Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Revisión de los conceptos básicos de AutoGen
- Definiciones de agentes y grupos.
- Llamadas a funciones y encadenamiento de roles.
- Limitaciones de los agentes integrados y áreas donde se necesita personalización.
Construcción de agentes personalizados con Python
- Definición del comportamiento del agente utilizando subclases user_proxy y AssistantAgent.
- Inyección de lógica específica por rol y toma de decisiones.
- Creación de módulos y mezclas (mixins) de agentes reutilizables.
Integración avanzada de herramientas y enrutamiento
- Registro, vinculación e invocación de herramientas.
- Enrutamiento condicional de entradas a herramientas específicas.
- Gestión de cadenas de herramientas multi-paso y acciones compuestas.
Planificación y gestión de contexto
- Diseño de descomponedores de tareas y planificadores intermedios.
- Mantenimiento del contexto entre agentes encadenados.
- Implementación de memoria con alcance limitado para sesiones prolongadas.
Mecanismos de manejo de errores y recuperación
- Detección y gestión de interacciones fallidas o incompletas.
- Rintentos desencadenados por agentes y lógica de respaldo (fallback).
- Registro, depuración y validación de respuestas.
Colaboración multi-agente con roles personalizados
- Coordinación de especialistas dentro de grupos dinámicos de agentes.
- Orquestación de bucles de razonamiento y flujos de trabajo cooperativos.
- Separación versus fusión de roles en la asignación de tareas.
Estrategias de implementación en el mundo real
- Optimización para rendimiento y costos (uso de tokens, almacenamiento en caché).
- Integración de flujos de trabajo de AutoGen en aplicaciones web o pipelines.
- Seguridad, observabilidad e integración de retroalimentación del usuario.
Resumen y próximos pasos
Requerimientos
- Habilidad en programación con Python.
- Experiencia desarrollando aplicaciones basadas en LLM.
- Familiaridad con llamadas a funciones y diseño de sistemas multi-agente.
Público objetivo
- Desarrolladores senior.
- Ingenieros de plataformas.
- Arquitectos de IA.
14 Horas
Testimonios (1)
Me gustó que constantemente proporcionara ejemplos, pero también ofreciera tiempo para el trabajo individual sobre lo que presentaba.
Iacob Giorgel
Curso - Agentic AI Unleashed: Crafting LLM Applications with AutoGen
Traducción Automática