Understand Agentic AI

MP4 |视频：h264，1920×1080 |音频：AAC，44.1 KHz，2 Ch
语言：英语 |时长：1小时12米

你将学到什么

• 掌握代理 AI 的基础
• 实施 ReAct 框架
• 设计先进的内存和安全系统
• 编排多代理系统 (MAS)

要求

要在本课程中取得成功，您必须在 Python 编程方面拥有坚实的基础，特别是类、装饰器和字典，因为这些对于构建所讨论的工具注册表和代理对象至关重要。您还应该具备基本的人工智能素养，包括了解大型语言模型如何运行以及与 API 交互以处理 JSON 数据的经验。此外，您还需要 VS Code 或 Jupyter Notebooks 等开发环境，以及 LLM 提供商（例如 OpenAI、Anthropic 或 Google Gemini）的访问权限来执行推理循环和多代理工作流程。虽然本课程涉及 ReAct 框架和分层编排等高级架构，但它是为任何能够将复杂问题分解为逻辑步骤并准备好从基本提示过渡到构建自主人工智能机构的开发人员而设计的。

描述

本课程从技术角度深入探讨使用 G.A.M.E. 的自主多代理 AI 系统的架构。 （目标、行动、记忆、环境）和 P.A.R.A.框架。通过掌握 ReAct（推理 + 行动）循环，您将超越基本的提示工程，了解专业“人工智能机构”的机制——一种迫使代理在执行之前用语言表达内部逻辑的方法。这确保了决策过程的每一步都是透明的、系统的和可审计的，弥合了静态法学硕士响应和动态代理行为之间的差距。

课程重点关注基于 Python 的工具注册表的实用逻辑，您将了解如何装备代理来自主执行代码、与外部 API 交互以及执行实时网络搜索。您将探索复杂的内存管理策略，包括通过向量数据库进行语义检索 (RAG) 和代理内存修剪，以有效克服上下文窗口限制并在复杂的多轮交互中保持长期会话相关性。

本课程的主要重点是多代理编排，您将在其中学习如何逻辑地构建协作工作流程。您将学习定义专门的角色（例如研究人员、编码人员和评论家），并了解如何将它们组织成分层或顺序系统。通过实施人在环 (HITL) 安全护栏，您将确保您的 AI 生态系统保持可控。对于旨在构建自我纠正、可用于生产的人工智能系统的开发人员和架构师来说，本课程至关重要，这些系统为现实世界的企业应用程序提供可靠且透明的推理路径。

本课程适合谁

本课程专为软件开发人员、人工智能工程师和技术架构师设计，他们已准备好超越基本的即时工程并探索自主多代理系统的前沿。对于具有 Python 工作知识和对大型语言模型 (LLM) 有深入了解但想要掌握构建生产级 AI 机构所需的架构模式（例如 ReAct、Orchestrator-Workers 和 Evaluator-Optimizers）的专业人士来说，它是理想的选择。无论您是寻求自动化数据合成的研究人员、旨在将代理工作流程集成到企业应用程序中的编码员，还是渴望了解从单任务人工智能到协作生态系统转变的计算机科学学生，本课程都提供了成功所需的技术深度和实际实施步骤。这些内容对于那些优先考虑系统可靠性、可听性和安全性的人来说特别有价值，为通过矢量数据库和基本的人机交互护栏实现长期记忆提供了清晰的路线图。