Mulțumim pentru trimiterea solicitării! Un membru al echipei noastre vă va contacta în curând.
Mulțumim pentru trimiterea rezervării! Un membru al echipei noastre vă va contacta în curând.
Schița de curs
LangGraph și pattern-uri de agenți: o introducere practică
- Grafuri vs. lanțuri liniare: când și de ce
- Agenți, tool-uri și bucle planner-executor
- Flux de lucru de bază: un graf agentic minimal
Stare, memorie și transmiterea contextului
- Proiectarea stării grafului și a interfețelor nodurilor
- Memorie pe termen scurt vs. memorie persistentă
- Ferestre de context, rezumare și rehidratare
Logică de ramificare și flux de control
- Rutare condițională și decizii pe căi multiple
- Reîncercări, timeout-uri și întrerupătoare de circuit
- Soluții de rezervă, fundături și noduri de recuperare
Utilizarea tool-urilor și integrări externe
- Apelarea funcțiilor/tool-urilor din noduri și agenți
- Consumarea API-urilor REST și a bazelor de date din graf
- Parsarea și validarea ieșirilor structurate
Fluxuri de lucru ale agenților augmentate cu extragere de informații
- Strategii de ingerare și împărțire a documentelor
- Embedding-uri și stocuri vectoriale cu ChromaDB
- Răspunsuri fundamentate cu citări și măsuri de siguranță
Evaluare, depanare și observabilitate
- Urmărirea căilor și inspectarea interacțiunilor dintre noduri
- Seturi de referință, evaluări și teste de regresie
- Monitorizarea calității, siguranței și a costului/latenței
Împachetare și livrare
- Servire FastAPI și gestionarea dependențelor
- Versionarea grafurilor și strategii de rollback
- Playbook-uri operaționale și răspuns la incidente
Rezumat și pașii următori
Cerințe
- Cunoștințe practice de Python
- Experiență în construirea aplicațiilor LLM sau a lanțurilor de prompturi
- Familiaritate cu API-urile REST și JSON
Public țintă
- Ingineri AI
- Product manageri
- Dezvoltatori care construiesc sisteme interactive bazate pe LLM
14 Ore
