Kurs i Python-optimering för agentisk AI

Lektion 1 • Objektorienterade mönster för agenter

Tillämpa klasser, arv och komposition för att modellera agentkomponenter. Ger det strukturella ordförråd som används genom hela kursen.

Lektion 2 • Python-miljöinstallation och verktyg

Konfigurera reproducerbara Python-miljöer med hjälp av virtuella miljöer och beroendehanterare. Etablerar den konsekventa arbetsyta som alla efterföljande kapitel är beroende av.

Lektion 3 • Felhantering och loggningspraxis

Implementera strukturerade undantagshierarkier och strukturerad loggning. Tillförlitlig felhantering är avgörande för långvariga autonoma agenter.

Lektion 4 • Genomgång av grundläggande Python-datastrukturer

Återbesök listor, dicts, set och tuple med tonvikt på prestandaavvägningar. Stöder direkt effektiv tillståndshantering inuti agenter.

Lektion 1 • Asynkrona köer och producent-konsument-agenter

Använd asyncio-köer för att frikoppla agentproducenter från konsumenter. Modellerar flerstegs agentpipelines med mottryckskontroll.

Lektion 2 • Synkron kontra asynkron exekvering

Kontrastera blockerande och icke-blockerande exekveringsmodeller med konkreta riktmärken. Sätter motivationen för att anta asynkrona mönster i agentsystem.

Lektion 3 • Hantera uppgifter och gather-mönster

Schemalägg flera korutiner med asyncio-uppgifter och gather. Möjliggör för agenter att sprida verktygsanrop och samla in resultat effektivt.

Lektion 4 • Asynkrona kontexthanterare och generatorer

Implementera asynkrona kontexthanterare och asynkrona generatorer för resurssäker strömning. Stöder strömmande LLM-svar inuti agentslingor.

Lektion 1 • Beständiga lagringsbackend

Gör agentminne beständigt över sessioner med hjälp av relations- och nyckelvärdeslager. Möjliggör tillståndsbevarande agenter som återupptar kontext efter omstarter.

Lektion 2 • Strategier för kontextfönsteroptimering

Komprimera, sammanfatta och prioritera minne för att passa LLM-kontextgränser. Förbättrar direkt agentkoherens vid långvariga uppgifter.

Lektion 3 • Taxonomi för agentminne

Klassificera agentminne i arbetsminne, episodiskt, semantiskt och procedurminne. Tillhandahåller den konceptuella kartan för alla minnesdesignbeslut i kapitlet.

Lektion 4 • Vektorlager för semantisk sökning

Bädda in text och fråga vektorlager för att ge agenter långsiktigt semantiskt minne. Kopplar sökförstärkt generering till agentbeslutsslingor.

Lektion 1 • Funktionsanrop med LLM-API:er

Skicka verktygsscheman till LLM-API:er och tolka strukturerade funktionsanropssvar. Överbryggar klyftan mellan LLM-utdata och exekverbara Python-funktioner.

Lektion 2 • Principer för verktygsdesign

Definiera vad som gör ett bra agentverktyg: atomicitet, idempotens och tydliga scheman. Fastställer designstandarder som tillämpas på varje verktyg som byggs i kapitlet.

Lektion 3 • Återförsökslogik och felåterställning

Implementera exponentiell backoff, strömbrytare och fallbackstrategier för verktyg. Säkerställer att agenter förblir funktionsdugliga när externa tjänster försämras.

Lektion 4 • Sandboxad och säker verktygsexekvering

Kör kodgenererande verktyg i isolerade underprocesser eller containers. Minskar säkerhetsrisker från agentgenererad kodexekvering.

Lektion 1 • Prompt engineering för resonemang

Utforma system- och användarprompter som framkallar strukturerade chain-of-thought-resonemang. Väl utformade prompter minskar hallucination och förbättrar plankvaliteten.

Lektion 2 • Mekanismer för självkorrigering och reflektion

Lägg till reflektionssteg där agenter kritiserar och reviderar sina egna utdata. Förbättrar slutlig svarskvalitet på komplexa, öppna uppgifter.

Lektion 3 • Målnedbrytning och uppgiftsplanering

Bryt ned högnivåmål i ordnade deluppgifter med hjälp av LLM-genererade planer. Gör det möjligt för agenter att hantera flerstegsproblem bortom enstegsresonemang.

Lektion 4 • Implementering av ReAct-slingan i Python

Koda en fullständig ReAct-slinga med tanketolkning, verktygsdispatch och observationsinjektion. Översätter ReAct-artikeln till körbar, testbar Python.

Lektion 1 • Implementering av orkestratoragent

Bygg en orkestrator som delegerar deluppgifter till specialistagenter och aggregerar resultat. Demonstrerar det centrala koordinationsmönstret i multiagentsystem.

Lektion 2 • Kommunikationsprotokoll för agenter

Definiera meddelandescheman och routingregler för interagentkommunikation. Standardiserade protokoll förhindrar integrationsfel när antalet agenter växer.

Lektion 3 • Feldtolerans i multiagentsystem

Implementera hälsokontroller, omstarter och uppgiftsomtilldelning för felande agenter. Säkerställer att det övergripande systemet fortsätter att fungera trots individuella agentfel.

Lektion 4 • Delat minne och tillståndssynkronisering

Synkronisera delat tillstånd över agenter med hjälp av lås, köer och distribuerade lager. Förhindrar tävlingstillstånd och inaktuella läsningar i samtidiga agentsystem.

Lektion 1 • Profileringsverktyg och -tekniker

Använd cProfile, line_profiler och memory_profiler för att lokalisera prestandahotspots. Profilering före optimering förhindrar bortkastad ansträngning på icke-kritiska kodvägar.

Lektion 2 • Cachningsstrategier för agentanrop

Tillämpa caching i minnet och distribuerad caching för att undvika redundanta LLM- och verktygsanrop. Cachning är den mest hävstångseffektiva optimeringen för latenskänsliga agenter.

Lektion 3 • Parallellism med multiprocessing och trådar

Avlasta CPU-bundna uppgifter till processpooler och I/O-bundna uppgifter till trådpooler. Kompletterar asynkrona mönster för arbetsbelastningar som blockerar händelseloopen.

Lektion 4 • Optimering av Python-databehandling

Ersätt långsamma Python-loopar med vektoriserade NumPy-operationer och effektiva comprehensions. Minskar CPU-tid för datatunga agentförbehandlingssteg.

Lektion 1 • Containerisering och driftsättningsmönster

Paketera agenter i containers och driftsätt med orkestreringsplattformar. Containerisering säkerställer miljöparitet mellan utveckling och produktion.

Lektion 2 • Ramverk för agentutvärdering

Mät agentprestanda med uppgiftsslutförandegrad, trohet och latensmätvärden. Kvantitativ utvärdering ersätter subjektiv bedömning med reproducerbara poäng.

Lektion 3 • Kontinuerlig leverans

Automatisera testning, utvärdering och driftsättning genom CI/CD-pipelines. Kontinuerlig leverans minskar risken för att leverera trasigt agentbeteende.

Lektion 4 • Enhets- och integrationstestning för agenter

Skriv pytest-baserade enhetstester för verktyg och integrationstester för agentslingor. Automatiserade tester fångar regressioner innan de når produktion.