Byggande av agentbaserade AI-system med Python – Skapa autonoma agenter Träningskurs

Grundläggande begrepp inom agentbaserad AI

• Vad är en autonom agent: definitioner och taxonomi
• Agentloopen: cykeln med att uppfatta, besluta, agera och observera
• Designmönster för agentansvar och omfattning

Python-verktyg och agent-SDK:er

• Användning av LangChain och liknande SDK:er för att komma igång med agenter
• Asynkron programmering, uppgiftsköer och hantering av underprocesser
• Packagering, virtuella miljöer och reproducerbara utvecklingsarbetsflöden

Integrering av externa verktyg och API:er

• Design av gränssnitt för verktyg och säkra anropsmönster
• Anslutning till webb-API:er, databaser och interna tjänster
• Hantering av inloggningsuppgifter, hemligheter och åtkomst med minsta privilegie

Hantering av minne, tillstånd och kontext

• Korttidskontextfönster och tekniker för promptanpassning
• Arkitekturer för långtidsminne: Redis, vektorsamlingar och återsökning med berikning
• Konsistens, cache-strategier och minneshygiene

Orkestrering, planering och flerstegsarbetsflöden

• Koppling av åtgärder, underagenter och uppgiftsdekomposition
• Planeringsalgoritmer kontra heuristisk orkestrering
• Hantering av fel, återförsök och kompensatoriska åtgärder

Säkerhet, testning och observability

• Hotmodeller, röda team och rensning av indata/utdata
• Enhets-, integrations- och slutpunkt till slutpunkt-testning av agenter
• Loggning, metrik, spårning och aviseringar för agentbeteende

Implementering, skalning och MLOps för agenter

• Kontainersättning, CI/CD-pipelines och introduktionsstrategier
• Kostnadskontroll, hastighetsbegränsning och resursoptimering
• Övervakning, styrning och operativa playbooks

Sammanfattning och nästa steg