LangChain Enterprise: От локальной модели до агентных систем
Разворачиваем Qwen локально, строим поиск по документам с RAG, добавляем графы знаний и собираем агента на LangChain.
-
Что?Команда разворачивает локальную LLM, собирает RAG-пайплайн с векторным и текстовым поиском, строит агента с инструментами на LangChain и выводит всё в Gradio-интерфейс с мониторингом. -
Формат и длительностьдо 25 человек; 8 часов -
Для кого?ML/DS‑специалисты, junior‑и выше Python‑разработчики и аналитики, которым нужен быстрый старт с LLM.
Содержание
Блок 1. Локальная инфраструктура Разворачиваем Qwen-2.5 через Docker, сравниваем Ollama, vLLM и SGLang, гоняем бенчмарки.
Блок 2. LangChain + локальные модели Подключаем LLM через ChatOllama, строим первые цепочки на LCEL, парсим вывод в JSON через Pydantic.
Блок 3. RAG Чанкинг документов, векторный поиск на ChromaDB, полнотекстовый на BM25, гибридный через EnsembleRetriever.
Блок 4. Графы знаний Извлекаем тройки из текста с помощью LLM, строим граф в NetworkX, комбинируем с RAG для сложных запросов.
Блок 5. Агенты Tool Calling, кастомные инструменты, роутинг запросов, архитектура агента-роутера на 20+ инструментов.
Блок 6. Ограничения и отказоустойчивость Сжатие истории диалога, Sliding Window, fallback-механизмы, логирование узких мест.
Блок 7. Production Собираем UI на Gradio, добавляем callbacks для трассировки, разбираем интеграцию через REST/gRPC.
Блок 2. LangChain + локальные модели Подключаем LLM через ChatOllama, строим первые цепочки на LCEL, парсим вывод в JSON через Pydantic.
Блок 3. RAG Чанкинг документов, векторный поиск на ChromaDB, полнотекстовый на BM25, гибридный через EnsembleRetriever.
Блок 4. Графы знаний Извлекаем тройки из текста с помощью LLM, строим граф в NetworkX, комбинируем с RAG для сложных запросов.
Блок 5. Агенты Tool Calling, кастомные инструменты, роутинг запросов, архитектура агента-роутера на 20+ инструментов.
Блок 6. Ограничения и отказоустойчивость Сжатие истории диалога, Sliding Window, fallback-механизмы, логирование узких мест.
Блок 7. Production Собираем UI на Gradio, добавляем callbacks для трассировки, разбираем интеграцию через REST/gRPC.
Технологический стек
Python, Docker, Qwen-2.5, Ollama, vLLM, SGLang, LangChain, LangGraph, ChromaDB, Qdrant, Milvus, NetworkX, Pydantic, Gradio
Предварительные требования
Базовые навыки Python, установленный Docker и Git.
Эксперты
-
Дмитрий ЖечковЭксперт по AI и облачным решениям, архитектор облачных решений в Yandex Cloud, сосредоточен на разработке ПО с использованием Generative AI и агентных архитектур. -
Носов АндрейПрофильный специалист с более чем 20-летним опытом в ИТ, специализирующийся на архитектуре решений в области ИИ, LLM, RAG, NLP, системной интеграции и руководстве мультидисциплинарными командами. Практический опыт разработки 27 AI/ML решений. Эксперт в построении AI-инфраструктур и развитии продуктовых команд. -
Александр МиленкинML Team Lead | Dodo Brands
Senior Data Scientist | Red Mad Robot
Senior Data Scientist | X5 Retail Group
Стоимость
от 330 000 рублей
за команду до 25 человек
Ознакомьтесь с другими
мастер-классами
мастер-классами
Закрываем конкретный вызов: внедрить RAG‑конвейер на LangChain, мониторинг, освоить LoRA/RLHF‑тонкую настройку или добавить guardrails
Ваша команда умеет собирать AI уже завтра: технологично, практично, экономно
Напишите нам, и мы подберем решение
Напишите нам, и мы подберем решение
ОБРАЗОВАТЕЛЬНАЯ ЭКОСИСТЕМА
НАПРАВЛЕНИЯ ОБУЧЕНИЯ
СЕРВИСЫ
Через обучение - к успеху! Знания работают на вас