Скачать Eng Agentic RAG с DeepSeek-R1: интенсивный курс - Hosni (2026)

[bart]

Agentic RAG с DeepSeek-R1: интенсивный курс​

Agentic RAG with DeepSeek-R1 Crash Course
Автор: Youssef Hosni
Язык: английский

Если вы хотите вывести свои навыки работы с LLM на новый уровень — от простого запроса к модели до полноценной агентной системы, — этот курс даст вам именно то, чего не хватает большинству туториалов: реальный рабочий проект, а не учебный пример. Вы разберётесь, почему классический RAG перестаёт справляться со сложными задачами и как агентный подход решает эту проблему структурно.

Курс построен вокруг локальной модели DeepSeek-R1, запущенной через Ollama — без подписок, без внешних API, без зависимости от чужой инфраструктуры. Вы сами настраиваете среду, сами проектируете агентов и инструменты, сами собираете workflow от первого запроса до финального ответа. Это не просмотр чужого кода — это ваша собственная система, которую вы понимаете изнутри.

Результат курса — работающее Agentic RAG-приложение, которое можно сразу адаптировать под конкретную задачу: корпоративный поиск по документам, AI-ассистент, исследовательский помощник или прототип интеллектуальной базы знаний.

Классический RAG работает линейно: вопрос — поиск документов — ответ модели. Agentic RAG идёт дальше: агент сам выбирает инструменты, уточняет задачу, управляет поиском, выполняет промежуточные шаги и решает, какие данные использовать для формирования ответа.

На курсе вы разберёте эту архитектуру на практике — от локального запуска модели до настройки агентов, задач, инструментов и итогового приложения. Особый акцент сделан на работе с DeepSeek-R1, запуске через Ollama и проектировании агентного workflow.

Чему вы научитесь:

• Понимать разницу между классическим RAG и Agentic RAG.
• Запускать DeepSeek-R1 локально с помощью Ollama.
• Настраивать окружение для разработки Agentic RAG-приложений.
• Создавать инструменты для поиска информации и выполнения внешних действий.
• Проектировать агентов с чёткими ролями и зонами ответственности.
• Определять задачи для агентов и координировать их выполнение.
• Строить сквозной агентный workflow для обработки пользовательских запросов.
• Объединять агентов, инструменты, задачи и RAG-компоненты в единую систему.
• Запускать, тестировать и дорабатывать готовое приложение.

Вы познакомитесь с ключевыми принципами Retrieval-Augmented Generation и разберёте, почему агентный подход становится важным для сложных LLM-приложений. В этом разделе объясняется, когда достаточно классического RAG, а когда лучше использовать агентов и инструменты.

Вы настроите рабочее окружение, установите необходимые зависимости и запустите DeepSeek-R1 локально. Такой подход позволяет экспериментировать с LLM-приложениями без постоянной зависимости от внешних API.

Вы реализуете инструменты, которые агент сможет использовать для поиска данных, обращения к внешним источникам и выполнения отдельных действий. Этот этап помогает понять, как LLM получает доступ к актуальной информации за пределами собственного контекста.

Вы определите роли агентов, их обязанности и логику взаимодействия. Вместо одного универсального компонента система будет состоять из специализированных участников, каждый из которых отвечает за конкретную часть процесса.

Вы объедините модель, инструменты, агентов, задачи и RAG-логику в единый рабочий процесс. На этом этапе приложение начнёт выполнять полноценный цикл: принимать запрос, искать данные, анализировать контекст и формировать ответ.

В финальной части вы запустите готовую Agentic RAG-систему, проверите её работу на практических запросах и разберёте, как улучшать качество ответов, структуру агентов и использование инструментов.

Необходимые знания:

• Базовое понимание Python и работы с зависимостями.
• Общее представление о больших языковых моделях и промптинге.
• Желательно понимать основы RAG, но ключевые отличия Agentic RAG объясняются в курсе.
• Опыт работы с Git и командной строкой будет полезен для запуска проекта.

Для кого подойдёт:

• Python-разработчикам, которые хотят создавать LLM-приложения с использованием RAG и агентов.
• ML- и AI-инженерам, изучающим практическое применение локальных языковых моделей.
• Специалистам, которые хотят разобраться, как использовать DeepSeek-R1 в реальных проектах.
• Разработчикам, интересующимся Ollama, локальными LLM, векторным поиском и агентными архитектурами.
• Тем, кто уже знаком с базовым RAG и хочет перейти к более гибким Agentic RAG-системам.

Что получите:

• Работающую Agentic RAG-систему на базе DeepSeek-R1, готовую к адаптации под ваши задачи.
• Понимание архитектуры: как взаимодействуют агенты, инструменты, задачи и механизмы поиска.
• Практический опыт локального запуска LLM через Ollama без внешних API.
• Навык проектирования специализированных агентов с чёткими ролями и workflow.
• Готовую основу для собственных решений: AI-ассистента, поиска по документам, корпоративного RAG.

Продажник:

Для просмотра вы должны войти или зарегистрироваться.

Скачать: