Курс Alibaba Cloud ACP: путеводитель

О странице

Курс опубликован в репозитории AlibabaCloudDocs/aliyun_acp_learning под лицензией Apache-2.0. Здесь — карта курса, перевод описания и программы экзамена из README и пересказ того, о чём каждый урок (по введениям и целям ноутбуков). Один урок переведён полностью: 2.2 «Расширяем знания бота» (RAG). Мы читали версию V2.4.3 (август 2026).

Что это и для кого

«Курс подготовки к сертификации Alibaba Cloud ACP по большим моделям» — продвинутая ступень сертификации Alibaba Cloud. ACP (Alibaba Cloud Certified Professional) — «профессионал», ступенью ниже — ACA («специалист», для тех, кто не программирует). Сам курс бесплатный, экзамен — платный.

Курс рассчитан на тех, кто уже умеет программировать на Python и пользоваться git. Его отличие от учебников — один сквозной проект: вы работаете в компании, которая делает образовательный контент, и строите «бота-помощника для новичков», который отвечает на вопросы новых сотрудников по внутренним документам. Каждый урок начинается с проблемы, которую не решил предыдущий: бот не знает документов компании → RAG; отвечает неровно → промпты; непонятно, хорошо ли → оценка; умеет только говорить → агенты; дорого → дистилляция; страшно выпускать → безопасность.

Для нашего курса это практикум ступени 8 на китайском: те же темы, что в модулях 8.1–8.4, но вокруг одного приложения и с готовым кодом.

Облако Alibaba и ваша машина

Код курса вызывает модели через Alibaba Cloud Model Studio (Bailian) по ключу DASHSCOPE_API_KEY и OpenAI-совместимому адресу https://dashscope.aliyuncs.com/compatible-mode/v1. Для регистрации нужен аккаунт Alibaba Cloud. Почти всё можно повторить локально: модели — через vLLM или Ollama (OpenAI-совместимый API, урок 8.1.1), эмбеддинги — локальной моделью. Как именно — в переводе урока 2.2.

Карта курса

Урок оригинала	О чём (по введению и целям урока)	Урок нашего курса	Важность
C1. Подготовка
1.1 Настройка среды для разработки ИИ	локально (VSCode, PyCharm) или в облачном ноутбуке: ModelScope Notebook бесплатен, но сессия гаснет через 4 часа; PAI-DSW — по условиям пробного периода	0.1.2	по необходимости
C2. Строим систему вопросов и ответов
2.0 Предыстория проекта	новички тонут в документах компании, ошибаются — нужен бот	—	прочитать
2.1 Строим на LLM бота-помощника для новичков	вызов Qwen по API, как работает LLM (токены, температура, top_p), ограничения моделей и пути их обхода	8.1.1	важно
2.2 Расширяем знания бота	как работает RAG, приложение на LlamaIndex, сохранение индекса, многоходовый RAG с переписыванием вопроса	8.2.1	переведён
2.3 Улучшаем промпты	структура промпта, контекстная инженерия, цепочка рассуждений, Meta Prompting	8.1.2	важно
2.4 Автоматическая оценка	своя автопроверка, затем Ragas: answer correctness, context recall и precision — и как по ним искать причину ошибки	8.2.2, 8.4.2	важно
2.5 Улучшаем RAG-приложение	нарезка текста, переранжирование, окно предложений и другие приёмы повышения точности	8.2.2	важно
C3. Строим агентную систему
3.0 От ответов на вопросы к решению задач	бот «только говорит, а не делает»; дальше — инструменты, планирование, роли, память, навыки, оценка	—	прочитать
3.1 Основы агентов и вызов инструментов	от простой функции-инструмента до Function Calling и протокола MCP	8.3.1, 8.3.2	важно
3.2 Учим агента планировать и выполнять	рефлексия против галлюцинаций, «сначала план, потом выполнение» (Plan & Execute)	8.3.3	важно
3.3 Командная работа нескольких агентов	два шаблона: иерархия «менеджер и команда» и совместная работа «у общей доски»	8.3.3	полезно
3.4 Память: агент накапливает опыт	от простого забывания к активной памяти между сессиями; четыре вида памяти	8.3.3	полезно
3.5 Навыки (Agent Skills): закрепляем умения	как оформить «в такой ситуации делай так» в вызываемый навык и делиться им в команде	8.3.2	полезно
3.6 Разработка агента от оценки	оценивать не только ответ, но и путь: выбор инструментов, расход токенов, формат промежуточных шагов	8.4.2	важно
3.7 Практика с Qwen Code	агент для программирования как рабочий инструмент: понять проект → план → правки по шагам → проверка → коммит	—	по желанию
3.8 Harness Loop — «обвязка» и цикл улучшений	стандарты, проверки, журнал и условия остановки для бизнес-задачи; Harness Engineering и Loop Engineering	8.4.1	по желанию
C4. Выпуск в продакшен
4.0 К продакшену	три горы: стоимость, развёртывание, безопасность	—	прочитать
4.1 Дистилляция: маленькая модель осваивает профессиональные навыки	маленькая модель вместо большой на шаге «понять запрос» (намерения, срочность, маршрут) — генерация данных большой моделью и дообучение маленькой	6.2.2, 6.4.4	важно
4.2 Развёртывание модели	развернуть вручную, облачные варианты, как выбрать	7.1.2, 8.4.3	полезно
4.3 LLM-приложение в продакшене	что нужно, чтобы перенести приложение из разработки в реальный бизнес	8.4.3	полезно
4.4 Безопасность и соответствие требованиям	риски контента, защитные фильтры на входе и выходе, мультимодальные риски, эшелонированная защита	8.3.4, 9.3.4	важно
C5. Итоги
5.1 Развиваем «вкус» к применению ИИ	как выбрать, куда в бизнесе внедрять ИИ: методика RIDE	—	по желанию
5.2 Итоги и перспективы	весь путь проекта и готовые решения Alibaba Cloud для самостоятельной практики	—	по желанию

Главная мысль курса — в последнем уроке

Урок 5.2 подытоживает: каждый шаг курса появился не «по плану», а потому что предыдущий шаг упёрся в новую проблему. И советует ту же логику для своих систем: «сначала сделать, чтобы работало, потом — чтобы работало хорошо, потом — надёжно, и только потом выпускать».

flowchart LR
A["2.1 бот на API"] --> B["2.2 RAG"] --> C["2.3 промпты"] --> D["2.4 оценка"] --> E["2.5 точный RAG"]
E --> F["3.1 инструменты"] --> G["3.2 план"] --> H["3.3 команда агентов"] --> I["3.4 память"] --> J["3.5 навыки"] --> K["3.6 оценка агента"]
K --> L["4.1 дистилляция"] --> M["4.2–4.3 развёртывание"] --> N["4.4 безопасность"]

Сквозной проект курса ACP: каждая следующая тема решает проблему предыдущей

Программа экзамена ACP (перевод из README)

Распределение вопросов по темам:

Тема	Доля вопросов
Разработка LLM-приложений	17%
Промпт-инжиниринг	15%
Генерация с поиском (RAG)	20%
Дообучение	16%
Мультиагентные и мультимодальные приложения	16%
Практика в продакшене	16%

1. Разработка LLM-приложений. Базовые навыки построения приложений через вызовы API: как работает модель, настройка ключевых параметров, ведение диалога, понимание стоимости. Темы: как в целом работает LLM; ключевые параметры и управление выводом; многоходовый диалог и потоковый вывод; контекстное окно и снижение галлюцинаций; безопасное хранение ключей API и оплата за токены.

2. Промпт-инжиниринг. Улучшение ответов через устройство промпта: системные промпты, продвинутые приёмы, промпты под конкретные сценарии. Темы: системный промпт; контекстная инженерия; цепочка рассуждений, Meta Prompting, few-shot; структурированный вывод и контроль формата; где промпты помогают, а где нет.

3. RAG. Проектирование и оптимизация всей цепочки: построение индекса, стратегии поиска, диагностика качества, сопровождение базы знаний. Темы: цепочка «индекс → поиск → дополнение → генерация»; стратегии нарезки и качество поиска; диагностика поиска и переранжирование; поиск в многоходовом диалоге; сопровождение базы знаний — обновления, права доступа, версии.

4. Дообучение. Когда дообучать или дистиллировать, основы обучения и практика: когда это нужно, как обучать, как оценить. Темы: когда дообучение уместно; основы — градиентный спуск, функция потерь, переобучение и недообучение; LoRA и подбор параметров обучения; пути дистилляции — синтез данных, дистилляция знаний, сжатие рассуждений; синтез обучающих данных и анализ «затраты — выгода».

5. Агентные приложения. Вызов инструментов, планирование задач, совместная работа нескольких агентов, память и закрепление навыков, архитектура мультимодальных приложений. Темы: механизм Function Calling и проектирование JSON Schema; цикл ReAct и протокол MCP; Plan & Execute, зависимости задач, выбор между жёстким сценарием и самостоятельным планированием; иерархия с субагентами; четыре вида памяти и навыки (Skills); основной цикл Harness Engineering; мультимодальные API и сквозная архитектура приложения.

6. Практика в продакшене. Инженерия выпуска: развёртывание и контроль затрат, защита и соответствие требованиям, разработка от оценки и деловые решения. Темы: выбор способа развёртывания; снижение стоимости инференса; стабильность в продакшене; безопасность — контент, защита от инъекций, эшелонированная оборона, регистрация сервиса по требованиям регулятора; разработка от оценки; методика RIDE и выбор точек применения ИИ.

README оговаривает: программа задаёт общее направление, но экзамен может касаться и тем, которых в ней нет.

Как установить (по README)

git clone https://github.com/AlibabaCloudDocs/aliyun_acp_learning.git
cd aliyun_acp_learning
pip install -r requirements.txt    # для дообучения на GPU есть отдельный requirements-gpu.txt
# Если GitHub недоступен — зеркало: git clone https://atomgit.com/alibabaclouddocs/aliyun_acp_learning.git

Есть и скрипт автоматической установки для Linux и Mac (ссылка в README). Курс предполагает, что Python, pip и git у вас уже установлены. Китайская версия — в папке с китайским названием «Курс подготовки к сертификации ACP по большим моделям», английская — в LLM_ACP_EN/ (она отстаёт: в ней старая структура — одна большая глава из 11 уроков, агентам посвящён один урок, нет уроков о памяти, навыках и Qwen Code).

Как проходить курс с нашим курсом

1. После модуля 8.1 — уроки 2.0–2.1 (быстро: многое уже знакомо).
2. После урока 8.2.1 — 2.2 в нашем переводе, затем 2.3–2.5 в оригинале: это лучший китайский практикум по оценке RAG через Ragas.
3. После модуля 8.3 — уроки 3.1–3.6: та же теория агентов, но на одном проекте.
4. Урок 4.1 о дистилляции — хорошее продолжение урока 6.2.2: «большая модель размечает — маленькая учится».

Словарик

English	Русский
FAQ bot for new employees	бот-помощник для новичков
Model Studio (Bailian)	облачная платформа моделей Alibaba
retrieval-augmented generation (RAG)	генерация с поиском
context engineering	контекстная инженерия
automated evaluation	автоматическая оценка
distillation	дистилляция
guardrails	защитные фильтры
defense in depth	эшелонированная защита