AI без кода: автоматизация и LLM-приложения с Flowise [Automatica] [Антон Вдовиченко]

Складчина: AI без кода: автоматизация и LLM-приложения с Flowise [Automatica] [Антон Вдовиченко]

Для кого:
Разработчики, энтузиасты, продуктовые менеджеры, которые строят production-ready системы с n8n и Flowise

Чему научитесь
1. Работать с визуальным инструментом Flowise для создания цепочек с LLM
2. Внедрять генеративный ИИ в бизнес-процессы и автоматизацию
3. Создавать собственных агентов, чат-ботов и инструменты на базе LLM
4. Интегрировать внешние данные и API, строить RAG-системы и автоматизировать задачи

Что в программе

Занятие 1. Введение в Flowise и LLM-автоматизацию
Познакомимся с интерфейсом Flowise, создадим первую цепочку для работы с GPT. Обсудим архитектуру LLM-приложений и роль визуальных инструментов в автоматизации.

• Обзор возможностей Flowise и LangChain.
• Установка и настройка Flowise (локально/облако).
• Структура цепочек: узлы ввода, LLM, память, вывод.
• Создание первого чатбота: ввод → GPT → ответ.
• Прототип FAQ-помощника.

Домашнее задание: собрать собственную цепочку по выбранному сценарию — например, бот-консультант или генератор текста по шаблону.

Занятие 2. Работа с собственными данными и RAG-пайплайны
Разбираемся, как подключать документы и базы знаний, чтобы LLM отвечал на основе фактов. Строим RAG-бота: поиск + генерация.

• Концепция Retrieval-Augmented Generation (RAG).
• Векторизация данных и поиск: Chroma, Pinecone, Qdrant.
• Работа с PDF, TXT, HTML.
• Сборка цепочки: загрузка → эмбеддинг → поиск → LLM.
• Демо: бот, читающий загруженные документы.

Домашнее задание: реализовать Q&A-бота по внутренним документам (инструкция, база знаний и т.п.)

Занятие 3. Мультиагентные цепочки и логика принятия решений
Углубляемся в агенты и планировщики. Строим цепочки, в которых модель принимает решения, вызывает инструменты и делит задачи между собой.

• Агентный подход в LangChain и Flowise.
• Создание Tool/Agent узлов.
• Примеры: генератор запросов, критик, резюмирующий агент.
• Сценарий: агент-исследователь + агент-писатель.
• Связка с Python/Requests для внешних вызовов.

Домашнее задание: собрать цепочку из двух агентов, работающих над одной задачей (например, план → контент → редактура).

Занятие 4. Интеграция Flowise с внешними сервисами и API
Учимся подключать Flowise к внешнему миру: публиковать API, связывать с n8n, получать данные из веба и других систем.

• Публикация цепочек как API (HTTP endpoint).
• Интеграция с Zapier/Make/n8n.
• Использование HTTP Request внутри Flowise.
• Подключение внешних API (новости, базы знаний, GPT, погода и пр.).
• Демо: бот, собирающий инфу из интернета и отвечающий в Telegram.

Домашнее задание: настроить интеграцию — Flowise + внешний сервис (например, чатбот, работающий через Telegram/Zapier/n8n).

Занятие 5. Курсовой проект: генеративный агент и итоговая сборка
Собираем все инструменты воедино, реализуя комплексный проект с использованием MCP, интегрируем голосовой синтез и чат-интерфейсы через Flowise, подключаем генерацию контента с помощью Together.AI и Flux.

• Архитектура многоступенчатой цепочки: сбор данных → генерация → оценка → вывод.
• Интеграция с календарями, почтой, чатом.
• Примеры: автоотчёты, писатель-агент, контент-маркетинг-бот.
• Индивидуальные проекты: разбор и советы.
• Разбор типичных ошибок, масштабирование, деплой.

Автор: Антон Вдовиченко
Основатель и CEO Automatica
Специализируется на разработке решений с использованием искусственного интеллекта и машинного обучения, инженер AI.
Более 20 лет создает цифровые продукты для оптимизации бизнеса — от стартапов до международных корпораций (Dell, PwC, Avaya).
Эксперт по дизайну интерфейсов. Более 7 лет преподавал на программе «Дизайн диджитал-продукта» в Британке, BBE. Ведёт авторские курсы по искусственному интеллекту.

Цена 25000 руб.
Скрытая ссылка