Intrati in legatura
 Durata 14 ore

Schița de curs

Introducere în LLM-uri și framework-uri de agenți

  • Prezentarea modelelor de limbaj mari în automatizarea infrastructurii
  • Concepte cheie în fluxurile de lucru multi-agent
  • AutoGen, CrewAI și LangChain: cazuri de utilizare în DevOps

Configurarea agenților LLM pentru sarcini DevOps

  • Instalarea AutoGen și configurarea profilurilor de agenți
  • Utilizarea API-ului OpenAI și a altor provideri de LLM-uri
  • Configurarea workspaces-urilor și a mediilor compatibile CI/CD

Automatizarea fluxurilor de lucru pentru testare și calitatea codului

  • Prompt-uri pentru LLM-uri pentru generarea testelor unitare și de integrare
  • Utilizarea agenților pentru aplicarea linting-ului, a regulilor de commit și a ghidurilor de code review
  • Rezumat automat al pull request-urilor și adăugarea de tag-uri

Agenți LLM pentru gestionarea alertelor și detectarea modificărilor

  • Proiectarea agenților responder pentru alertele de eșec în pipeline
  • Analiza log-urilor și a trace-urilor utilizând modele de limbaj
  • Detectarea proactivă a modificărilor cu risc ridicat sau a erorilor de configurare

Coordonare multi-agent în DevOps

  • Orchestrare a agenților bazată pe roluri (planificator, executor, reviewer)
  • Bucle de comunicare între agenți și gestionarea memoriei
  • Design „human-in-the-loop” pentru sisteme critice

Securitate, guvernanță și observabilitate

  • Gestionarea expunerii datelor și siguranța LLM-urilor în infrastructură
  • Auditarea acțiunilor agenților și restricționarea domeniului de acțiune
  • Monitorizarea comportamentului pipeline-urilor și feedback-ul modelului

Cazuri de utilizare reale și scenarii personalizate

  • Proiectarea fluxurilor de lucru ale agenților pentru răspunsul la incidente
  • Integrarea agenților cu GitHub Actions, Slack sau Jira
  • Practici recomandate pentru scalarea integrării LLM-urilor în DevOps

Rezumat și pașii următori

Cerințe

  • Experiență cu instrumentele DevOps și automatizarea pipeline-urilor
  • Cunoștințe practice în Python și fluxuri de lucru bazate pe Git
  • Înțelegerea funcționării LLM-urilor sau experiență cu prompt engineering

Public țintă

  • Ingineri de inovație și lideri de platformă integrați cu AI
  • Dezvoltatori de LLM-uri care lucrează în DevOps sau automatizare
  • Profesioniști DevOps care explorează framework-uri de agenți inteligenți

Numărul de participanți


Pret per participant

Cursuri viitoare

Categorii înrudite