Полный учебный курс

AI Engineer

От основ программирования до production AI-систем

Пошаговая карта навыков для инженера, который строит практические продукты на базе готовых моделей, RAG, агентов, evaluation и production-инфраструктуры.

Не просто пройдите материалы, а соберите портфолио production-ready артефактов: надёжный API client, evidence-first RAG, governed agent, evaluation gate и финальную AI-систему с runtime controls.

0%0/33 уроков

Прогресс сохраняется локально в вашем браузере.

6–12 месяцев6 модулей33 уроков4 assessment

Система работы с курсом

Как проходить курс, чтобы остался проверяемый результат

1. Разобрать концепт

Прочитайте основной материал и сформулируйте своими словами: что он решает, где ломается и какие компромиссы создаёт.

2. Воспроизвести руками

Не переходите дальше после одного чтения. Соберите минимальный working artifact: код, схему, eval set, policy или observable workflow.

3. Сломать собственное решение

Добавьте хотя бы один failure case: timeout, stale context, prompt injection, invalid schema, wrong tool call или превышение budget.

4. Зафиксировать evidence

Сохраните test output, screenshot или trace, acceptance result или короткий postmortem. Курс оценивает доказательство работоспособности, а не число открытых страниц.

Правила курса

Не просто прочитал — а доказал

Не считайте урок завершённым только после чтения — нужен artifact или evidence.
Если prerequisite слабый, вернитесь назад: курс построен как dependency graph, а не playlist.
Не оптимизируйте cost до появления quality baseline и не масштабируйте autonomy до появления evaluation и controls.
Каждый project или milestone завершайте коротким postmortem: что сломалось, что изменили и какой сигнал теперь контролируете.

Модуль 1

Инженерные основы

База, без которой AI-продукты быстро превращаются в хрупкие демо.

РезультатНадёжный Python/API-проект с типизацией, тестами и контролируемой обработкой ошибок.

Python для production
Основной
Типизация, virtual environments, packaging, async, logging и testing.
Материал →
Typing и контракты данных
Основной
Типы, dataclasses, Pydantic и валидация схем.
Материал →
Async и API-клиенты
Основной
Concurrency, timeouts, retries и rate limits.
Материал →
Паттерны надёжности
Рекомендуемый
Idempotency, backoff, circuit breakers и observability.
Материал →
HTTP, API и основы backend
Основной
REST, streaming, authentication, очереди и background jobs.
Предпосылки: Python для production
Материал →
Проект: устойчивый AI API client
Проектpractice + assessment
Клиент со structured outputs, retries, timeout, tracing и tests.
Предпосылки: Python для production, HTTP, API и основы backend
Материал →Практикум →Assessment →

Checkpoint после модуля

Engineering baseline

✓ API client проходит tests
✓ есть retries, timeouts и idempotency
✓ ошибки имеют контролируемые типы и logs

Модуль 2

Ядро LLM engineering

Как модели работают в прикладной системе и как управлять их поведением.

РезультатКонтролируемый LLM workflow со structured outputs, context management и model routing.

LLM, токены, контекст и inference
Основной
Основы transformer, tokenization, context windows, latency и cost.
Материал →Ресурс →
Prompt и context engineering
Основной
System instructions, примеры, constraints, context packing и failure modes.
Предпосылки: LLM, токены, контекст и inference
Материал →
Structured outputs и tool calling
Основной
JSON Schema, validation, function contracts и безопасное выполнение tools.
Предпосылки: Prompt и context engineering
Материал →Ресурс →
Выбор моделей и routing
Рекомендуемый
Quality, cost, latency, fallback и multi-model strategy.
Предпосылки: LLM, токены, контекст и inference
Материал →

Checkpoint после модуля

Controlled LLM workflow

✓ structured output валидируется schema
✓ tool contracts имеют boundaries
✓ есть model/fallback decision

Модуль 3

RAG и системы знаний

Построение систем, которые отвечают на основе собственных данных и проверяемых доказательств.

РезультатProduction-ready RAG с citations, evaluation, freshness и access control.

Embeddings и semantic search
Основной
Векторные представления, similarity и indexing.
Материал →
Ingestion и chunking
Основной
Parsing, metadata, стратегии chunking и качество документов.
Предпосылки: Embeddings и semantic search
Материал →
Retrieval, hybrid search и reranking
Основной
Query rewriting, multi-query, filters и rerankers.
Предпосылки: Ingestion и chunking
Материал →
Citations, freshness, ACL и observability
Основной
Evidence, versioned facts, permissions, traces и evals.
Предпосылки: Retrieval, hybrid search и reranking
Материал →
Проект: knowledge assistant с приоритетом доказательств
Проектpractice + assessment
Ассистент с citations, ACL, regression evals и freshness policy.
Предпосылки: Citations, freshness, ACL и observability
Материал →Практикум →Assessment →

Checkpoint после модуля

Evidence-first knowledge system

✓ ответы имеют citations
✓ ACL/freshness проверяются
✓ есть retrieval regression cases

Модуль 4

Агенты и экосистемы tools

Управляемые многошаговые системы с tools, state и human oversight.

РезультатАгент с explicit state, границами permissions, audit log и evaluation.

Agent loop и planning
Основной
Goal, plan, action, observation и stop conditions.
Материал →
State и memory
Основной
Working state, history, durable knowledge и context limits.
Предпосылки: Agent loop и planning
Материал →
State machines, handoffs и multi-agent
Рекомендуемый
Deterministic control flow, delegation и coordination.
Предпосылки: State и memory
Материал →
MCP servers, clients и authorization
Основной
Стандартизированная интеграция tools/data и безопасные contracts.
Предпосылки: Agent loop и planning
Материал →
Проект: governed operations agent
Проектpractice + assessment
Агент с approvals, лимитами cost/time, tools, audit log и rollback.
Предпосылки: State machines, handoffs и multi-agent, MCP servers, clients и authorization
Материал →Практикум →Assessment →

Checkpoint после модуля

Governed agent

✓ state и stop conditions explicit
✓ high-impact action имеет approval boundary
✓ tool actions имеют audit trail

Модуль 5

Evaluation, безопасность и качество

Систематическая проверка качества, безопасности и регрессий.

РезультатEvaluation pipeline, который блокирует опасные или слабые релизы.

Evaluation datasets и test cases
Основной
Representative cases, golden sets и production feedback.
Материал →
Metrics и model graders
Основной
Deterministic checks, LLM judges, calibration и bias.
Предпосылки: Evaluation datasets и test cases
Материал →
Prompt injection, guardrails и red teaming
Основной
Threat models, tool isolation, data leakage и adversarial tests.
Материал →
Regression и release gates
Контрольная точкаpractice + assessment
Thresholds, baselines, CI integration и rollback criteria.
Предпосылки: Metrics и model graders, Prompt injection, guardrails и red teaming
Материал →Практикум →Assessment →

Checkpoint после модуля

Release quality gate

✓ есть representative eval dataset
✓ определены quality thresholds
✓ опасная regression блокирует release

Модуль 6

Production AI-системы и runtime-эксплуатация

Развертывание, serving, observability, runtime evidence, контроль изменений model/provider, стоимость, надежность и incident response.

РезультатAI-система с SLO, прослеживаемой runtime truth, управляемыми изменениями model/provider, откатом к known-good конфигурации и проверенной экономикой.

Serving, streaming и batching
Основной
Managed APIs, self-hosting, vLLM, очереди, backpressure, квоты и ограничения capacity.
Материал →
Tracing, SLO и production monitoring
Основной
End-to-end traces через вызовы model/retrieval/tools, а также latency, cost, quality, errors, drift и alerts.
Предпосылки: Serving, streaming и batching
Материал →Ресурс →
Runtime evidence и предотвращение false-green
Основной
Фиксация fingerprint развернутых commit/config, authoritative postconditions, production verification и раздельной истины для CI, deploy и indexing.
Предпосылки: Tracing, SLO и production monitoring
Материал →Ресурс →
Контроль изменений model, prompt, retrieval и provider
Основной
Версионированный release envelope для model revision, prompt, retrieval/index, tools, policy и provider; replay, canary, holdback и rollback как единый change contract.
Предпосылки: Runtime evidence и предотвращение false-green, Regression и release gates
Материал →Ресурс →
Бюджеты capacity, cost и routing
Рекомендуемый
Concurrency, rate limits, бюджеты tokens/tools, стоимость успешно проверенной задачи и экономика fallback между моделями или providers.
Предпосылки: Serving, streaming и batching
Материал →Ресурс →
Privacy, secrets и governance
Основной
PII, data policies, supply chain, sandboxing, policy engines и доступ tools по принципу минимально необходимых полномочий.
Материал →Ресурс →
Failure injection, failover и reconciliation
Рекомендуемый
Тесты 429/5xx, timeout, отказа provider, частичных side effects и duplicate delivery; сначала reconciliation, затем retry; fallback проверяется до реального инцидента.
Предпосылки: Runtime evidence и предотвращение false-green, Контроль изменений model, prompt, retrieval и provider
Материал →Ресурс →
Incident response и rollback
Рекомендуемый
Runbooks, scoped kill switches, fallback model/provider, восстановление до known-good конфигурации и postmortem → постоянный regression test.
Предпосылки: Failure injection, failover и reconciliation
Материал →Ресурс →
Capstone: production AI system
Контрольная точка
End-to-end система с contracts, RAG/agents, evals, versioned release envelope, deployment gates, runtime evidence, failure drills и verified recovery.
Предпосылки: Incident response и rollback, Privacy, secrets и governance, Бюджеты capacity, cost и routing
Материал →Ресурс →

Checkpoint после модуля

Production readiness

✓ есть SLO/monitoring
✓ rollback или kill switch проверен
✓ cost и failure modes измеряются

Capstone contract

Capstone: production AI system

Соберите end-to-end систему, где LLM — лишь компонент. Она должна получать реальный input, работать с knowledge/tools, проходить evals, иметь observability и предсказуемо вести себя при ошибках.

Что сдать

— архитектурная схема и короткий ADR с ключевыми trade-offs
— репозиторий или executable prototype с README и setup
— evaluation dataset + baseline/regression results
— observability evidence: traces, latency, errors и cost
— security/authority model для data и tool actions
— runbook: failure, rollback, kill switch и recovery

Когда это можно считать готовым

✓ happy path проходит от input до проверенного output
✓ минимум три failure scenarios воспроизводятся и обрабатываются предсказуемо
✓ критическое действие не выполняется вне заданной authority boundary
✓ релиз можно остановить или откатить без ручного хаоса
✓ результат можно объяснить другому инженеру через evidence, а не через «вроде работает»

Финальная практика и assessment

Курс завершается практическим артефактом и рубрикой приёмки. Результат считается готовым после прохождения acceptance criteria, а не только после чтения материалов.

Проект: устойчивый AI API client →Проект: knowledge assistant с приоритетом доказательств →Проект: governed operations agent →Regression и release gates →Открыть roadmap →

Как проходить курс, чтобы остался проверяемый результат

1. Разобрать концепт

2. Воспроизвести руками

3. Сломать собственное решение

4. Зафиксировать evidence

Не просто прочитал — а доказал

Инженерные основы

Python для production

Typing и контракты данных

Async и API-клиенты

Паттерны надёжности

HTTP, API и основы backend

Проект: устойчивый AI API client

Engineering baseline

Ядро LLM engineering

LLM, токены, контекст и inference

Prompt и context engineering

Structured outputs и tool calling

Выбор моделей и routing

Controlled LLM workflow

RAG и системы знаний

Embeddings и semantic search

Ingestion и chunking

Retrieval, hybrid search и reranking

Citations, freshness, ACL и observability

Проект: knowledge assistant с приоритетом доказательств

Evidence-first knowledge system

Агенты и экосистемы tools

Agent loop и planning

State и memory

State machines, handoffs и multi-agent

MCP servers, clients и authorization

Проект: governed operations agent

Governed agent

Evaluation, безопасность и качество

Evaluation datasets и test cases

Metrics и model graders

Prompt injection, guardrails и red teaming

Regression и release gates

Release quality gate

Production AI-системы и runtime-эксплуатация

Serving, streaming и batching

Tracing, SLO и production monitoring

Runtime evidence и предотвращение false-green

Контроль изменений model, prompt, retrieval и provider

Бюджеты capacity, cost и routing

Privacy, secrets и governance

Failure injection, failover и reconciliation

Incident response и rollback

Capstone: production AI system

Production readiness

Capstone: production AI system

Что сдать

Когда это можно считать готовым

Финальная практика и assessment