Курс Розробка RAG-агентів

На курсі ви навчитеся будувати RAG-системи та knowledge-based чат-боти на власних даних із контрольованою логікою відповіді. Зрозумієте обмеження prompt-only підходу та опaнуєте ключові компоненти: підготовку даних, embeddings, retrieval і agentic flow. У результаті зможете працювати з документами та масштабувати рішення до production-ready рівня.

Програма курсу

Вступ до LLM та обмежень Prompt-only

• Розумітимете, як працюють сучасні LLM, знатимете, що таке токени, контекст і prompt
• Зможете відрізняти памʼять моделі від прикладної памʼяті
• Розберетеся в обмеженнях prompt-only підходу
• Дізнаєтеся, коли потрібен RAG, а не лише prompt engineering

Основи RAG-архітектури

• Розумітимете структуру RAG-системи та її ключові компоненти
• Зможете пояснити, як працює retrieval pipeline
• Знатимете роль embeddings та vector storage

Підготовка даних для RAG

• Навчитеся готувати тексти й документи для індексації
• Зможете застосовувати chunking, overlap і metadata й сформуєте knowledge base
• Розумітимете, як якість даних впливає на retrieval

Embeddings i Vector Search

• Розумітимете, як працюють embeddings і semantic search
• Зможете працювати з vector DB (FAISS, Chroma, Qdrant, pgvector)
• Відрізнятимете keyword, semantic і hybrid search
• Зможете обирати retrieval strategy під задачу

Оптимізація Retrieval

• Навчитеся покращувати якість пошуку
• Зможете застосовувати reranking, query rewriting та filtering і знаходити вузькі місця в системі
• Розумітимете причини retrieval failures

Prompt Engineering i Context Management

• Навчитеся будувати промпти для RAG та агентів
• Зможете керувати контекстом, уникати шуму та покращувати якість відповіді через prompt design
• Опануєте grounded prompting

Вступ до AI-агентів

• Розумітимете, що таке AI-агент і як він відрізняється від RAG
• Знатимете типи agent architectures і зможете обирати структуру під задачу
• Опануєте базові концепції tool calling та orchestration

Інтеграція Tools i джерел даних

• Навчитеся підключати API, бази даних і файли
• Зможете працювати з SQL/NoSQL в AI-системах
• Розумітимете роль MCP та integration layer

Agent Workflows та Orchestration

• Розумітимете, як працює agent loop
• Опануєте state, memory та handoffs
• Зможете будувати багатокрокові сценарії та керувати логікою виконання

Frameworks для RAG та Agentic-систем

• Розумітимете різницю між LangChain, LangGraph, CrewAI, smolagents
• Зможете обирати framework під задачу
• Оцінюватимете компроміси між контролем і швидкістю розробки
• Зможете ухвалювати production-minded рішення

Vendor Approaches в Agentic AI

• Розберетеся з підходами OpenAI, Microsoft, Google, Anthropic та зможете обирати стек під конкретний кейс
• Оцінюватимете vendor ecosystems і будуватимете архітектуру під продукт

Безпека та Guardrails

• Розумітимете ризики RAG та agentic-систем
• Знатимете, що таке prompt injection і filtering
• Навчитеся захищати AI-системи та застосовувати guardrails

Evaluation та Observability

• Навчитесь оцінювати якість AI-систем
• Орієнтуватиметеся в метриках: accuracy, groundedness, latency
• Зможете будувати evaluation pipeline
• Опануєте підходи до observability

Бізнес-кейси та архітектура

• Розберете реальні use cases AI-рішень
• Зможете адаптувати архітектуру під власні бізнес-задачі
• Оберете власний проєкт і структуру рішення
• Підготуєте систему до запуску

Захист курсових проєктів

• Презентуєте фінальний проєкт
• Поставите запитання колегам
• Отримаєте фідбек від лектора

Для навчання на курсі необхідно:

• Впевнені знання Python і побудови API
• Мінімальний досвід з prompt engineering

Особливості курсу

• Допомога ментора
• Практика
• Курсовий проєкт
• Проєкт в портфоліо
• Сертифікат про проходження курсу

Викладачі курсу

Ганна Ястребова - Senior AI/ML Engineer у NEWWORK Software Inc