Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
Doba trvání 14 hodiny
Návrh Školení
LangGraph a vzory agentů: Praktický úvod
- Grafy vs. lineární řetězce: kdy a proč
- Agenti, nástroje a cykly plánovače-a-executoru (planner-executor)
- Ahoj, pracovní tok: minimální agentový graf
Stav, paměť a přenos kontextu
- Navrhování stavu grafu a rozhraní uzlů
- Krátkodobá paměť vs. perzistentní paměť
- Okna kontextu, shrnutí a rehydratace (obnovení stavu)
Logika rozvětvení a řízení toku
- Podmíněné směrování a rozhodování v více cestách
- Opakování pokusů, časové limity a pojistky (circuit breakers)
- Záložní mechanismy, slepé uličky a uzly pro obnovení
Využívání nástrojů a externí integrace
- Volání funkcí/nástrojů z uzlů a agentů
- Konzumování REST API a databází z grafu
- Analýza a validace strukturovaného výstupu
Pracovní toky agentů se zesíleným získáváním informací (RAG)
- Průběh dokumentů a strategie rozdělování do úseků (chunking)
- Embeddings a vektorové úložiště s ChromaDB
- Odpovědi zakotvené v datech s citacemi a ochrannými mechanismy
Hodnocení, ladění a sledovatelnost (observability)
- Sledování cest a inspekce interakcí uzlů
- Zlaté sady (golden sets), hodnocení a regrezní testy
- Sledování kvality, bezpečnosti, nákladů a latence
Balíčkování a dodávka
- Služby FastAPI a správa závislostí
- Verzování grafů a strategie rollbacku
- Operativní příručky a reakce na incidenty
Shrnutí a další kroky
Požadavky
- Praktické znalosti jazyka Python
- Zkušenosti s výstavbou aplikací LLM nebo řetězců promptů
- Poznání REST API a formátu JSON
Cílová skupina
- Inženýři AI
- Produktoví manažeři
- Vývojáři tvářící se s interaktivními systémy poháněnými LLM