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
- Использовать embeddings для классификации, кластеризации и поиска
- Дообучать модели GPT и готовить данные для fine-tuning
- Строить агентов на Agents SDK, Assistants API и Realtime API
- Делать RAG, извлечение данных из документов и guardrails против галлюцинаций
Почему этому курсу можно доверять
- Первоисточник: курс опубликован самой OpenAI, компанией, которая делает эти модели. Это официальная программа, а не пересказ блогера и не сгенерированный нейросетью «курс».
- Честный перевод: структура уроков, термины, примеры и код сохранены как в оригинале, видео с русскими субтитрами. Мы переводим и структурируем, а не переписываем.
- Без VPN и иностранных платформ: все уроки лежат здесь, вход через Telegram.
- Актуальность: следим за обновлениями первоисточника и добавляем новые уроки по мере выхода.
- Прозрачная оплата: первые 3 3 урока бесплатно, разовый платёж без подписки, доступ навсегда, возврат 14 дней. Российская компания, оферта и чек.
- Именной сертификат: после прохождения курса выдаём сертификат с номером, QR-кодом и страницей проверки подлинности, PDF приходит на почту.
Уроки курса
- Обзор Assistants API на Python
- Собираем агента-программиста на GPT-5.1 и Agents SDK
- Готовим данные для дообучения чат-модели
- Классификация текстов через эмбеддинги
- Кластеризация методом k-средних
- Раскладываем банковские операции по категориям
- Поиск по коду через эмбеддинги
- Сжатие контекста разговора в Realtime API
- Делаем слайды с Assistants API и DALL·E 3
- LLM-судья для поиска галлюцинаций в Braintrust
- Подгоняем эмбеддинги под свою задачу
- Realtime API в приложениях с большими объёмами данных
- GPT-4o вместо OCR: извлекаем данные из PDF для ELT
- Защита от галлюцинаций: строим свой фильтр
- Эмбеддинги статей Википедии для поиска
- Эмбеддинги для текстов длиннее контекста модели
- Мета-промптинг: модель сама улучшает промпты
- Вытаскиваем данные из длинных документов
- Поиск по файлам в Responses API
- Классификация через дообучение на примере
- SFT, DPO или RFT: какое дообучение выбрать
- Дообучение модели под вызов функций
- Ищем места рядом через Google Places и вызов функций
- Вызов функций по спецификации OpenAPI
- Описываем и озвучиваем видео с GPT-4.1-mini и TTS
- Генерация и редактирование картинок в GPT Image
- Точное редактирование изображений с сохранением деталей
- Считаем эмбеддинги для набора данных
- Агент с инструментами на LangChain
- Собираем агента на Node.js SDK
- Вызов функций поверх базы знаний
- Как чат-модели вызывают функции
- Подбор одежды на GPT-4o mini и RAG
- Считаем токены с tiktoken
- Как дообучить чат-модель
- Как правильно оформлять запросы к ChatGPT
- Как жить с лимитами запросов
- Потоковая выдача ответов
- Защитные механизмы на входе и выходе
- Модерация запросов и ответов через Moderation API
- Дистилляция: учим маленькую модель у большой
- Многоклассовая классификация транзакций
- Распознавание именованных сущностей для обогащения текста
- Автоматическая оптимизация промптов
- Оркестрация агентов: рутины и передача управления
- Разбираем PDF для RAG-приложений
- Кэширование промптов: основы
- Кэширование промптов: продвинутый уровень
- Как перенести промпт на новую модель
- Ответы на вопросы через поисковый API и переранжирование
- Ответы на вопросы через поиск по эмбеддингам
- RAG на графовой базе данных
- Как оценивать голосовых агентов на Realtime API
- Отдельная транскрипция речи пользователя в Realtime
- Как писать промпты для Realtime API
- Рекомендации через эмбеддинги и ближайших соседей
- Регрессия на эмбеддингах
- Грейдеры для дообучения с подкреплением
- Воспроизводимые ответы с параметром seed
- Генерация синтетических данных, часть 1
- Переранжирование поиска кросс-энкодерами
- Семантический поиск по тексту на эмбеддингах
- Сравниваем способы распознавания речи в OpenAI API
- Знакомство со Structured Outputs
- Structured Outputs в мультиагентных системах
- Как пересказать длинный документ
- Теги и подписи к картинкам с GPT-4o mini
- Пишем юнит-тесты многошаговым промптом
- Юнит-тесты многошаговым промптом на старом API
- Эмбеддинги пользователей и товаров
- Как пользоваться эмбеддингами
- Logprobs для классификации и оценки ответов
- Обязательный вызов инструмента в поддержке клиентов
- Эмбеддинги на плоскости: визуализация в 2D
- Эмбеддинги в трёхмерном пространстве
- Ошибки в расшифровке: промпт или постобработка
- Как улучшить расшифровку Whisper до и после
- Как писать промпты для Whisper
- Классификация без обучения на эмбеддингах
- Агентные процессы в AgentKit: от сборки до запуска
- Цикл улучшения агента: трейсы, оценки и Codex
- Агенты и инструменты: первые шаги
- Надёжные агенты с памятью и сжатием контекста
- Агенты для работы с компьютером в песочницах Daytona
- Персонализация через долговременную память агента
- Подготовка окружения для работы с агентами
- Оценка агентов в Langfuse
- Мультиагентный анализ инвестиционного портфеля
- Промпт для Code Interpreter: лучшие практики GPT-4.1
- Промпт для редактора аналитических записок
- Промпт для ведущего фундаментального аналитика
- Промпт для макростратега
- Системный промпт управляющего портфелем
- Промпт для количественного аналитика
- Инструкции на случай сбоя вызова инструмента
- Параллельный запуск специализированных агентов
- Агент для миграции кода
- Запрос на миграцию с Chat Completions на Responses
- Запрос на миграцию с Chat Completions на Responses, пример 2
- Перенос старой кодовой базы агентами в песочнице
- Сканеры безопасности вместе с Agents SDK
- Кратковременная память агента через сессии
- Протокол совещаний с разметкой по говорящим
- Генерация картинок DALL·E в Azure
- Чат-модели в Azure OpenAI: настройка через портал
- Чат в Azure OpenAI на ваших собственных данных
- Текстовые дополнения в Azure OpenAI
- Эмбеддинги в Azure OpenAI: настройка через портал
- Вызов функций в Azure OpenAI
- Распознавание речи Whisper в Azure
- Чат-модели в Azure OpenAI: настройка и авторизация
- Чат в Azure OpenAI на своих данных: второй вариант
- Эмбеддинги в Azure OpenAI: настройка и авторизация
- Вызов функций в Azure OpenAI: второй вариант
- Распознавание речи Whisper в Azure: второй вариант
- Пакетная обработка через Batch API
- Переводим книгу на LaTeX со словенского на английский
- Голосовое приложение на Realtime Mini
- Промпт-инжиниринг в ChatGPT Enterprise на каждый день
- Быстрый старт с журналами Compliance Logs
- GPT Actions: первое подключение на примере погоды
- GPT Actions: подключаем BigQuery
- GPT Actions: подключаем Box
- GPT Actions для Canvas LMS
- GPT Actions: подключаем Confluence
- GPT Actions: подключаем GitHub
- GPT Actions: подключаем Gmail
- GPT Actions: подключаем Google Календарь
- GPT Actions: подключаем Google Drive
- GPT Actions: Google Ads через Adzviser
- GPT Actions: подключаем Jira
- GPT Actions: подключаем Notion
- GPT Actions: подключаем Outlook
- GPT Actions: подключаем AWS Redshift
- GPT Actions: запускаем сценарии Retool
- GPT Actions: подключаем корпоративное приложение
- GPT Actions: Salesforce и Gong
- GPT Actions: файлы из SharePoint для анализа
- GPT Actions: документы из SharePoint
- GPT Actions: прямое подключение к Snowflake
- GPT Actions: Snowflake через промежуточный сервис
- GPT Actions: подключаем базу данных SQL
- GPT Actions: управление API в Tray.ai
- GPT Actions для Workday
- GPT Actions: подключаем Zapier
- GPT Actions через AWS Lambda
- GPT Actions через Azure Functions
- GPT Actions через Google Cloud Functions
- Azure AI Search как векторная база для ChatGPT
- BigQuery и Cloud Functions в ChatGPT через GPT Actions
- Pinecone как база знаний для ChatGPT: подготовка
- Поиск по O365 и SharePoint из ChatGPT через Azure Functions
- Доступ к сайтам SharePoint через ChatGPT Admin API
- Запуск агента рабочего пространства через API
- Codex CLI сам чинит упавший CI на GitHub
- Циклы итеративных исправлений с Codex
- Автоматическое код-ревью на Codex SDK
- Обновляем старую кодовую базу с Codex
- Повторяемые процессы разработки с Codex CLI и Agents SDK
- Итеративная разработка вместе с Codex
- Связываем Jira и GitHub через Codex CLI
- Codex CLI в GitLab: качество кода и безопасность
- Цели в Codex для долгих задач
- Usage API: подробный разбор расходов на OpenAI
- Мультимодальный RAG на эмбеддингах CLIP и GPT-4 Vision
- Динамические маски с DALL·E и Segment Anything
- Как работать с DALL·E API
- Знакомство с Deep Research API
- Агенты для глубоких исследований
- Запускаем оценку голосового агента
- Как выбрать инструмент для оценки
- Оценка голосовых агентов: о чём это руководство
- Оценка RAG с LlamaIndex
- Первые шаги в OpenAI Evals
- Как оценивать качество пересказа
- Как проверять генерацию SQL языковыми моделями
- Что меняется при переходе на promptfoo
- Evals API: оценка на аудиоданных
- Evals API: оценка на изображениях
- Оценки на практике: массовые эксперименты с пуш-уведомлениями
- Оценки на практике: мониторинг пересказа уведомлений
- Проверяем ответы на базе MCP на своём наборе данных
- Оценки на практике: регрессия промпта для уведомлений
- Как проверить новую модель на старых ответах
- Как оценивать структурированный вывод
- Оценка работы с инструментами в OpenAI Evals
- Оцениваем качество веб-поиска на своём наборе данных
- Дообучение для RAG с Qdrant и few-shot
- Глава 1. Собираем данные об Олимпиаде 2020 из Википедии
- Глава 2. Синтетический набор вопросов и ответов
- Глава 3. Дообучаем модель отвечать на вопросы
- Дообучение с подкреплением для рассуждений в диалоге
- Как писать промпты для Codex
- Как писать промпты для GPT-5.1
- Как писать промпты для GPT-5.2
- Фронтенд с GPT-5
- Новые параметры и инструменты GPT-5
- Как писать промпты для GPT-5
- GPT-5: что делать, если модель ленится или перемудривает
- Переносим промпты на GPT-5 с оптимизатором
- Как задать агенту характер
- Как писать промпты для GPT-4.1
- Знакомство с GPT-4o и GPT-4o mini
- Копилот для цепочки поставок на Agents SDK и Databricks MCP
- Инструмент MCP в Responses API
- Переход с Whisper на GPT-Transcribe
- GPT-4o Vision вместе с вызовом функций
- Дообучение GPT-4o отвечать на вопросы по картинкам
- Выжимаем максимум из GPT-5.4 в работе с документами
- Оценка пространственного мышления GPT-5.5
- Как писать промпты для gpt-image-1.5
- Как писать промпты для генерации изображений
- Как оценивать генерацию и редактирование картинок
- RAG по изображениям через Vision и Responses API
- Картинки с прозрачным фоном для рекламы и презентаций
- Вызов функций в o3 и o4-mini
- Цепочки вызовов для структурированного вывода
- Рассуждающие модели для проверки данных
- Рассуждающие модели пишут регламенты для поддержки
- Свой интерпретатор кода: инструменты на лету с o3-mini
- Агент, который сам платит за API через AgentCore Payments
- Анализ AML с Agents SDK в Amazon Bedrock
- Модели OpenAI в Amazon Bedrock: первые шаги
- Управляемые агенты: практика агентного каркаса
- Проектирование через оценки: от прототипа до продакшена
- Макро-оценки агентных систем
- Голосовые агенты на MCP
- Как выбрать модель под реальную задачу
- SchemaFlow: агент анализирует изменения в базе данных
- Саморазвивающиеся агенты: автоматическое переобучение
- Краткий обзор: цели и главные выводы
- Вызов функций в рассуждающих моделях
- Рассуждающие модели работают лучше через Responses API
- Несколько инструментов и RAG в Responses API
- Что такое Responses API
- Навыки в OpenAI API
- Как писать промпты для Sora 2
- Выбираем модель по конверсии в Stripe
- Проверка качества и безопасности кода в пул-реквестах
- Дообучение GPT-3.5 и GPT-4 с Weights & Biases
- Автоматизация задач функциями на примере S3
- Мониторинг OpenAI API в W&B Weave
- Визуализация эмбеддингов в Kangas
- Визуализация эмбеддингов в W&B
- Визуализация эмбеддингов в Atlas
- Свой браузер для агента: поиск и пересказ страниц
- Анализ финансовых документов с LlamaIndex
- PolarDB-PG как векторная база для эмбеддингов
- Зачем модели свежие данные из поиска
- AnalyticDB как векторная база для эмбеддингов
- Ответы на вопросы с LangChain и AnalyticDB
- Azure AI Search как векторная база для эмбеддингов
- Философские цитаты на векторах и Astra DB
- Философские цитаты на векторах и Cassandra
- Философские цитаты на Cassandra через CQL
- Поиск по эмбеддингам в Chroma
- Надёжные ответы на вопросы с Chroma
- Ответы на вопросы с LangChain и Deep Lake
- RAG на Elasticsearch
- Семантический поиск на Elasticsearch
- Hologres как векторная база для эмбеддингов
- Kusto как векторная база для эмбеддингов
- Поиск с фильтрами в Milvus
- Первые шаги с Milvus
- Векторный поиск по шагам: окружение, эмбеддинги, хранение
- MyScale как векторная база для эмбеддингов
- Поиск по эмбеддингам в MyScale
- Поиск похожих векторов в Neon Postgres
- Долговременная память агента в Oracle AI Agent Memory
- Семантический поиск на LangChain и Oracle AI Database
- Подключаем Pinecone к GPT-4 для поиска по данным
- Ответы на вопросы с RAG на Pinecone
- Семантический поиск на Pinecone
- Поиск по эмбеддингам в Pinecone
- RAG по PDF с картинками через GPT-4o Vision
- Qdrant как векторная база для эмбеддингов
- Ответы на вопросы с LangChain и Qdrant
- Поиск по эмбеддингам в Qdrant
- Поиск по эмбеддингам в Redis
- Redis как векторная база
- Гибридный векторный поиск в Redis
- Векторы в Redis в формате JSON
- Redis как хранилище контекста для чата
- Семантический поиск на Supabase Vector
- Tair как векторная база для эмбеддингов
- Ответы на вопросы с LangChain и Tair
- Поиск по эмбеддингам в Typesense
- Поиск по эмбеддингам в Weaviate
- Генеративный поиск в Weaviate
- Weaviate с векторизацией OpenAI: поиск по эмбеддингам
- Weaviate с векторизацией OpenAI: гибридный поиск
- Ответы на вопросы в Weaviate
- Поиск с фильтрами в Zilliz
- Первые шаги с Zilliz
- Синхронный перевод разговора на Realtime API
- Приложения для живого перевода на gpt-realtime-translate
- ElatoAI: голосовой Realtime API на ESP32 и Arduino
- Управляем интонацией синтеза речи
- 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.