Бесплатный курс: как построить AI-ассистент по научным статьям за 7 недель

Команда jamwithai выложила на GitHub полноценный практический курс по построению production-grade RAG (Retrieval-Augmented Generation — поиск с генерацией ответов) системы. Цель — создать исследовательского ассистента, который автоматически загружает научные статьи, понимает их содержание и отвечает на вопросы с помощью продвинутых техник RAG. Финальный результат: работающий агент с Telegram-интерфейсом и полноценным мониторингом.

Чем этот курс отличается от туториалов на YouTube

Авторы идут профессиональным путём: сначала изучают основы keyword-поиска, затем добавляют векторный поиск для гибридного retrieval — а не прыгают сразу в AI-first подходы, игнорируя поисковые основы.

«Мы строим RAG-системы так, как это делают успешные компании — сначала прочный поисковый фундамент, усиленный AI»

Это практические занятия, которые дают индустриальные best practices, которые реально используют успешные компании. Каждая неделя выходит как отдельная ветка в репозитории (week1.0, week2.0, …week7.0), что позволяет проходить курс поэтапно.

ℹ Что такое RAG?
RAG (Retrieval-Augmented Generation) — технология, при которой LLM (большая языковая модель) перед генерацией ответа ищет релевантные документы в базе знаний. Это снижает галлюцинации и позволяет работать со свежими данными без дообучения модели.

Программа по неделям

НеделяТемаКлючевые технологии
Week 1ИнфраструктураDocker, FastAPI, PostgreSQL, OpenSearch, Airflow
Week 2Пайплайн загрузки данныхarXiv API, Docling, Apache Airflow
Week 3BM25 keyword searchOpenSearch, Query DSL, relevance scoring
Week 4Chunking + Hybrid SearchВекторные эмбеддинги, RRF fusion
Week 5Полный RAG pipelineOllama (локальный LLM), Gradio UI
Week 6Мониторинг и кэшированиеLangfuse tracing, Redis
Week 7Agentic RAG + TelegramLangGraph, Telegram Bot

Архитектура системы


graph TD
    A[Пользователь / Telegram] --> B[FastAPI Gateway]
    B --> C[LangGraph Agent]
    C --> D{Router: нужен retrieval?}
    D -- Да --> E[OpenSearch Hybrid Search]
    E --> F[Document Grader]
    F -- Нерелевантно --> G[Query Rewriter]
    G --> E
    F -- Релевантно --> H[LLM Generation]
    D -- Нет --> H
    H --> I[Ответ пользователю]
    C --> J[Langfuse Monitoring]
    C --> K[Redis Cache]

Главная фишка — Agentic RAG в неделю 7

На 7-й неделе RAG-система из Week 6 превращается в интеллектуального агента, который «думает перед тем, как действовать»: валидирует запросы, оценивает релевантность документов, переписывает запросы когда нужно и адаптирует стратегию на основе результатов.

Ключевой инсайт: традиционный RAG — это фиксированный pipeline, а Agentic RAG — система принятия решений, которая оценивает качество на каждом шаге и корректирует подход, обеспечивая более качественные ответы с полной прозрачностью.

Ключевые навыки недели 7: построение state-based агентных workflow с LangGraph, реализация guardrails для валидации запросов, проектирование систем оценки документов, создание адаптивных стратегий retrieval и интеграция Telegram-ботов с RAG-системами.

💡 Почему LangGraph?
LangGraph — это stateful, cyclic граф-оркестратор. Он не просто запускает pipeline, а моделирует всю систему как направленный циклический граф с условным ветвлением, персистентными чекпоинтами и возможностью подключения human-in-the-loop.

Быстрый старт

# 1. Клонировать репозиторий
git clone https://github.com/jamwithai/arxiv-paper-curator
cd arxiv-paper-curator

# 2. Настроить окружение
cp .env.example .env

# 3. Установить зависимости
uv sync

# 4. Запустить все сервисы
docker compose up --build -d

# 5. Проверить здоровье системы
curl http://localhost:8000/api/v1/health
⚠ Требования к железу
Для запуска всего стека нужно минимум 8 GB RAM и 20 GB свободного места на диске. Потребуется Docker Desktop и Python 3.12+.

После запуска доступны несколько интерфейсов:

СервисURLНазначение
API Docshttp://localhost:8000/docsИнтерактивное тестирование API
Gradio UIhttp://localhost:7861Чат-интерфейс
Langfusehttp://localhost:3000Мониторинг pipeline
Airflowhttp://localhost:8080Управление DAG-воркфлоу
OpenSearchhttp://localhost:5601UI поискового движка

Почему это важно для индустрии

В 2024–2025 годах стало ясно, что линейные RAG-пайплайны ненадёжны: они ломаются, когда документы нерелевантны, галлюцинируют, когда ответа нет в базе, и сдаются при сложных запросах.

К 2026 году Agentic RAG стал базовым стандартом для серьёзных AI-приложений: небольшое увеличение задержки и стоимости токенов компенсируется значительным ростом надёжности.

Курс охватывает Docker-оркестрацию, гибридный retrieval через OpenSearch, FastAPI-сервисы и production-мониторинг через Langfuse — и в итоге студент разворачивает систему, которая автоматически загружает статьи, оценивает релевантность документов, интеллектуально переписывает запросы и отдаёт ответы через несколько интерфейсов.

📝 Для кого курс
Курс подойдёт ML-инженерам и backend-разработчикам, которые уже знакомы с Python и хотят освоить production-паттерны построения RAG-систем. Базовые знания Docker и FastAPI будут плюсом.

Репозиторий доступен по адресу: github.com/jamwithai/production-agentic-rag-course