Библиотека задач по Data Science | тесты, код, задания
Ir al canal en Telegram
Задачи и тесты по Data Science для тренировки и обучения. Учиться у нас: clc.to/jF-g3g По рекламе: @proglib_adv Учиться у нас: https://proglib.io/w/fa77bf4e Для обратной связи: @proglibrary_feeedback_bot
Mostrar más
Red:3 987
Suscriptores
-124 horas
-117 días
-130 días
Archivo de publicaciones
Задача: Построить агента, который пишет, тестирует и правит код. С чего начнёшь?
Просто отправить промпт в LLM — это решение трёхлетней давности. Нужен цикл: планирование -> генерация -> запуск тестов -> чтение ошибки -> исправление (Self-Correction).
Именно такие архитектурные задачи мы решаем на курсе. На вебинарах разбираем реальные кейсы студентов, помогая им настраивать циклы обратной связи (Human-in-the-loop) и выбирать правильные инструменты.
Практический стек:
👉
LangGraph для управления состоянием агента;
👉 Docker для безопасного исполнения кода (Sandboxing);
👉 Векторные БД для памяти проекта.
Научиться решать задачи уровня Middle+
Задача: создать систему, где LLM сама пишет и проверяет код
Это не фантастика, а стандартный кейс мультиагентной системы. На курсе «Разработка ИИ-агентов» мы разбираем такие паттерны на практике. Группа уже стартовала.
Стек курса:
— Python (основа);
—
LangChain / LangGraph (оркестрация);
— векторные БД (память);
— AgentOps (мониторинг).
Посмотрите вводное занятие, чтобы понять, как строятся human-in-the-loop системы и иерархические команды агентов.
Смотреть первую лекцию
Записаться на курс
Задача: Реализовать Self-Correction (самоисправление)
Дано: LLM генерирует SQL-запрос. Часто он синтаксически неверен.
Решение на
LangGraph:
1. Узел Generate: пишет код.
2. Узел Execute: пытается выполнить.
3. Условное ребро:
— Если Error: возвращает в Generate с текстом ошибки;
— Если Ok: идёт дальше.
Это простейший граф. На курсе мы строим системы сложнее: с памятью, поиском и внешними инструментами.
Записаться на курс
Разбор логики работы графов: Смотрите вводный урок бесплатно.
Задача: Построить агента с рефлексией
Дано: LLM, которая иногда ошибается.
Задача: Реализовать цикл «Действие → Оценка → Исправление».
Решение через линейный
LangChain превратится в «макароны».
Решение через LangGraph — это красивый граф с управлением состоянием.
— управляемый поток (ветвления, возвраты);
— state как память процесса;
— безопасность.
Хотите научиться кодить такие системы? Курс уже идёт.
Записаться на курс
Бесплатная лекция по теме