LLM-инженерия — это не один навык, а стек из десятков компетенций: prompt engineering, embeddings, RAG, function calling, fine-tuning, evals, deployment, observability, безопасность, производительность. Освоить всё сразу нереально, но можно выстроить структурированный путь и пройти его за 6-12 месяцев, если работать фулл-тайм, или за 12-18 месяцев параллельно с основной работой. Ниже — карта ресурсов 2025-2026, которые реально работают для каждого этапа этого пути. Делю на блоки по уровню сложности и формату обучения, чтобы можно было собрать персональный план под свой стиль.

Базовый уровень: с чего начать, если видишь LLM впервые

Если ты разработчик, но никогда не работал с LLM напрямую (без UI-чатов), начни с двух ресурсов, которые за неделю дадут рабочий фундамент.

DeepLearning.AI Short Courses от Andrew Ng — серия из 15+ коротких курсов по 1-2 часа каждый, абсолютно бесплатно. Самый важный — ChatGPT Prompt Engineering for Developers с Isa Fulford (OpenAI). 90 минут, после которых ты умеешь писать эффективные промпты, понимаешь few-shot examples, знаешь когда звать function calling. Это материал, который раньше получали за $1000+ на платных курсах, теперь бесплатно. Сразу после него — Building Systems with the ChatGPT API (тот же формат, фокус на multi-step workflows).

Andrej Karpathy "Zero to Hero" — серия из 9 видео на YouTube, каждое 1.5-2 часа. Karpathy — сооснователь OpenAI и один из лучших преподавателей ML в мире. Курс начинается с реализации BPE-токенизатора, заканчивается обучением GPT-2 с нуля на коде. Механика трансформера, внимание, обучение, fine-tuning — объясняется через код, без заумных формул. Если ты хочешь не просто использовать LLM, а понимать как они работают — это must-watch.

После этих двух ресурсов у тебя достаточно базы, чтобы читать документацию OpenAI/Anthropic и понимать, что там написано. Дальше выбор зависит от специализации.

Специализация 1: RAG и работа с документами

RAG (Retrieval Augmented Generation) — это техника, где LLM отвечает на вопросы по твоим документам, а не по своим знаниям. Это 60% реальных LLM-приложений в продакшне: корпоративные чат-боты, поиск по кодовой базе, юридические ассистенты.

LlamaIndex Course — официальный курс от создателей фреймворка. Бесплатно, идёт 4-6 часов, даёт hands-on с notebooks. Покрывает basic RAG, advanced retrieval (hybrid search, reranking), query transformation, evaluation. После курса ты умеешь строить RAG-систему от нуля до MVP.

LangChain RAG Tutorial — серия блог-постов от LangChain с реальными примерами. Если предпочитаешь читать, а не смотреть видео — хороший вариант. Фокус на интеграции с LangChain экосистемой.

Pinecone Learning Center — бесплатные гайды по embeddings, vector databases, semantic search. Pinecone коммерческий продукт, но документация объясняет фундаментальные концепции, применимые к любому vector store.

Что НЕ нужно делать — покупать курсы по RAG за $500+ в 2025 году. Эта тема хорошо документирована, LlamaIndex и LangChain дают актуальные туториалы бесплатно, и практически всё, что нужно, есть в репозиториях фреймворков.

Специализация 2: AI-агенты и автономные системы

Агенты — это LLM, которые сами решают, какие инструменты вызвать и в каком порядке, чтобы выполнить задачу. Самая горячая тема 2025-2026, но и самая сложная для изучения, потому что экосистема меняется каждый месяц.

LangGraph Documentation и Examples — официальная документация на langchain-ai.github.io/langgraph. Лучшее введение в графовое мышление для агентов. После прочтения tutorial — обязательно посмотри репозиторий langgraph/examples на GitHub: там production-ready паттерны (ReAct, multi-agent, human-in-the-loop, persistence).

DeepLearning.AI: AI Agents in LangGraph — короткий курс от LangChain team и Andrew Ng, 90 минут. Если предпочитаешь структурированный формат.

Brandon Hancock на YouTube — практические туториалы по LangGraph, реалистичные сценарии, разбор ошибок. Хорошее дополнение к документации.

AutoGen Tutorial от Microsoft — для понимания диалоговой модели агентов. AutoGen устроен иначе, чем LangGraph, и для части задач подходит лучше.

Книга AI Agents in Action by Micheal Lanham (Manning, 2025) — единственная серьёзная книга по агентам на середину 2025. Покрывает паттерны, оценки, deployment. Покупать имеет смысл, если ты строишь production-агентов и хочешь систематизированный reference.

Специализация 3: Production и масштабирование

Если ты дошёл до работающего прототипа и нужно превращать его в production-систему — отдельный набор компетенций: deployment, observability, evals, cost optimization, security.

Full Stack Deep Learning (FSDL) — курс от Berkeley и industry practitioners. Бесплатные лекции на YouTube, платный формат с проектом и ревью. Покрывает весь цикл от обучения модели до мониторинга в проде. Многие принципы применимы к LLM-системам, хотя курс не LLM-специфичный.

Chip Huyen "AI Engineering" — книга, выпущенная в 2025, лучший источник по production LLM. Покрывает RAG, evals, prompting, deployment, observability, безопасность, реальные кейсы. Если покупать одну книгу по LLM — эту.

Made With ML от Goku Mohandas — open-source MLOps-курс с фокусом на LLM. Хорош для понимания CI/CD, тестирования, мониторинга. Большая часть материала на Python, актуальна.

LangSmith Documentation — коммерческий продукт LangChain, но его документация хорошо объясняет observability и evals для LLM. Многие принципы применимы независимо от того, какой инструмент используешь.

Evals-фреймворки — отдельная тема, достойная изучения. Начни с promptfoo (open-source), потом посмотри на DeepEval, Ragas (для RAG-специфичных метрик). Evals — это навык, которого не хватает 80% LLM-инженеров, и те, кто его освоил, получают серьёзное преимущество.

Ресурсы на русском

Русскоязычных материалов заметно меньше, чем англоязычных, но качество растёт. Вот что есть достойного в середине 2025.

OpenPrompt (этот сайт) — мы регулярно публикуем гайды и обзоры именно по LLM-инженерии: сравнения моделей, туториалы по API, разбор фреймворков. Контент генерируется AI-конвейером и валидируется редакцией, ориентирован на русскоязычного разработчика с учётом специфики (оплата, доступ к API, локальные альтернативы).

Telegram-каналы — LangChain Russian (чат по LangChain/LangGraph на русском), LLM Engineer (новости и разборы), OpenAI Russia (обсуждения API). Активные сообщества, где можно задать вопрос и получить ответ от практикующих инженеров.

YouTube — Александр Файнштейн (разборы LLM-кейсов), Machine Learning для людей (фундаментальные концепции на русском), Дмитрий Сошников (Microsoft AI, LLM и агенты). Качество разное, но регулярно появляются сильные разборы.

Книги на русском — серьёзных книг по LLM-инженерии на русском пока мало. Из фундаментальных: Глубокое обучение С. Николенко (pre-LLM era, но математический фундамент), Машинное обучение от ШАД (частично пересекается с LLM). Практические книги в основном переводные — AI Engineering уже переводится, Designing Machine Learning Systems тоже.

Курсы на русском — OTUS Machine Learning и OTUS AI Engineering (платные, среднего качества), Яндекс Практикум (фундаментальные ML-курсы, не LLM-специфичные), отдельные модули в Skillbox/Netology (быстро устаревают). Наибольшую ценность имеют специализации с проектной частью и ревью.

Честно: для серьёзного LLM-инженера английский обязателен. Документация, курсы, активные комьюнити, вакансии — 90% качественного контента на английском. Русскоязычные ресурсы хороши для входа и поддержки, но для глубокой специализации нужно переключаться.

Как выстроить персональный план обучения

Путь до уровня “уверенный junior LLM-инженер” реально пройти за 6 месяцев фулл-тайм или 12 месяцев параллельно с работой. Вот конкретный план.

Месяц 1-2: фундамент. DeepLearning.AI Short Courses (3-4 курса по prompt engineering, LangChain, embeddings, function calling). Karpathy “Zero to Hero” первые 5 видео. Параллельно — читать документацию OpenAI/Anthropic, повторять примеры в коде.

Месяц 3-4: специализация. Выбираешь одно направление (RAG, агенты или fine-tuning) и углубляешься. LlamaIndex или LangGraph курс целиком, 3-5 собственных проектов. Начать писать код, который ты реально используешь на работе или в pet-проекте.

Месяц 5-6: production mindset. Читаешь AI Engineering от Chip Huyen. Разбираешь один open-source LLM-проект от и до (можно начать с langgraph/examples или openai-cookbook). Делаешь evals для своего пет-проекта, настраиваешь observability.

Месяц 7-12: специализация и комьюнити. Выбираешь 1-2 open-source проекта, в которые контрибутишь (LangGraph, LlamaIndex, Haystack). Регулярно отвечаешь на вопросы в Discord/Hacker News. Пишешь 2-3 технические статьи или туториала для русскоязычной аудитории (на английском для англоязычной).

Что обязательно с первого месяца: практика. Каждый новый концепт — пробуешь в коде в течение 24 часов. Без практики материал забывается за неделю. С практикой — за месяц становится частью рабочего стека.

Что отложить: курсы по deep learning в целом, если ты не планируешь обучать модели с нуля. 90% LLM-инженеров работают с готовыми моделями через API, и знание архитектуры трансформера нужно поверхностно (на уровне “знаю, что есть attention, FFN, layer normalization”), а не глубоко (на уровне “могу реализовать Multi-Head Attention с нуля”).

Чего ждать от рынка и карьеры

Рынок LLM-инженеров в середине 2025 перегрет, но конкретно сильных специалистов не хватает. Зарплатные вилки усреднённые, по данным levels.fyi и HeadHunter:

Junior LLM-инженер (6-12 месяцев опыта после обучения) — $3000-6000 в месяц на международном рынке, 200-350K рублей в РФ при удалёнке на зарубеж.

Mid-level (2-4 года опыта, продакшн-системы) — $7000-12000, 350-600K рублей.

Senior (5+ лет опыта, включая годы в ML до LLM) — $12000-25000, 600K-1.5M рублей.

Главный bottleneck для роста — реальный опыт production-систем. Теоретическое знание курсов ценится низко, умение построить, задеплоить и поддерживать LLM-агента — высоко. Поэтому open-source контрибуции, pet-проекты в продакшне, статьи с реальными метриками — важнее, чем десятки пройденных курсов.

Платформы и каталоги курсов

Большинство перечисленных курсов — на DeepLearning.AI Short Courses, Andrej Karpathy’s канал и в Hugging Face Learn. Платные специализации стоит смотреть в O’Reilly и Manning — там же публикуются технические книги по AI-инженерии.

Связанные материалы

Перед тем как заканчивать, посмотри на эти статьи — они дополняют тему с разных сторон:

• LangGraph: как строить продакшн-агентов на LLM
• Aider vs Cline: какой терминальный AI-агент выбрать
• LLM API tutorial: вызов модели за 5 минут

Заключение

Путь в LLM-инженерию реалистично пройти за 6-12 месяцев фулл-тайм при правильной структуре. Бесплатных ресурсов хватает для базы, платные курсы покупаются выборочно только когда дают то, чего нет в бесплатных (hands-on project с ревью, специализированные темы). Главное — регулярная практика в коде и постепенное наращивание глубины.

Самый большой риск — застрять в “tutorial hell”, где ты проходишь курс за курсом, но не строишь ничего своего. Решение простое и неприятное: каждый новый концепт пробовать применить в реальном проекте в течение недели, иначе забывать. И не пытаться выучить всё сразу — выбрать одну специализацию (RAG, агенты или production), довести её до уровня “могу на собеседовании объяснить и показать код”, потом брать следующую.

Где практиковаться после курсов

Теория без практики забывается за неделю. Самый надёжный способ закрепить материал — взять собственный проект и провести его через весь цикл: поставить задачу LLM, посмотреть на результат, разобрать ошибки, попробовать альтернативный промпт. Подойдёт что угодно — телеграм-бот для личных заметок, автогенерация тестов для существующего кода, саммаризатор RSS-ленты, парсер таблиц в Confluence. Главное — чтобы задача была настоящей, а не искусственной. За месяц такой практики ты пройдёшь больше, чем за три месяца прохождения курсов. Публикуй свои наработки — даже если кажется, что это “слишком мелко для статьи”. Короткие заметки в Telegram-канале или на личном сайте приносят больше пользы, чем вылизанные лонгриды раз в квартал. Работодатели и заказчики смотрят на регулярность, а не на размер текста.