Собирайте AI‑агентов, RAG и автоматизации — без кода, в визуальном конструкторе

• Скаляры, векторы, матрицы, тензоры
• Линейная регрессия, деревья решений, бустинг
• Multi-layer perceptron, свёрточные нейросети
• Трансформер: attention is all you need

• Как работают LLM: токенайзер, эмбеддинги, генерация токенов
• Параметры: температура, top-k, top-p, max_tokens
• Открытые vs закрытые модели, бенчмарки
• Как выбрать модель и посчитать стоимость

• Анатомия промпта: роль, контекст, задача, формат, ограничения
• Техники: zero-shot, few-shot, Chain-of-Thought, AUTOMAT(E)
• Structured output: JSON-схема, валидация
• Prompt injection: атаки и защита

• Реляционные БД: SQL, DDL, SELECT/JOIN/UPDATE
• Векторные БД: Qdrant, pgvector, Elasticsearch
• Как поднять свою базу на VPS
• Когда что использовать

• Зачем RAG: когда промптов недостаточно
• Чанкирование: фиксированное, по структуре, семантическое
• Векторный, полнотекстовый и гибридный поиск
• Реранкинг и формулировка запросов
• Оценка качества: golden dataset, LLM-as-judge

• Tools и function calls: как агент использует инструменты
• ReAct: Think → Act → Observe → Answer
• Model Context Protocol (MCP) — подключение внешних сервисов
• Мультиагентные системы: оркестратор + специалисты
• Agentic RAG: агент решает, когда и как искать
• Память: краткосрочная и долгосрочная

• Что такое REST API, как формировать запросы
• Headers, body, binary data
• Docker: основы контейнеризации
• Деплой сервисов на VPS

• Интерфейс n8n: ноды, соединения, выполнение
• Сообщение в чат и первая AI-цепочка
• Исследование моделей и параметров

• Форматы данных: JSON, binary, массивы
• Блоки: Limit, Aggregate, Merge, Split Out
• Тестирование цепочек через Edit Fields

• Переменные, словари, массивы и их методы
• Функции, циклы, reduce/filter/map
• Как одна строка кода заменяет 5 нод

• PostgreSQL, Qdrant, Google Sheets — когда что
• Поднимаем БД на VPS
• Сохраняем чанки в Qdrant, данные в PostgreSQL

• Делим текст на чанки, векторизуем, сохраняем
• Собираем RAG из ретривера и генератора
• Тестируем на реальных вопросах

• Собираем агента руками (без блока Agent)
• Тот же агент — теперь с блоком Agent
• MCP, подключение инструментов, память

• Telegram, Wazzup, AmoCRM, Bitrix
• HTTP Request и Webhook блоки
• Интеграция агента в сделку CRM

Импортируете воркфлоу с задачами, подбираете модели и параметры генерации: классификация, саммаризация, анализ тональности. Учитесь выбирать модель под задачу и бюджет.

Обрабатываете данные 14 пациентов клиники: разделяете массивы, фильтруете, считаете выручку по отделениям, генерируете Excel-отчёты. Всё без кода — только нодами n8n.

6 заданий: zero-shot vs few-shot на отзывах, Chain-of-Thought для математики, AUTOMAT(E) фреймворк, парсинг в JSON, Reflection Pattern, защита от prompt injection.

5 задач: от простых (расчёт BMI, нормализация телефонов) до сложных (парсинг транскриптов звонков, определение ролей в диалоге, подбор канала связи).

SQL-запросы к PostgreSQL, загрузка данных в Qdrant, AI-агент с доступом к базе данных (отвечает на вопросы по заявкам и остаткам), память через Chat History.

Чатбот по корпоративной базе знаний: загрузка документов, чанкирование, RAG-пайплайн, обработка запросов, автоматическая оценка качества через n8n Evaluation.

Калькулятор импорта авто: ручной агент vs Agent-нода, инструменты (API ЦБ, MCP Playwright, каталог), агент-оркестратор + специализированные агенты, Agentic RAG.