OpenAI Cookbook на русском — курс OpenAI Academy

Официальные рецепты OpenAI: embeddings, fine-tuning, function calling, RAG, агенты, мультимодальность.

OpenAI Cookbook: официальный сборник рецептов OpenAI, переведённый на русский язык. Он рассчитан на разработчиков и технических специалистов среднего уровня, которые уже пишут код и хотят быстро найти рабочий пример под конкретную задачу: поиск по эмбеддингам, дообучение, вызов функций, RAG, агенты, работа с изображениями и звуком. На сайте материалы открываются без VPN, первые 3 урока бесплатны. Всего в сборнике 299 текстовых уроков, и по объёму это скорее справочник, чем курс, который нужно читать от начала до конца.

Рецепты складываются в несколько больших групп. Первая касается эмбеддингов: кластеризация методом k-средних, регрессия, переранжирование результатов поиска кросс-энкодерами, визуализация векторов. К ней примыкает большой блок про векторные базы данных, где похожие сценарии показаны на Pinecone, Qdrant, Chroma, Weaviate, Redis, Zilliz и других хранилищах. Вторая группа посвящена дообучению: как выбрать между SFT, DPO и RFT и как дистиллировать знания большой модели в маленькую. Третья охватывает агентов: оркестрацию с передачей управления, долговременную память, Agents SDK, Assistants API, голосовые сценарии на Realtime API и инструмент MCP в Responses API.

Есть и прикладные разделы. Они показывают извлечение данных из PDF с помощью GPT-4o вместо OCR, улучшение расшифровки Whisper, описание и озвучивание видео, мультимодальный RAG на эмбеддингах CLIP. Отдельная серия про GPT Actions объясняет подключение ChatGPT к Confluence, Google Drive, Outlook, Salesforce, Snowflake и Zapier. Много внимания уделено оценкам: как проверять структурированный вывод, RAG, голосовых агентов и генерацию изображений. Несколько рецептов разбирают промпты для конкретных моделей и перенос промпта на новую модель. Встречаются и отраслевые примеры: системный промпт управляющего портфелем, подбор одежды на RAG, агент для миграции кода, автоматическое код-ревью на Codex SDK.

Пользоваться Cookbook удобнее всего выборочно. Найдите группу, которая соответствует вашей задаче, откройте нужные рецепты и адаптируйте код под свой проект, а к остальным возвращайтесь по мере необходимости. В итоге у вас сложится набор проверенных подходов: эмбеддинги для классификации, кластеризации и поиска, подготовка данных и дообучение моделей GPT, агенты на Agents SDK, Assistants API и Realtime API, RAG, извлечение данных из документов и защитные механизмы против галлюцинаций.

Курс из программы OpenAI Academy (ОпенАИ) на русском языке. Первые 3 3 урока бесплатно, без VPN.

Официальный курс OpenAI в переводе на русский язык. Открывается без VPN: все уроки, видео и субтитры уже переведены и лежат на нашей платформе. 299 уроков, первые 3 бесплатно, дальше разовая оплата без подписки.

Уровень: Средний. Длительность: около 1495 минут. Формат: текст с примерами.

Что вы сможете после курса

Почему этому курсу можно доверять

Уроки курса

  1. Обзор Assistants API на Python
  2. Собираем агента-программиста на GPT-5.1 и Agents SDK
  3. Готовим данные для дообучения чат-модели
  4. Классификация текстов через эмбеддинги
  5. Кластеризация методом k-средних
  6. Раскладываем банковские операции по категориям
  7. Поиск по коду через эмбеддинги
  8. Сжатие контекста разговора в Realtime API
  9. Делаем слайды с Assistants API и DALL·E 3
  10. LLM-судья для поиска галлюцинаций в Braintrust
  11. Подгоняем эмбеддинги под свою задачу
  12. Realtime API в приложениях с большими объёмами данных
  13. GPT-4o вместо OCR: извлекаем данные из PDF для ELT
  14. Защита от галлюцинаций: строим свой фильтр
  15. Эмбеддинги статей Википедии для поиска
  16. Эмбеддинги для текстов длиннее контекста модели
  17. Мета-промптинг: модель сама улучшает промпты
  18. Вытаскиваем данные из длинных документов
  19. Поиск по файлам в Responses API
  20. Классификация через дообучение на примере
  21. SFT, DPO или RFT: какое дообучение выбрать
  22. Дообучение модели под вызов функций
  23. Ищем места рядом через Google Places и вызов функций
  24. Вызов функций по спецификации OpenAPI
  25. Описываем и озвучиваем видео с GPT-4.1-mini и TTS
  26. Генерация и редактирование картинок в GPT Image
  27. Точное редактирование изображений с сохранением деталей
  28. Считаем эмбеддинги для набора данных
  29. Агент с инструментами на LangChain
  30. Собираем агента на Node.js SDK
  31. Вызов функций поверх базы знаний
  32. Как чат-модели вызывают функции
  33. Подбор одежды на GPT-4o mini и RAG
  34. Считаем токены с tiktoken
  35. Как дообучить чат-модель
  36. Как правильно оформлять запросы к ChatGPT
  37. Как жить с лимитами запросов
  38. Потоковая выдача ответов
  39. Защитные механизмы на входе и выходе
  40. Модерация запросов и ответов через Moderation API
  41. Дистилляция: учим маленькую модель у большой
  42. Многоклассовая классификация транзакций
  43. Распознавание именованных сущностей для обогащения текста
  44. Автоматическая оптимизация промптов
  45. Оркестрация агентов: рутины и передача управления
  46. Разбираем PDF для RAG-приложений
  47. Кэширование промптов: основы
  48. Кэширование промптов: продвинутый уровень
  49. Как перенести промпт на новую модель
  50. Ответы на вопросы через поисковый API и переранжирование
  51. Ответы на вопросы через поиск по эмбеддингам
  52. RAG на графовой базе данных
  53. Как оценивать голосовых агентов на Realtime API
  54. Отдельная транскрипция речи пользователя в Realtime
  55. Как писать промпты для Realtime API
  56. Рекомендации через эмбеддинги и ближайших соседей
  57. Регрессия на эмбеддингах
  58. Грейдеры для дообучения с подкреплением
  59. Воспроизводимые ответы с параметром seed
  60. Генерация синтетических данных, часть 1
  61. Переранжирование поиска кросс-энкодерами
  62. Семантический поиск по тексту на эмбеддингах
  63. Сравниваем способы распознавания речи в OpenAI API
  64. Знакомство со Structured Outputs
  65. Structured Outputs в мультиагентных системах
  66. Как пересказать длинный документ
  67. Теги и подписи к картинкам с GPT-4o mini
  68. Пишем юнит-тесты многошаговым промптом
  69. Юнит-тесты многошаговым промптом на старом API
  70. Эмбеддинги пользователей и товаров
  71. Как пользоваться эмбеддингами
  72. Logprobs для классификации и оценки ответов
  73. Обязательный вызов инструмента в поддержке клиентов
  74. Эмбеддинги на плоскости: визуализация в 2D
  75. Эмбеддинги в трёхмерном пространстве
  76. Ошибки в расшифровке: промпт или постобработка
  77. Как улучшить расшифровку Whisper до и после
  78. Как писать промпты для Whisper
  79. Классификация без обучения на эмбеддингах
  80. Агентные процессы в AgentKit: от сборки до запуска
  81. Цикл улучшения агента: трейсы, оценки и Codex
  82. Агенты и инструменты: первые шаги
  83. Надёжные агенты с памятью и сжатием контекста
  84. Агенты для работы с компьютером в песочницах Daytona
  85. Персонализация через долговременную память агента
  86. Подготовка окружения для работы с агентами
  87. Оценка агентов в Langfuse
  88. Мультиагентный анализ инвестиционного портфеля
  89. Промпт для Code Interpreter: лучшие практики GPT-4.1
  90. Промпт для редактора аналитических записок
  91. Промпт для ведущего фундаментального аналитика
  92. Промпт для макростратега
  93. Системный промпт управляющего портфелем
  94. Промпт для количественного аналитика
  95. Инструкции на случай сбоя вызова инструмента
  96. Параллельный запуск специализированных агентов
  97. Агент для миграции кода
  98. Запрос на миграцию с Chat Completions на Responses
  99. Запрос на миграцию с Chat Completions на Responses, пример 2
  100. Перенос старой кодовой базы агентами в песочнице
  101. Сканеры безопасности вместе с Agents SDK
  102. Кратковременная память агента через сессии
  103. Протокол совещаний с разметкой по говорящим
  104. Генерация картинок DALL·E в Azure
  105. Чат-модели в Azure OpenAI: настройка через портал
  106. Чат в Azure OpenAI на ваших собственных данных
  107. Текстовые дополнения в Azure OpenAI
  108. Эмбеддинги в Azure OpenAI: настройка через портал
  109. Вызов функций в Azure OpenAI
  110. Распознавание речи Whisper в Azure
  111. Чат-модели в Azure OpenAI: настройка и авторизация
  112. Чат в Azure OpenAI на своих данных: второй вариант
  113. Эмбеддинги в Azure OpenAI: настройка и авторизация
  114. Вызов функций в Azure OpenAI: второй вариант
  115. Распознавание речи Whisper в Azure: второй вариант
  116. Пакетная обработка через Batch API
  117. Переводим книгу на LaTeX со словенского на английский
  118. Голосовое приложение на Realtime Mini
  119. Промпт-инжиниринг в ChatGPT Enterprise на каждый день
  120. Быстрый старт с журналами Compliance Logs
  121. GPT Actions: первое подключение на примере погоды
  122. GPT Actions: подключаем BigQuery
  123. GPT Actions: подключаем Box
  124. GPT Actions для Canvas LMS
  125. GPT Actions: подключаем Confluence
  126. GPT Actions: подключаем GitHub
  127. GPT Actions: подключаем Gmail
  128. GPT Actions: подключаем Google Календарь
  129. GPT Actions: подключаем Google Drive
  130. GPT Actions: Google Ads через Adzviser
  131. GPT Actions: подключаем Jira
  132. GPT Actions: подключаем Notion
  133. GPT Actions: подключаем Outlook
  134. GPT Actions: подключаем AWS Redshift
  135. GPT Actions: запускаем сценарии Retool
  136. GPT Actions: подключаем корпоративное приложение
  137. GPT Actions: Salesforce и Gong
  138. GPT Actions: файлы из SharePoint для анализа
  139. GPT Actions: документы из SharePoint
  140. GPT Actions: прямое подключение к Snowflake
  141. GPT Actions: Snowflake через промежуточный сервис
  142. GPT Actions: подключаем базу данных SQL
  143. GPT Actions: управление API в Tray.ai
  144. GPT Actions для Workday
  145. GPT Actions: подключаем Zapier
  146. GPT Actions через AWS Lambda
  147. GPT Actions через Azure Functions
  148. GPT Actions через Google Cloud Functions
  149. Azure AI Search как векторная база для ChatGPT
  150. BigQuery и Cloud Functions в ChatGPT через GPT Actions
  151. Pinecone как база знаний для ChatGPT: подготовка
  152. Поиск по O365 и SharePoint из ChatGPT через Azure Functions
  153. Доступ к сайтам SharePoint через ChatGPT Admin API
  154. Запуск агента рабочего пространства через API
  155. Codex CLI сам чинит упавший CI на GitHub
  156. Циклы итеративных исправлений с Codex
  157. Автоматическое код-ревью на Codex SDK
  158. Обновляем старую кодовую базу с Codex
  159. Повторяемые процессы разработки с Codex CLI и Agents SDK
  160. Итеративная разработка вместе с Codex
  161. Связываем Jira и GitHub через Codex CLI
  162. Codex CLI в GitLab: качество кода и безопасность
  163. Цели в Codex для долгих задач
  164. Usage API: подробный разбор расходов на OpenAI
  165. Мультимодальный RAG на эмбеддингах CLIP и GPT-4 Vision
  166. Динамические маски с DALL·E и Segment Anything
  167. Как работать с DALL·E API
  168. Знакомство с Deep Research API
  169. Агенты для глубоких исследований
  170. Запускаем оценку голосового агента
  171. Как выбрать инструмент для оценки
  172. Оценка голосовых агентов: о чём это руководство
  173. Оценка RAG с LlamaIndex
  174. Первые шаги в OpenAI Evals
  175. Как оценивать качество пересказа
  176. Как проверять генерацию SQL языковыми моделями
  177. Что меняется при переходе на promptfoo
  178. Evals API: оценка на аудиоданных
  179. Evals API: оценка на изображениях
  180. Оценки на практике: массовые эксперименты с пуш-уведомлениями
  181. Оценки на практике: мониторинг пересказа уведомлений
  182. Проверяем ответы на базе MCP на своём наборе данных
  183. Оценки на практике: регрессия промпта для уведомлений
  184. Как проверить новую модель на старых ответах
  185. Как оценивать структурированный вывод
  186. Оценка работы с инструментами в OpenAI Evals
  187. Оцениваем качество веб-поиска на своём наборе данных
  188. Дообучение для RAG с Qdrant и few-shot
  189. Глава 1. Собираем данные об Олимпиаде 2020 из Википедии
  190. Глава 2. Синтетический набор вопросов и ответов
  191. Глава 3. Дообучаем модель отвечать на вопросы
  192. Дообучение с подкреплением для рассуждений в диалоге
  193. Как писать промпты для Codex
  194. Как писать промпты для GPT-5.1
  195. Как писать промпты для GPT-5.2
  196. Фронтенд с GPT-5
  197. Новые параметры и инструменты GPT-5
  198. Как писать промпты для GPT-5
  199. GPT-5: что делать, если модель ленится или перемудривает
  200. Переносим промпты на GPT-5 с оптимизатором
  201. Как задать агенту характер
  202. Как писать промпты для GPT-4.1
  203. Знакомство с GPT-4o и GPT-4o mini
  204. Копилот для цепочки поставок на Agents SDK и Databricks MCP
  205. Инструмент MCP в Responses API
  206. Переход с Whisper на GPT-Transcribe
  207. GPT-4o Vision вместе с вызовом функций
  208. Дообучение GPT-4o отвечать на вопросы по картинкам
  209. Выжимаем максимум из GPT-5.4 в работе с документами
  210. Оценка пространственного мышления GPT-5.5
  211. Как писать промпты для gpt-image-1.5
  212. Как писать промпты для генерации изображений
  213. Как оценивать генерацию и редактирование картинок
  214. RAG по изображениям через Vision и Responses API
  215. Картинки с прозрачным фоном для рекламы и презентаций
  216. Вызов функций в o3 и o4-mini
  217. Цепочки вызовов для структурированного вывода
  218. Рассуждающие модели для проверки данных
  219. Рассуждающие модели пишут регламенты для поддержки
  220. Свой интерпретатор кода: инструменты на лету с o3-mini
  221. Агент, который сам платит за API через AgentCore Payments
  222. Анализ AML с Agents SDK в Amazon Bedrock
  223. Модели OpenAI в Amazon Bedrock: первые шаги
  224. Управляемые агенты: практика агентного каркаса
  225. Проектирование через оценки: от прототипа до продакшена
  226. Макро-оценки агентных систем
  227. Голосовые агенты на MCP
  228. Как выбрать модель под реальную задачу
  229. SchemaFlow: агент анализирует изменения в базе данных
  230. Саморазвивающиеся агенты: автоматическое переобучение
  231. Краткий обзор: цели и главные выводы
  232. Вызов функций в рассуждающих моделях
  233. Рассуждающие модели работают лучше через Responses API
  234. Несколько инструментов и RAG в Responses API
  235. Что такое Responses API
  236. Навыки в OpenAI API
  237. Как писать промпты для Sora 2
  238. Выбираем модель по конверсии в Stripe
  239. Проверка качества и безопасности кода в пул-реквестах
  240. Дообучение GPT-3.5 и GPT-4 с Weights & Biases
  241. Автоматизация задач функциями на примере S3
  242. Мониторинг OpenAI API в W&B Weave
  243. Визуализация эмбеддингов в Kangas
  244. Визуализация эмбеддингов в W&B
  245. Визуализация эмбеддингов в Atlas
  246. Свой браузер для агента: поиск и пересказ страниц
  247. Анализ финансовых документов с LlamaIndex
  248. PolarDB-PG как векторная база для эмбеддингов
  249. Зачем модели свежие данные из поиска
  250. AnalyticDB как векторная база для эмбеддингов
  251. Ответы на вопросы с LangChain и AnalyticDB
  252. Azure AI Search как векторная база для эмбеддингов
  253. Философские цитаты на векторах и Astra DB
  254. Философские цитаты на векторах и Cassandra
  255. Философские цитаты на Cassandra через CQL
  256. Поиск по эмбеддингам в Chroma
  257. Надёжные ответы на вопросы с Chroma
  258. Ответы на вопросы с LangChain и Deep Lake
  259. RAG на Elasticsearch
  260. Семантический поиск на Elasticsearch
  261. Hologres как векторная база для эмбеддингов
  262. Kusto как векторная база для эмбеддингов
  263. Поиск с фильтрами в Milvus
  264. Первые шаги с Milvus
  265. Векторный поиск по шагам: окружение, эмбеддинги, хранение
  266. MyScale как векторная база для эмбеддингов
  267. Поиск по эмбеддингам в MyScale
  268. Поиск похожих векторов в Neon Postgres
  269. Долговременная память агента в Oracle AI Agent Memory
  270. Семантический поиск на LangChain и Oracle AI Database
  271. Подключаем Pinecone к GPT-4 для поиска по данным
  272. Ответы на вопросы с RAG на Pinecone
  273. Семантический поиск на Pinecone
  274. Поиск по эмбеддингам в Pinecone
  275. RAG по PDF с картинками через GPT-4o Vision
  276. Qdrant как векторная база для эмбеддингов
  277. Ответы на вопросы с LangChain и Qdrant
  278. Поиск по эмбеддингам в Qdrant
  279. Поиск по эмбеддингам в Redis
  280. Redis как векторная база
  281. Гибридный векторный поиск в Redis
  282. Векторы в Redis в формате JSON
  283. Redis как хранилище контекста для чата
  284. Семантический поиск на Supabase Vector
  285. Tair как векторная база для эмбеддингов
  286. Ответы на вопросы с LangChain и Tair
  287. Поиск по эмбеддингам в Typesense
  288. Поиск по эмбеддингам в Weaviate
  289. Генеративный поиск в Weaviate
  290. Weaviate с векторизацией OpenAI: поиск по эмбеддингам
  291. Weaviate с векторизацией OpenAI: гибридный поиск
  292. Ответы на вопросы в Weaviate
  293. Поиск с фильтрами в Zilliz
  294. Первые шаги с Zilliz
  295. Синхронный перевод разговора на Realtime API
  296. Приложения для живого перевода на gpt-realtime-translate
  297. ElatoAI: голосовой Realtime API на ESP32 и Arduino
  298. Управляем интонацией синтеза речи
  299. Переводим аудио на другие языки с GPT-4o

Вопросы о курсе

Курс бесплатный?

Первые 3 3 урока открыты бесплатно и без входа. Остальные уроки открывает доступ к курсам OpenAI (1490 руб) или полный доступ ко всем курсам платформы (4900 руб), разовый платёж без подписки.

Нужен ли VPN?

Нет. Оригинал курса опубликован OpenAI на английском и часто недоступен из России, а здесь все уроки, видео и субтитры уже переведены и открываются без VPN.

На каком языке курс?

На русском: переведены тексты уроков и субтитры к видео, термины и примеры кода сохранены в оригинале.

Выдаётся ли сертификат?

Да. После прохождения всех уроков курса при платном доступе выдаётся именной сертификат AI University с номером и QR-кодом, PDF приходит на почту, подлинность проверяется по номеру на сайте. Сертификат о прохождении курса не является документом об образовании.

Полезные гиды