← AI Research DCH SchoolTRACK C · BUILDING WITH AI
Building with AI
Практический маршрут по локальным языковым моделям: от выбора модели и настройки LM Studio до Python API, RAG и MCP.
Чему вы научитесь
- Оценивать требования к GPU, VRAM, RAM и контексту.
- Выбирать модели и понимать квантование.
- Устанавливать и настраивать LM Studio.
- Подключать локальные модели через API из Python.
- Создавать локальные RAG-приложения.
- Разрабатывать MCP-серверы и подключать Web Search.
- Проверять производительность, приватность и безопасность решений.
Учебная программа
C0 · Введение в локальный AIЛокальные модели, inference, приватность и лицензии
C1 · Аппаратная платформаCPU, GPU, VRAM, RAM, CUDA и мониторинг
C2 · Архитектуры и форматы LLMПараметры, tokenizer, GGUF и quantization
C3 · LM StudioУстановка, модели, backend и локальный сервер
C4 · Управление генерациейПромпты, chat templates и параметры
C5 · Локальный сервер и APIHTTP, REST, JSON и streaming
C6 · Python для LLMИнтеграция, конфигурация, ошибки и тесты
C7 · Основы MCPHost, client, server, tools и resources
C8 · MCP на PythonСерверы, схемы, валидация и тестирование
C9 · MCP Web SearchПоиск, источники и интеграция с LLM
C10 · Локальный RAGParsing, chunking, embeddings и retrieval
C11 · Диагностика и безопасностьПроизводительность, угрозы и воспроизводимость
C12 · Итоговый проектЛокальное AI-приложение с документацией и тестами
Начните обучение
Готовится. Урок C0.1 «Локальная и облачная LLM: архитектура и различия» появится здесь после подготовки и проверки полного материала. До публикации ссылка на страницу урока не показывается.
Материалы уже в работе
Программа будет опираться на ранее подготовленные видео и уроки по локальному AI, LM Studio, Python и MCP Web Search. Перед публикацией каждый материал пройдёт аудит актуальности, полноты, кода, лабораторных и прав на публикацию.
Базовый Python — prerequisite или отдельный связанный маршрут. Создание AI-агентов не входит в утверждённую версию этой программы.