Перейти к основному содержимому

Полный учебный курс

Backend Developer + AI

AI-функции в надёжных backend-системах

LLM API, RAG, tools, очереди, observability, evaluation и production architecture.

Завершите курс не демо, переживающим один успешный запрос, а production evidence pack для AI-backend: типизированными контрактами, retries и idempotency, контролируемым streaming, RAG с проверками ACL и freshness, ограниченными tool actions, evaluation gate, observability, cost budget и проверенным rollback-путём.

0%0/9 уроков

Прогресс сохраняется локально в вашем браузере.

10–16 недель3 модулей9 уроков1 assessment

Система работы с курсом

Как проходить курс, чтобы остался проверяемый результат

1. Начать с контракта

Для каждой AI-функции сначала определите input/output schema, timeout budget, retry policy, idempotency key, error taxonomy и authoritative source. Prompt без transport/application contract — ещё не backend.

2. Воспроизвести failure

Добавьте к happy path timeout, provider 429/5xx, malformed structured output, duplicate request, client cancellation и stale retrieval. Каждый failure должен завершаться предсказуемым system state.

3. Проверить side effect

Если модель предлагает tool action, application layer отдельно проверяет identity, authority, schema, preconditions и idempotency. Текст модели не является разрешением на действие.

4. Сохранить production evidence

Фиксируйте traces, latency, retries, retrieval evidence, tool decisions, cost per successful task и regression result. «У меня локально ответило» — довольно скромный observability stack.

Правила курса

Не просто прочитал — а доказал

  • HTTP 200 от model provider не означает корректный domain result — transport, schema, semantic и authority checks живут отдельно.
  • Retry без idempotency и reconciliation — генератор дублированных последствий, а не reliability pattern.
  • Не передавайте модели authority, которой нет у authenticated caller; tool schema не заменяет permission check.
  • RAG оценивайте отдельно на retrieval и answer layers: релевантный ответ из чужого ACL scope всё равно является failure.
  • После production incident минимизированный reproduction становится permanent regression case перед следующей сменой model, prompt, retrieval или tool.

Модуль 1

Общий AI Core

Базовая грамотность и контроль результата.

РезультатБезопасное и проверяемое использование AI.

  1. AI-грамотность и границы моделей

    Основной

    Возможности, hallucinations, ограничения контекста, privacy и ответственное использование.

    Материал →

  2. Prompt и context engineering

    Основной

    Инструкции, constraints, примеры и проверка результата.

    Предпосылки: AI-грамотность и границы моделей

    Материал →

  3. Structured outputs и evaluation

    Основной

    Схемы ответов, deterministic checks и test cases.

    Предпосылки: Prompt и context engineering

    Материал →Ресурс →

Checkpoint после модуля

Backend AI contract baseline

  • ✓ input/output contracts и failure taxonomy задокументированы
  • ✓ для каждого AI-ответа определён verification signal
  • ✓ privacy и authority boundaries обозначены до интеграции

Scenario transfer lab

Transfer lab: превратить AI endpoint в backend contract

Возьмите endpoint, который сегодня просто пересылает prompt модели. Разложите его на transport contract, model contract, verification, data boundary и failure states, чтобы другой backend-инженер мог реализовать клиент, не зная магического prompt.

Deliverable

API contract + sequence diagram + failure matrix с timeout, retry, malformed output, cancellation, privacy boundary и owner для каждого authoritative check.

LLM API production patterns →Structured outputs →Карта знаний →Roadmap Backend Developer + AI →
  • ✓ schema validation происходит до domain logic
  • ✓ retry разрешён только для явно определённых failure classes
  • ✓ privacy/authority boundary не делегируется prompt
  • ✓ для критических полей есть deterministic или authoritative verification signal

Модуль 2

Интеграция LLM API

Контракты, streaming и reliability.

РезультатProduction-ready AI client.

  1. Контракты LLM API

    Основной

    Typed schemas, validation, timeouts, retries и idempotency.

    Материал →

  2. Streaming и backpressure

    Основной

    Partial responses, cancellation и flow control.

    Материал →

  3. Проект: production AI API

    Проектpractice + assessment

    Structured outputs, retries, traces, tests и cost report.

    Материал →Практикум →Assessment →

Checkpoint после модуля

Resilient LLM API client

  • ✓ timeouts, retries, backoff и cancellation имеют executable tests
  • ✓ duplicate request не создаёт duplicate side effect
  • ✓ structured output валидируется до domain logic, а streaming не обходит final validation

Scenario transfer lab

Transfer lab: retries, idempotency и streaming под нагрузкой

Соберите resilient AI API client и намеренно сломайте сеть и provider path: 429, 5xx, медленный stream, disconnect после partial response и повторный request после неизвестного outcome. Докажите, что retry не множит side effects и не маскирует terminal failure.

Deliverable

Executable client + failure-injection tests + trace report с attempts, backoff, cancellation, idempotency key, final state, p95 latency и cost per successful task.

Практикум resilient AI API client →Streaming и backpressure →AI evaluation →AI² Business →
  • ✓ duplicate delivery не создаёт duplicate write или action
  • ✓ client cancellation действительно останавливает или reconciles работу
  • ✓ partial stream никогда не считается validated final output
  • ✓ latency и cost считаются на successful task с учётом retries

Модуль 3

RAG, tools и production

Knowledge, actions, quality gates и monitoring.

РезультатAI-функция с SLO, evals и rollback.

  1. Архитектура RAG-сервиса

    Основной

    Retrieval, citations, ACL и freshness.

    Материал →

  2. Tool calling и permissions

    Основной

    Typed tools, approvals и audit trail.

    Материал →

  3. Milestone: production AI feature

    Контрольная точка

    Evals, security review, monitoring и rollback.

    Материал →

Checkpoint после модуля

Governed production AI feature

  • ✓ RAG проверяет ACL, freshness и citations
  • ✓ tool action имеет explicit authority и authoritative postcondition
  • ✓ quality, latency, cost и safety gates могут остановить rollout, а rollback проверен

Scenario transfer lab

Transfer lab: RAG + tool action с production gate

Постройте backend-flow, где retrieval формирует evidence pack, модель предлагает bounded tool action, а application layer проверяет permission и final state. Затем измените retrieval или model configuration и прогоните regression перед canary.

Deliverable

End-to-end trace: identity → query → ACL/filter → ranked evidence → structured decision → tool preconditions → action → authoritative postcondition → eval result → release decision.

RAG reference →Tool calling contracts →Production evaluation →AI incident response →
  • ✓ retrieval не возвращает запрещённый ACL scope, а stale evidence имеет explicit policy
  • ✓ model output не выполняет tool без application-side authority check
  • ✓ side effect подтверждён authoritative postcondition или переводится в reconcile state
  • ✓ critical regression блокирует rollout независимо от того, насколько красиво выглядит демо

Capstone contract

Capstone: governed AI backend service

Соберите одну production-style AI-функцию как backend service: API contract, provider/model stage, retrieval или tools, deterministic controls, evaluation, observability и rollback. Цель — доказать управляемое поведение системы при failure, а не получить ещё один чат с тёмной темой.

Что сдать

  • — OpenAPI/typed API contract, domain schemas, error taxonomy и timeout/retry/idempotency policy
  • — architecture + sequence diagram с identity, data, model, retrieval/tool и authoritative-system boundaries
  • — executable failure-injection suite: 429/5xx, timeout, cancellation, malformed output, duplicate delivery, stale retrieval и partial side effect
  • — RAG/tool evidence: ACL/freshness/citations или permission/precondition/postcondition traces
  • — evaluation dataset + regression report с quality, safety и domain-correctness thresholds
  • — observability pack: latency, errors, retries, token/provider cost, cost per successful task и sampled traces
  • — staged rollout + canary/rollback/kill criteria + incident-to-regression runbook

Когда это можно считать готовым

  • ✓ API возвращает validated domain result или controlled typed failure, а не «почти JSON»
  • ✓ retry, idempotency и reconciliation не допускают скрытого duplicate side effect
  • ✓ RAG/tool path сохраняет identity, ACL и authority boundaries от request до final state
  • ✓ critical quality/security regression блокирует release до canary
  • ✓ SLO и budget оцениваются на successful task с учётом retries и review overhead
  • ✓ rollback/fallback восстанавливает известный working envelope и сохраняет audit evidence

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: production AI API →Открыть roadmap →