Kursus Optimasi Python untuk Agentic AI

Pelajaran 1 • Pola Berorientasi Objek untuk Agen

Terapkan kelas, pewarisan, dan komposisi untuk memodelkan komponen agen. Menyediakan kosakata struktural yang digunakan di seluruh kursus.

Pelajaran 2 • Penyiapan Lingkungan Python dan Perkakas

Konfigurasikan lingkungan Python yang dapat direproduksi menggunakan lingkungan virtual dan manajer dependensi. Membangun ruang kerja yang konsisten yang menjadi sandaran semua bab berikutnya.

Pelajaran 3 • Praktik Penanganan Kesalahan dan Pencatatan Log

Implementasikan hierarki pengecualian terstruktur dan pencatatan log terstruktur. Penanganan kesalahan yang andal sangat penting untuk agen otonom yang berjalan lama.

Pelajaran 4 • Tinjauan Struktur Data Inti Python

Kunjungi kembali list, dict, set, dan tuple dengan penekanan pada trade-off kinerja. Mendukung langsung manajemen status yang efisien di dalam agen.

Pelajaran 1 • Antrean Asinkron dan Agen Produsen-Konsumen

Gunakan antrean asyncio untuk memisahkan produsen agen dari konsumen. Memodelkan pipeline agen multi-langkah dengan kontrol tekanan balik.

Pelajaran 2 • Eksekusi Sinkron vs. Asinkron

Kontraskan model eksekusi blocking dan non-blocking dengan tolok ukur konkret. Menetapkan motivasi untuk mengadopsi pola async dalam sistem agen.

Pelajaran 3 • Pola Mengelola Tugas dan Gather

Jadwalkan beberapa korutin dengan tugas asyncio dan gather. Memungkinkan agen untuk melakukan fan-out panggilan alat dan mengumpulkan hasil secara efisien.

Pelajaran 4 • Manajer Konteks Asinkron dan Generator

Implementasikan manajer konteks asinkron dan generator asinkron untuk streaming yang aman terhadap sumber daya. Mendukung streaming respons LLM di dalam loop agen.

Pelajaran 1 • Backend Penyimpanan Permanen

Pertahankan memori agen di seluruh sesi menggunakan penyimpanan relasional dan key-value. Memungkinkan agen yang memiliki status untuk melanjutkan konteks setelah restart.

Pelajaran 2 • Strategi Optimasi Jendela Konteks

Kompres, rangkum, dan prioritaskan memori agar sesuai dengan batas konteks LLM. Secara langsung meningkatkan koherensi agen pada tugas yang berjalan lama.

Pelajaran 3 • Taksonomi Memori Agen

Klasifikasikan memori agen ke dalam tipe kerja, episodik, semantik, dan prosedural. Menyediakan peta konseptual untuk semua keputusan desain memori dalam bab ini.

Pelajaran 4 • Penyimpanan Vektor untuk Pengambilan Semantik

Embed teks dan kueri penyimpanan vektor untuk memberikan memori semantik jangka panjang kepada agen. Menghubungkan retrieval-augmented generation ke loop keputusan agen.

Pelajaran 1 • Pemanggilan Fungsi dengan API LLM

Berikan skema alat ke API LLM dan parse respons pemanggilan fungsi terstruktur. Menjembatani kesenjangan antara keluaran LLM dan fungsi Python yang dapat dieksekusi.

Pelajaran 2 • Prinsip Desain Alat

Definisikan apa yang membuat alat agen yang baik: atomisitas, idempotensi, dan skema yang jelas. Menetapkan standar desain yang diterapkan pada setiap alat yang dibangun dalam bab ini.

Pelajaran 3 • Logika Percobaan Ulang dan Pemulihan Kesalahan

Implementasikan backoff eksponensial, pemutus sirkuit, dan strategi cadangan untuk alat. Memastikan agen tetap berfungsi ketika layanan eksternal menurun.

Pelajaran 4 • Eksekusi Alat yang Diamankan dan Terisolasi

Jalankan alat penghasil kode dalam subproses atau kontainer yang terisolasi. Mengurangi risiko keamanan dari eksekusi kode yang dihasilkan agen.

Pelajaran 1 • Rekayasa Prompt untuk Penalaran

Buat prompt sistem dan pengguna yang memunculkan penalaran chain-of-thought terstruktur. Prompt yang dirancang dengan baik mengurangi halusinasi dan meningkatkan kualitas rencana.

Pelajaran 2 • Mekanisme Koreksi Diri dan Refleksi

Tambahkan langkah refleksi di mana agen mengkritik dan merevisi keluaran mereka sendiri. Meningkatkan kualitas jawaban akhir pada tugas yang kompleks dan terbuka.

Pelajaran 3 • Dekomposisi Tujuan dan Perencanaan Tugas

Pecah tujuan tingkat tinggi menjadi subtugas yang diurutkan menggunakan rencana yang dihasilkan LLM. Memungkinkan agen menangani masalah multi-langkah di luar penalaran satu giliran.

Pelajaran 4 • Mengimplementasikan Loop ReAct dalam Python

Kode loop ReAct penuh dengan parsing pemikiran, pengiriman alat, dan injeksi observasi. Menerjemahkan makalah ReAct ke dalam Python yang dapat dijalankan dan diuji.

Pelajaran 1 • Implementasi Agen Orkestrator

Bangun orkestrator yang mendelegasikan subtugas ke agen spesialis dan menggabungkan hasil. Mendemonstrasikan pola koordinasi pusat dalam sistem multi-agen.

Pelajaran 2 • Protokol Komunikasi Agen

Definisikan skema pesan dan aturan perutean untuk komunikasi antar-agen. Protokol yang terstandarisasi mencegah kegagalan integrasi seiring bertambahnya jumlah agen.

Pelajaran 3 • Toleransi Kesalahan dalam Sistem Multi-Agen

Implementasikan pemeriksaan kesehatan, restart ulang, dan penugasan ulang tugas untuk agen yang gagal. Memastikan seluruh sistem terus beroperasi meskipun ada kegagalan agen individu.

Pelajaran 4 • Memori Bersama dan Sinkronisasi Status

Sinkronkan status bersama di seluruh agen menggunakan kunci, antrean, dan penyimpanan terdistribusi. Mencegah kondisi balapan dan pembacaan basi dalam sistem agen yang konkuren.

Pelajaran 1 • Alat dan Teknik Pembuatan Profil

Gunakan cProfile, line_profiler, dan memory_profiler untuk menemukan titik panas kinerja. Pembuatan profil sebelum optimasi mencegah upaya yang terbuang pada jalur kode yang tidak kritis.

Pelajaran 2 • Strategi Cache untuk Panggilan Agen

Terapkan cache dalam memori dan terdistribusi untuk menghindari panggilan LLM dan alat yang berlebihan. Caching adalah optimasi dengan leverage tertinggi untuk agen yang sensitif terhadap latensi.

Pelajaran 3 • Paralelisme dengan Multiprosesing dan Thread

Alihkan tugas terikat CPU ke kumpulan proses dan tugas terikat I/O ke kumpulan thread. Melengkapi pola async untuk beban kerja yang memblokir event loop.

Pelajaran 4 • Mengoptimalkan Pemrosesan Data Python

Ganti loop Python lambat dengan operasi NumPy yang divektorisasi dan pemahaman yang efisien. Mengurangi waktu CPU untuk langkah prapemrosesan agen yang berat data.

Pelajaran 1 • Pola Kontainerisasi dan Penerapan

Kemas agen dalam kontainer dan terapkan dengan platform orkestrasi. Kontainerisasi memastikan kesetaraan lingkungan antara pengembangan dan produksi.

Pelajaran 2 • Framework Evaluasi Agen

Ukur kinerja agen dengan metrik tingkat penyelesaian tugas, ketepatan, dan latensi. Evaluasi kuantitatif menggantikan penilaian subjektif dengan skor yang dapat direproduksi.

Pelajaran 3 • Pipeline CI/CD untuk Sistem Agenik

Otomatiskan pengujian, evaluasi, dan penerapan melalui pipeline CI/CD. Pengiriman berkelanjutan mengurangi risiko mengirimkan perilaku agen yang rusak.

Pelajaran 4 • Pengujian Unit dan Integrasi untuk Agen

Tulis pengujian unit berbasis pytest untuk alat dan pengujian integrasi untuk loop agen. Pengujian otomatis menangkap regresi sebelum mencapai produksi.