Частина 1:

– Generative AI та архітектура Transformer.
– Принципи роботи LLM та основні етапи її навчання.
– Можливості та обмеження LLM.
– Доступні LLM на ринку та їхня класифікація.

Частина 2:

– Огляд моделей від OpenAI та варіанти їхнього хостингу.
– Реєстрація облікового запису та використання пісочниці.
– Порівняння з моделями від Anthropic.
– Розгортання моделей на Amazon Bedrock.
– Основи промпт інжинірингу.
– Принципи використання та основні можливості OpenAI API.

Частина 3:

– Знайомство з LangChain.
– Налаштування оточення для роботи з LangChain.
– Короткий огляд основних фіч.
– Використання шаблонів промптів.
– Побудова простого LangChain ланцюжка в режимі чату.
– Використання структурних відповідей.

Частина 4:

– Налаштування пам’яті, різні режими пам’яті.
– Реалізація персистентної пам’яті.
– RAG для додавання приватних знань у контекст.
– Embedding та інтеграція з різними векторними сховищами.
– Різні стратегії RAG.

Частина 5:

– Визначення автономного агента.
– Паттерн ReAct.
– Додавання інструментів.
– Існуючі інструменти та їх інтеграція.
– Протокол MCP та його переваги.
– Інтеграція з існуючими серверами MCP.
– Реалізація простого агента із набором інструментів.

Частина 6:

– Обмеження патерну ReAct.
– Інші архітектурні підходи до побудови агентів.
– Plan-Execute, ReWOO, мультиагентна архітектура.
– Ознайомлення з LangGraph для оркестрації агентів.
– Побудова агента Plan-Execute за допомогою LangGraph.
– Управління персистентною довгостроковою пам’яттю.

Частина 7:

– Використання deep agents для довгострокових завдань.
– Subagents, skills та sandboxes.
– Архітектура agentic harness в Managed Agents від Anthropic.
– Розгортання агентів за допомогою Managed Agents.

Частина 8:

– Моніторинг роботи агентів.
– Тестування якості роботи агентів.
– Розгортання та масштабування агентів.
– Оптимізація інтеграції за вартістю та швидкістю роботи.