Благодарим ви, че изпратихте вашето запитване! Един от членовете на нашия екип ще се свърже с вас скоро.
Благодарим ви, че направихте своята резервация! Един от членовете на нашия екип ще се свърже с вас скоро.
Продължителност 14 часa
Съдържание и теми, включени в курса
Въведение в LLM-и и агентни фреймуъръци
- Преглед на големите езикови модели в автоматизацията на инфраструктурата
- Ключови концепции в многоагентните работни потоци
- AutoGen, CrewAI и LangChain: случаи на приложение в DevOps
Подготвяне на LLM агенти за DevOps задачи
- Инсталиране на AutoGen и конфигуриране на агентни профили
- Използване на OpenAI API и други LLM доставчици
- Настройка на работни пространства и среди, съвместими с CI/CD
Автоматизация на тестове и работни потоци за качество на кода
- Промптиране на LLM-и за генериране на unit и интеграционни тестове
- Използване на агенти за налагане на линтинг, правила за комити и насоки за преглед на кода
- Автоматизирано резюмиране и тагиране на pull заявки
LLM агенти за обработка на алерти и детектиране на промени
- Проектиране на отговарящи агенти за алерти при неизправности в пайплайна
- Анализ на лога и трейсинга с помощта на езикови модели
- Активно детектиране на високо рисковани промени или неправилни конфигурации
Координация на множество агенти в DevOps
- Ролева оркестрация на агенти (планировач, изпълнител, преглеждащ)
- Съобщителни цикли между агенти и управление на паметта
- Дизайн с човешко участие за критични системи
Сигурност, управление и наблюдаемост
- Обработка на излагане на данни и сигурност на LLM в инфраструктурата
- Аудит на действията на агентите и ограничаване на обхвата им
- Проследяване на поведението на пайплайна и обратната връзка от модела
Практически примери и сценарии по поръчка
- Проектиране на агентни работни потоци за реакция на инциденти
- Интегриране на агенти с GitHub Actions, Slack или Jira
- Най-добрите практики за мащабиране на LLM интеграцията в DevOps
Обобщение и следващи стъпки
Изисквания
- Опит с DevOps инструменти и автоматизация на пайплайни
- Практически познания по Python и Git-базирани работни потоци
- Разбиране на LLM-и или опит с промпт инженеринг
Целева аудитория
- Инженери по иновации и ръководители на платформи с интегриран ИИ
- Разработчици на LLM-и, работещи в областта на DevOps или автоматизацията
- Професионалисти в DevOps, изследващи рамки за интелигентни агенти