AGI: где мы на самом делеУзкий ИИ у нас есть, AGI — пока нет. Что эта разница значит на практике, почему современные модели — это инструменты, а не самостоятельные субъекты, и почему она важна тем, кто создаёт продукты.

Модели

  1. 4Виды AI-моделейГотовые (предобученные) модели, закрытые и открытые веса, self-hosting. Кто их делает — OpenAI, Anthropic, Google, Meta, Mistral, DeepSeek — и как выбрать свой вариант.
  2. 5Как выбрать подходящую модельВозможности, цена, скорость и размер контекста: как найти баланс. Практический чек-лист выбора модели и случаи, когда достаточно небольшой недорогой модели.
  3. 6Разговор с моделью: токены, контекст и сэмплингКак устроен разговор с LLM: как текст превращается в токены, почему переполняется окно контекста и что на самом деле делают temperature, top-p и top-k.
  4. 7API и SDK: как код разговаривает с моделямиСтандарт, совместимый с OpenAI, Claude Messages API, Gemini API и экосистема Hugging Face — с рабочим кодом, который можно скопировать и запустить.

Промпты

  1. 8Анатомия промпта: из чего он состоитИз чего состоит хороший промпт: системные промпты, формат входных данных, ограничения и примеры — плюс чек-лист и пара «плохой — хороший промпт», которую можно скопировать.
  2. 9Техники промптинга: Zero-shot, Few-shot, CoT, ReActЧетыре основные техники промптинга, которыми пользуется каждый AI-инженер: zero-shot, few-shot, chain-of-thought и ReAct — с промптами, которые можно скопировать, и разбором того, когда какая помогает.
  3. 10Основы безопасности ИИ для разработчиковПрактическая безопасность ИИ: промпт-инъекция на живом примере, предвзятость, приватность и модерация — и меры защиты, которые можно внедрить на этой неделе. Бояться нечего: это обычная инженерия.

Эмбеддинги

  1. 11Что такое эмбеддингиИдея, на которой держатся семантический поиск и RAG: превращение текста в векторы чисел так, чтобы близкие по смыслу тексты оказывались рядом. И где эмбеддинги применяются в реальных продуктах.
  2. 12Модели эмбеддингов и провайдерыOpenAI, Cohere, Gemini, Jina или открытые Sentence Transformers? Размерность, стоимость, многоязычность — и практический способ выбрать модель эмбеддингов.
  3. 13Векторные базы данныхПочему семантическому поиску нужна векторная база данных, как индексы ANN вроде HNSW быстро находят ближайших соседей, какую базу выбрать — и рабочий пример поиска по сходству.

RAG

  1. 14Что такое RAGГенерация, дополненная поиском (RAG): дайте модели ваши данные в момент ответа, вместо того чтобы надеяться, что она их запомнила. Почему возникают галлюцинации, где RAG применяют на практике и чем он отличается от fine-tuning.
  2. 15RAG-пайплайн шаг за шагомРазбиваем документы на фрагменты, строим эмбеддинги, индексируем, ищем по запросу, собираем промпт, генерируем ответ. Каждый этап RAG — с пошаговым разбором и подсчётом токенов в реальном промпте.
  3. 16Способы реализации RAGSDK напрямую, LangChain, LlamaIndex, Haystack или полностью вручную: компромиссы между контролем, удобством и привязкой к инструменту — и минимальный RAG в ~30 строк на Python без API-ключей.

Контекст

  1. 17Контекст и промпт-инжиниринг: что модель видит на самом делеВаш промпт — это одно сообщение, а контекст — всё, что видит модель: системный промпт, память, найденные документы, результаты инструментов, история. Почему контекстная инженерия становится более широкой дисциплиной, чем промпт-инжиниринг.
  2. 18Приёмы контекстной инженерии: сжатие, изоляция, RAG и не толькоПять основных приёмов контекстной инженерии — сжатие, изоляция, RAG с динамическими фильтрами, обработка длинного контекста и управление состоянием — и когда какой применять.
  3. 19Как ломается контекст: когда больше — значит хужеПотеря в середине, отравление контекста, «гниение» контекста и противоречивые инструкции — как ломается контекст, как это обнаружить и как предотвратить.

Агенты

  1. 20Что такое AI-агенты?Модель в цикле с инструментами: думает, действует, наблюдает, повторяет. Что такое агенты, чем они отличаются от чат-ботов и почему стали практичными только недавно.
  2. 21Инструменты и вызов функцийКак модель вызывает ваш код: схемы инструментов, полный круг вызова функции, работающий бот погоды и практики, которые делают агентов надёжными.
  3. 22SDK и фреймворки для агентовOpenAI Agents SDK, Claude Agent SDK, LangChain и LlamaIndex: что именно даёт SDK и когда выгоднее написать цикл самому.
  4. 23Мультиагентные системыКогда одного агента мало: изоляция контекста, специализация, параллельная работа, шаблон «оркестратор — исполнители» и подводные камни, о которых никто не предупреждает.

MCP

  1. 24MCP: USB-порт для ИИModel Context Protocol — открытый стандарт, который соединяет модели с инструментами и данными, и почему он понадобился индустрии.
  2. 25Создайте свой первый MCP-серверПошаговый MCP-сервер на Python с официальным SDK: инструменты, ресурсы, промпты, транспорт stdio и подключение к клиенту.

Не только текст

  1. 26Мультимодальный ИИ: изображения, звук и видеоМодели, которые видят, слышат и рисуют. Как работают понимание и генерация изображений, распознавание речи, синтез речи и понимание видео — и какие API выбирать.

ИИ для кода

  1. 27Программирование с ИИ: новые инструментыClaude Code, Cursor, Windsurf, Codex, Gemini, Replit и opencode. Чем агентные инструменты для кода отличаются от автодополнения и как выбрать один из них.
  2. 28Работа с агентами для кодаКак добиваться хороших результатов от агентов для кода: файлы контекста, небольшие задачи, просмотр диффов, тесты как ограждение и случаи, когда работу лучше вовсе не поручать.

Качество: observability и eval

  1. 29Наблюдаемость LLMПочему функциям ИИ нужен мониторинг сверх обычных логов: трассировка каждого запроса — промпт, модель, инструменты, токены, стоимость, задержка, — а также мониторинг в реальной эксплуатации и инструменты для этого.
  2. 30Оценка качества LLMПочему «вроде всё нормально» — это не проверка качества: детерминированные проверки, LLM в роли судьи и оценка людьми, плюс крошечный рабочий каркас оценок, который запускается прямо в браузере.
  3. 31Регрессионное тестирование промптовПравка промпта ломает случаи, которые вы никогда не проверяли: золотые наборы данных, запуск оценок при каждом изменении промпта или модели и CI-шлюз, который не пропускает плохие релизы.

Fine-tuning

  1. 32Fine-tuning: когда он действительно нуженЧто такое fine-tuning по сути, почему он нужен позже, чем принято думать, как он соотносится с промптингом и RAG, сколько стоит и какие более дешёвые варианты стоит попробовать раньше.

Не отставать

  1. 33Как оставаться в форме: рутина вместо гонкиКак оставаться в курсе событий в ИИ и не выгореть: за какими источниками следить, зачем показывать свою работу публично, почему эксперименты полезнее курсов и какой настрой нужен в самую быструю эпоху в технологиях. Заключительный урок курса.