[Stepik] LangChain: создание ИИ агентов для бизнеса на Python (Никита Шультайс)

​

Курс по созданию AI-агентов на Python с помощью фреймворка LangChain.
С нуля погружаемся в программирование Искусственного Интеллекта через локальные агенты на LangChain.
Решаем реальные бизнес задачи, создаем инструменты, формируем цепочки, разбираемся с RAG и учимся создавать автономных мульти-системных агентов.

Чему вы научитесь:

• Создавать локальные ИИ агенты без привязки к конкретным LLM
• Использовать в одном агенте несколько LLM: ChatGPT, Gemini, Яндекс GPT
• Подключать национальные и суверенные модели от Яндекса и Сбера
• Устанавливать локальные LLM-модели (Ollama, Qwen)
• Создавать надежные отказоустойчивые цепочки
• Создавать резервные цепочки и модели
• Запускать параллельные цепочки с одновременной обработкой множества запросов
• Создавать RAG-цепочки
• Грамотно обрабатывать документы и формировать чанки для векторной базы данных
• Формировать эмбеддинги
• Устанавливать и работать с векторными базами данных
• Совмещать векторный и полнотекстовый поиск
• Программировать безопасные инструменты
• Подключать инструменты к моделям и агентам
• Работать с памятью агента
• Управлять структурированным выводом агента

Что такое LangChain и зачем его используют:

• LangChain – это фреймворк для создания полностью управляемых агентов, которые можно использовать в бизнесе
• LangChain не привязан к конкретным LLM и поэтому его можно запускать в российских компаниях, подключив либо локальные модели, либо через модели Яндекса и Сбера (в курсе мы разберем как подключаться к суверенным и национальным сервисам)
• Также LangChain позволяет подключать собственные инструменты и функции, которые вы полностью контролируете, а значит мы можете безопасно использовать агентов в prodcuction-среде
• На основе LangChain строятся RAG-цепочки, которые позволяют обогащать LLM-модели вашим данными без дорого обучения. Вы буквально можете настроить работу ИИ с вашими корпоративными документами и инструкциями на стандартном железе

Для кого этот курс:

• Python-разработчики
  Сегодня уметь создавать ИИ-агентов – это такой же навык, как и работа с SQL, написание регулярных выражений и формирование HTTP-запросов. LangChain – это удобный, надежный и простой пусть в AI-разработку
• AI/ML инженеры
  Которым нужно собирать прикладные агентные системы с доступом к инструментам, поиску, памяти и внешним API
• Backend-разработчики
  Которым требуется интегрировать LLM в продуктовые и внутренние корпоративные сервисы, а также наладить автоматизацию процессов
• Разработчики чат-ботов и ассистентов
  Которым нужны не только ответы на вопросы, но и выполнение действий: поиск, вызов API, работа с документами и многошаговые сценарии
• Data engineers и аналитики
  Если требуется агент для поиска по данным, извлечения инсайтов, генерации SQL-запросов и работы с источниками знаний
• Специалисты по автоматизации бизнеса
  Которые хотят собирать агенты для поддержки, обработки заявок, рутины и внутренних операций
• Продуктовые команды
  Которым важно быстро прототипировать AI-фичи и проверять гипотезы вокруг интеллектуальной автоматизации
• Разработчики RAG-систем
  Так как LangChain-агенты часто используются поверх retrieval-слоя для выбора источников и маршрутизации запросов

Начальные требования:

1. Уверенное владение Python: включая основы ООП и функционального программирования
2. Работа с Git и GitHub для сдачи домашнего задания (проектов)

Как проходит обучение:

Теория:

• Большая часть курса – это короткие видео-уроки, в которых мы шаг за шагом осваиваем работу с LangChain.
• По необходимости мы добавляем схемы и сопроводительные материалы.

Практика (5 проектов в портфолио):

1. Решение тестовых заданий на понимание материалов
2. Разработка мини-проектов:
   1. Игра с LLM
   2. Инструменты для работы с файлами или базой данных
   3. RAG-сервис поиска по информации
   4. Цепочка для генерации сложных многоступенчатых ответов
   5. Выпускной агент

Что вы получаете:

• Современный навык, который необходим каждому разработчику
• 5 проектов в портфолио
• Доступ к GitHub-репозиторию с кодом

Программа:

1. Введение в LLM-агенты:

1. LLM: возможности и ограничения
2. LangChain и LangGraph

2. Введение в LangChain:

1. Установка и настройка LangChain
2. Первый вызов LLM модели
3. Шаблоны промптов
4. Структурированные ответы от LLM
5. Подключение Gemini
6. История чата
7. Проект: игра в города

3. Российские LLM-модели:

1. LLM модели Яндекса
2. LLM модели Сбера

4. Цепочки и Runnable-архитектура:

1. Знакомство с проектом
2. Промпт, модель и парсер
3. Первая цепочка
4. Погружение в Runnable-архитектуру
5. Соединение цепочек
6. Массовый вызов
7. Колбэки
8. Резервные цепочки
9. Аварийная цепочка
10. Резервные модели
11. Fake-модель
12. Аварийный ответ
13. Повторы шагов
14. Порядок fallback и retry
15. Вложенность цепочек и Runnable
16. Распараллеливание через RunnableParallel
17. Passtrough и проброс данных

5. Инструменты:

1. Введение в инструменты
2. Создание и ручной вызов инструмента
3. Встроенные парсеры
4. Ответ модели после вызова инструмента
5. Документация
6. Обработка исключений в инструментах
7. Множественные вызовы
8. Выбор из нескольких инструментов
9. Схема аргументов
10. StructuredTool
11. BaseTool
12. Проблема вызова нескольких инструментов

6. RAG:

1. Введение в RAG
2. Внешние загрузчики
3. Внешние загрузчки: практика
4. Искусство нарезки текстов, часть 1
5. Искусство нарезки текстов, часть 2
6. Установка векторной базы данных
7. Установка embedding-моделей
8. Простейший embedding
9. Embedding всей базы данных
10. Поиск по векторному хранилищу
11. Сборка цепочки
12. Архитектура индексации
13. Архитектура RAG
14. Параметры ретривера
15. Ретривер с фильтром
16. Мульти запросы
17. Ответы с источниками
18. Вектора и точные совпадения
19. Вектора и полнотекстовый поиск
20. Полнотекстовый ретривер
21. Оформление инструмента

7. Агенты в LangChain:

1. Введение в агенты
2. Создание первого агента
3. Прямой возврат от инструмента
4. Структурированный вывод
5. Введение в Middleware
6. Первый Middleware
7. Работа с персональными данными
8. Контекст времени выполнения
9. Собственный Middleware
10. Состояния агента
11. Изменение сообщений
12. Возобновление работы агента

Автор Никита Шультайс

• Ведущий преподаватель Shultais Education
• Профессиональный web-программист с опытом работы более 10 лет
• Автор статей в журнале Linux Format, участник олимпиад
• Компания Shultais Education основана в 2015 году профессиональным разработчиком и преподавателем Никитой Шультайсом
• Победитель международного образовательного конкурса Edcrunch Award
• Награда за вклад в развитие платформы Stepik 2025