Kurz optimalizace Pythonu pro agentní AI

Lekce 1 • Objektově orientované vzory pro agenty

Použijte třídy, dědičnost a kompozici k modelování komponent agenta. Poskytuje strukturální slovník používaný v celém kurzu.

Lekce 2 • Nastavení prostředí a nástroje jazyka Python

Nakonfigurujte reprodukovatelná prostředí jazyka Python pomocí virtuálních prostředí a správců závislostí. Vytváří konzistentní pracovní prostor, na kterém závisí všechny následující kapitoly.

Lekce 3 • Postupy ošetření chyb a protokolování

Implementujte strukturované hierarchie výjimek a strukturované protokolování. Spolehlivé ošetření chyb je klíčové pro dlouho běžící autonomní agenty.

Lekce 4 • Přehled základních datových struktur jazyka Python

Znovu se podívejte na seznamy, slovníky, množiny a n-tice s důrazem na kompromisy ve výkonu. Přímo podporuje efektivní správu stavu uvnitř agentů.

Lekce 1 • Asynchronní fronty a agenti typu producent-konzument

Použijte fronty asyncio k oddělení producentů agentů od konzumentů. Modeluje vícestupňové pipeline agentů s řízením zpětného tlaku.

Lekce 2 • Synchronní vs. asynchronní provádění

Porovnejte blokující a neblokující modely provádění pomocí konkrétních benchmarků. Stanovuje motivaci pro přijetí asynchronních vzorů v agentních systémech.

Lekce 3 • Správa úloh a vzory gather

Plánujte více korutin pomocí úloh asyncio a gather. Umožňuje agentům rozesílat volání nástrojů a efektivně shromažďovat výsledky.

Lekce 4 • Asynchronní kontextové manažery a generátory

Implementujte asynchronní kontextové manažery a asynchronní generátory pro streamování bezpečné pro zdroje. Podporuje streamování odpovědí LLM uvnitř smyček agenta.

Lekce 1 • Trvalá úložiště backendu

Uchovávejte paměť agenta napříč relacemi pomocí relačních a klíč-hodnota úložišť. Umožňuje stavové agenty, kteří obnoví kontext po restartech.

Lekce 2 • Strategie optimalizace kontextového okna

Komprimujte, shrnujte a upřednostňujte paměť tak, aby se vešla do limitů kontextu LLM. Přímo zlepšuje koherenci agenta při dlouhotrvajících úlohách.

Lekce 3 • Taxonomie paměti agenta

Klasifikujte paměť agenta na pracovní, epizodickou, sémantickou a procedurální typy. Poskytuje koncepční mapu pro všechna rozhodnutí o návrhu paměti v kapitole.

Lekce 4 • Vektorová úložiště pro sémantické vyhledávání

Vložte text a dotazujte se vektorových úložišť, abyste agentům poskytli dlouhodobou sémantickou paměť. Propojuje generování rozšířené o vyhledávání s rozhodovacími smyčkami agenta.

Lekce 1 • Volání funkcí pomocí LLM API

Předávejte schémata nástrojů LLM API a analyzujte strukturované odpovědi volání funkcí. Přemosťuje propast mezi výstupem LLM a spustitelnými funkcemi jazyka Python.

Lekce 2 • Principy návrhu nástrojů

Definujte, co dělá dobrý agentní nástroj: atomicitu, idempotenci a jasná schémata. Stanovuje standardy návrhu aplikované na každý nástroj vytvořený v kapitole.

Lekce 3 • Logika opakování a obnova z chyb

Implementujte exponenciální zpětné vyčkávání, jističe a záložní strategie pro nástroje. Zajišťuje, že agenti zůstanou funkční, když se externí služby zhorší.

Lekce 4 • Sandboxové a bezpečné provádění nástrojů

Spouštějte nástroje generující kód v izolovaných podprocesech nebo kontejnerech. Zmírňuje bezpečnostní rizika plynoucí z provádění kódu generovaného agentem.

Lekce 1 • Prompt engineering pro uvažování

Vytvářejte systémové a uživatelské prompty, které vyvolávají strukturované uvažování řetězcem myšlenek. Dobře navržené prompty snižují halucinace a zlepšují kvalitu plánu.

Lekce 2 • Mechanismy sebeopravy a reflexe

Přidejte kroky reflexe, kde agenti kritizují a revidují své vlastní výstupy. Zlepšuje kvalitu konečné odpovědi u složitých, otevřených úloh.

Lekce 3 • Dekompozice cílů a plánování úloh

Rozložte cíle vysoké úrovně na seřazené dílčí úkoly pomocí plánů generovaných LLM. Umožňuje agentům řešit vícestupňové problémy nad rámec jednokolového uvažování.

Lekce 4 • Implementace smyčky ReAct v jazyce Python

Naprogramujte plnou smyčku ReAct s analýzou myšlenek, odesíláním nástrojů a vkládáním pozorování. Převádí článek o ReAct do spustitelného, testovatelného kódu v jazyce Python.

Lekce 1 • Implementace agenta orchestrátora

Vytvořte orchestrátor, který deleguje dílčí úkoly specializovaným agentům a agreguje výsledky. Demonstruje centrální koordinační vzor v systémech s více agenty.

Lekce 2 • Komunikační protokoly agentů

Definujte schémata zpráv a pravidla směrování pro komunikaci mezi agenty. Standardizované protokoly zabraňují selháním integrace, když rostou počty agentů.

Lekce 3 • Odolnost proti chybám v systémech s více agenty

Implementujte kontroly stavu, restartování a opětovné přiřazení úloh pro selhávající agenty. Zajišťuje, že celkový systém pokračuje v provozu navzdory selháním jednotlivých agentů.

Lekce 4 • Sdílená paměť a synchronizace stavu

Synchronizujte sdílený stav napříč agenty pomocí zámků, front a distribuovaných úložišť. Tím se předchází souběhovým podmínkám a zastaralým čtením v souběžných agentních systémech.

Lekce 1 • Profilovací nástroje a techniky

K nalezení míst s nejvyšší výkonnostní zátěží použijte nástroje cProfile, line_profiler a memory_profiler. Profilováním před optimalizací předejdete plýtvání úsilím na nekritické části kódu.

Lekce 2 • Strategie ukládání do mezipaměti pro volání agentů

Aplikujte ukládání do mezipaměti v paměti a distribuované mezipaměti, abyste se vyhnuli nadbytečným voláním LLM a nástrojů. Ukládání do mezipaměti je optimalizace s nejvyšším pákovým efektem pro agenty citlivé na latenci.

Lekce 3 • Paralelismus s multiprocessing a vlákny

Přesuňte úlohy vázané na CPU do fondů procesů a úlohy vázané na I/O do fondů vláken. Doplňuje asynchronní vzory pro úlohy, které blokují smyčku událostí.

Lekce 4 • Optimalizace zpracování dat v jazyce Python

Nahraďte pomalé smyčky jazyka Python vektorizovanými operacemi NumPy a efektivními komprehenzemi. Snižuje čas CPU pro kroky předzpracování agenta náročné na data.

Lekce 1 • Kontejnerizace a vzory nasazení

Zabalte agenty do kontejnerů a nasazujte pomocí orchestračních platforem. Kontejnerizace zajišťuje paritu prostředí mezi vývojem a produkcí.

Lekce 2 • Frameworky pro hodnocení agentů

Měřte výkon agenta pomocí metrik míry dokončení úlohy, věrnosti a latence. Kvantitativní hodnocení nahrazuje subjektivní úsudek reprodukovatelnými skóre.

Lekce 3 • CI/CD pipeline pro agentní systémy

Automatizujte testování, vyhodnocování a nasazení pomocí CI/CD pipeline. Průběžné doručování snižuje riziko nasazení nefunkčního chování agenta.

Lekce 4 • Jednotkové a integrační testování pro agenty

Pište jednotkové testy založené na pytest pro nástroje a integrační testy pro smyčky agenta. Automatizované testy zachytí regrese dříve, než se dostanou do produkce.