КУРС ОБУЧЕНИЯ ❮ AGENTIC AI ENGINEER ❯

❮ ЭТАП 1 ❯

ТРЕБОВАНИЯ ПРИ ШТАТНОМ ПОСТУПЛЕНИИ (С НУЛЯ)

Компьютерная грамотность:

• Понимание файловой системы (абсолютные и относительные пути, расширения файлов, права доступа).
• Умение работать в терминале (Bash / PowerShell / командная строка): навигация (cd, ls/dir), создание файлов и папок.
• Установленный редактор кода (рекомендуется VS Code или PyCharm).

Алгоритмическое мышление:

• Понимание базовой логики: «если …, то … иначе», циклы, условия, логические операции (AND, OR, NOT).
• Способность декомпозировать бытовую или бизнес-задачу на последовательные шаги.

Ресурс времени:

• Готовность выделять от 6 до 12 часов в неделю на самостоятельную практику.

❮ ЭТАП 2 ❯

ТЕОРЕТИЧЕСКИЙ МИНИМУМ (HARD SKILLS)

Синтаксис Python 3.10+:

• Типы данных: примитивы (int, float, str, bool), коллекции (list, dict, set, tuple).
• Операции со срезами, распаковка (*, **), генераторы списков и словарей (comprehensions).
• Функции: аргументы по умолчанию, именованные аргументы, позиционные аргументы, *args, **kwargs, области видимости (LEGB).
• Управление ошибками: блоки try, except, else, finally, иерархия исключений, возбуждение ошибок через raise.

Формат данных JSON:

• Отличие строки JSON от словаря Python.
• Сериализация и десериализация (json.loads, json.dumps, чтение и запись через json.load, json.dump).
• Уверенная работа с глубоко вложенными структурами (списки словарей со словарями).

Сетевой протокол HTTP:

• Клиент-серверная архитектура, структура HTTP-запроса и HTTP-ответа.
• Методы: GET, POST, PUT, PATCH, DELETE.
• Статусы ответов: 2xx (успех), 3xx (редирект), 4xx (клиентская ошибка: 400, 401, 403, 404, 422), 5xx (ошибка сервера: 500, 502, 503).
• Заголовки (Headers): назначение Content-Type, Authorization, Accept.
• Передача параметров: Query Params, Path Params, Request Body.

Алгоритмизация и блок-схемы:

• Умение визуализировать логику в нотациях блок-схем (Draw.io, Miro или Mermaid).

Практический минимум:

• Умение создавать и активировать виртуальное окружение (venv / poetry / uv).
• Опыт отправки HTTP-запросов из Python через библиотеки httpx или requests с обработкой таймаутов (httpx.TimeoutException) и статус-кодов.
• Базовый опыт работы с Git: git init, git add, git commit, git push, работа с репозиторием на GitHub.

❮ ЭТАП 3 ❯

ТЕОРЕТИЧЕСКИЙ МИНИМУМ (HARD SKILLS)

• Все требования Этапа 2 в полном объеме.

FastAPI и асинхронный Python:

• Принцип работы Event Loop в Python (asyncio), ключевые слова async / await.
• Понимание, почему блокирующие операции (time.sleep, синхронный I/O) «вешают» весь сервер.
• Построение API на FastAPI: роуты, инъекция зависимостей (Depends), управление жизненным циклом (lifespan events), генерация ошибок HTTPException.

Pydantic v2:

• Создание схем BaseModel, строгая типизация полей, валидаторы @field_validator, конфигурация моделей (model_config).
• Понимание различий между валидацией входящих данных (Request DTO) и фильтрацией исходящих данных (Response DTO).

Реляционные базы данных и SQL:

• Проектирование реляционных схем (1:1, 1:N, N:M), первичные и внешние ключи (Primary Key, Foreign Key), уникальные индексы.
• Написание «сырых» SQL-запросов с использованием SELECT, INSERT, UPDATE, DELETE, JOIN (INNER, LEFT), группировки (GROUP BY, HAVING) и агрегатных функций.
• Понимание транзакций и уровней изоляции (BEGIN, COMMIT, ROLLBACK).

ORM (SQLAlchemy 2.0):

• Декларативное описание моделей (Mapped, mapped_column).
• Использование асинхронного движка AsyncSession и конструктора select().

Контейнеризация Docker:

• Понимание разницы между образом (Image) и контейнером (Container).
• Написание Dockerfile: базовые образы (python:3.12-slim), кеширование слоев (pip install до копирования кода), команды WORKDIR, COPY, RUN, CMD, EXPOSE.
• Базовое использование Docker Compose для связки сервиса с PostgreSQL.

Практический минимум:

• Опыт развертывания веб-сервисов в локальном окружении Docker.
• Наличие работающего Docker Desktop / Docker Engine на рабочей машине.

❮ ЭТАП 4 ❯

ТЕОРЕТИЧЕСКИЙ МИНИМУМ (HARD SKILLS)

• Все требования Этапов 2 и 3 в полном объеме.

Очереди задач и брокеры:

• Архитектура Producer-Broker-Consumer: зачем нужны очереди сообщений (Redis, RabbitMQ).
• Celery (или TaskIQ): таски, воркеры, сохранение состояния задачи, результаты (AsyncResult).
• Понимание архитектурного принципа «быстрый ответ клиенту (202 Accepted) → фоновая тяжелая обработка».

Отказоустойчивость (Resilience):

• Паттерн повторных попыток (Retry): экспоненциальный бэкофф (Exponential Backoff), джиттер (Jitter), таймауты запросов.
• Опыт применения библиотеки tenacity для оборачивания нестабильных I/O операций.

Браузерная автоматизация:

• Принципы работы headless-браузеров (Playwright / Puppeteer / Selenium).
• Селекторы (CSS, XPath, Text), концепция явных и неявных ожиданий (wait_for_selector), перехват сетевых запросов или событий скачивания файлов.

Базовые концепции LLM:

• Понимание работы моделей через API (OpenAI, Anthropic, Open-source модели через Ollama/vLLM).
• Понятие токенов, контекстного окна, системных промптов (System Instructions) и температуры (temperature).

Практический минимум:

• Опыт конфигурирования связки FastAPI + Redis + Celery + PostgreSQL.

❮ ЭТАП 5 ❯

ТЕОРЕТИЧЕСКИЙ МИНИМУМ (HARD SKILLS)

• Все требования Этапов 2, 3 и 4 в полном объеме.

Структурированный вывод LLM (Structured Outputs):

• Tool Calling / Function Calling: как модель формирует вызовы функций и аргументы.
• JSON Mode и принудительное извлечение валидируемых схем через Pydantic (библиотека Instructor или нативные client.beta.chat.completions.parse).
• Обработка ошибок валидации структуры ответа модели (самоисправление промпта при сбое Pydantic).

Векторные базы данных и эмбеддинги:

• Что такое векторные представления (Embeddings), как работает косинусное сходство и скалярное произведение.
• Работа с расширением pgvector в PostgreSQL: тип VECTOR(1536), индексы HNSW и IVFFlat, операторы расстояния (<->, <=>).

RAG-архитектура (Retrieval-Augmented Generation):

• Пайплайн RAG: чанкинг текста (стратегии нарезки, размер чанка, перекрытие/overlap), индексация, векторный поиск Top-K, формирование дополненного контекста, генерация ответа с цитированием первоисточника.
• Борьба с галлюцинациями, промпт-инжиниринг для строгого ограничения модели («отвечай строго по контексту, если ответа нет — скажи: «данных нет»»).

Графы и конечные автоматы:

• Базовое понимание теории графов: вершины (Nodes), направленные ребра (Edges), состояния (State), условия переходов.

Практический минимум:

• Опыт реализации как минимум одного работающего RAG-сервиса с использованием векторной БД (pgvector, Chroma, Qdrant, Pinecone и т.д.).
• Опыт декларации инструментов (Tools) для LLM и работы с асинхронными клиентами OpenAI/Anthropic.