Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
Návrh Školení
LangGraph a vzory agentů: Praktický úvod
- Grafy vs. lineární řetězce: kdy a proč.
- Agenti, nástroje a plánovač-vykonávat cykly.
- Pracovní postup Hello: minimální agentní graf.
Stav, paměť a přenos kontextu
- Navrhování stavu grafu a rozhraní uzlů.
- Krátkodobá paměť vs. perzistentní paměť.
- Kontextová okna, shrnování a rehydratace.
Rozvětvovací logika a řízení toku
- Podmíněné směrování a rozhodování po více cestách.
- Opakování, časové limity a pojistky (circuit breakers).
- Záložní řešení, slepé uličky a uzly pro obnovu.
Používání nástrojů a externí integrace
- Volání funkcí/nástrojů z uzlů a agentů.
- Přístup k REST API a databázím z grafu.
- Rozpoznávání a validace strukturovaných výstupů.
Pracovní postupy agentů s retrieval-ově přidanými znalostmi (RAG)
- Příjem dokumentů a strategie segmentace na úryvky.
- Vektorová ukotvení a vektorová databáze s ChromaDB.
- Základy odpovědí s citacemi a ochrannými opatřeními.
Hodnocení, ladění a monitorovatelnost
- Sledování cest a inspekce interakcí uzlů.
- Zlaté sady, hodnocení a regresní testy.
- Monitorování kvality, bezpečnosti a nákladů/latence.
Balení a dodávka
- Podávání přes FastAPI a správa závislostí.
- Verzování grafů a strategie rollbacku.
- Operační příručky a reakce na incidenty.
Shrnutí a další kroky
Požadavky
- Znalost Pythonu na úrovni pro běžnou práci.
- Zkušenosti s tvorbou aplikací LLM nebo promptových řetězců.
- Znalost REST API a JSON.
Cílová skupina
- Inženýři AI.
- Produkční manažeři.
- Vývojáři vytvářející interaktivní systémy řízené LLM.
14 Hodiny
