58 глав · 10 частей · 2 сквозных трека
Часть 1
Сначала разбираемся, что входит в LLM-интеграцию, где модель уместна, как считать токены и почему ответ модели ещё не доказывает, что фича работает.
Часть 2
Свободный текст убивает backend. Эта часть переводит ответ модели в схему, валидацию, repair loop и API-слой, который переживает почти правильный JSON.
Часть 3
Один большой промпт не пайплайн. Часть разбирает шаги, очереди Celery и Redis, идемпотентность и роли router/evaluator без театра.
Часть 4
Контекст дефицитен. Часть снимает магию с retrieval, chunking, pgvector и прав доступа, чтобы не построить дорогую поисковую помойку.
Часть 5
Как выглядит LLM-сервис на FastAPI, где полезна абстракция провайдера, как переживать лимиты и как не отдавать PII. Django вынесен отдельной картой переноса.
Часть 6
Рабочий агент проходит цикл observe-decide-act-verify, действует с ограниченными правами и имеет заданный blast radius. Чат с ролью сотрудника этого не заменяет.
Часть 7
Ручная проверка промпта пропускает регрессии. Их ловят golden set, калибровка судьи и тесты; ущерб от галлюцинаций и injection ограничивает код.
Часть 8
Стоимость считают до запуска. Бюджет живёт в коде. Маленькая модель идёт первой. Unit economics AI-фичи не строится на самообмане.
Часть 9
Разбираем поддержку, извлечение документов, copilot в админке, back-office агента и контентный pipeline. В каждом кейсе прототип приходится доводить до сервиса.
Часть 10
Число агентов ничего не говорит о зрелости. Рабочая система оставляет след, ограничивает ущерб и проходит проверку на собственном workload. Финальный checklist нужен до инцидента.