现代自动化 AI 代理向您介绍了自动化代理的概念。然后，它帮助您建立对如何设计、构建和优化 AI 代理以应对现实世界挑战的坚实基础。

关于讲师

赛纳米·奥兹德米尔是 LoopGenius 的创始人和首席技术官，他利用最先进的 AI 技术帮助人们创建和运营他们的企业。赛纳米曾是约翰霍普金斯大学数据科学讲师，也是数据科学和机器学习多本教科书和视频的作者。此外，他还是最近被收购的 Kylie.ai 的创始人，Kylie.ai 是一个具有 RPA 功能的企业级对话式 AI 平台。他拥有约翰霍普金斯大学纯数学硕士学位，总部位于加利福尼亚州旧金山。

学习如何

• 构建和使用 AI 代理
• 评估 AI 代理框架
• 开始使用 CrewAI
• 使用 LangGraph 设计多步骤工作流
• 使用大型语言模型（LLMs）
• 集成现有和自定义工具
• 使用思考、行动、观察和响应组件
• 测试和评估代理、它们的响应、背景故事、定义和规则
• 为代理添加规划和反思以提升性能

适合谁学习这门课程

开发人员、数据科学家和工程师，他们对构建能够解决复杂问题并适应动态环境的智能、自主 AI 代理感兴趣

课程要求

• 熟练掌握 Python 3，并有一些在交互式 Python 环境中工作的经验，包括 Notebooks（Jupyter/Google Colab/Kaggle Kernels）
• 熟练使用 Pandas 库以及 TensorFlow 或 PyTorch
• 理解机器学习/深度学习基础知识，包括训练/测试集划分、损失/代价函数以及梯度下降

课程描述

第一课：AI 代理简介

第 1 课探讨了现代 AI 代理的组成部分、核心组件以及它们与底层 LLMs 的区别。你将学习代理如何自动化任务、做出决策以及适应动态环境以取得显著成果。

第 2 课：AI 代理的内部机制

第 2 课深入探讨了 AI 代理的机制，介绍了不同类型的 LLMs，以及特定类型的 LLM——自回归模型，如何驱动几乎所有代理工作流程。您将了解到工具、提示和代理上下文如何协同工作，以创建智能 AI 代理系统。

第 3 课：构建 AI 代理

第 3 课是时候将理论付诸实践，通过设计和构建您自己的完全功能齐全的 AI 代理框架。您将集成工具，构建可行的提示，并学习如何动态处理用户输入，以创建可适应的端到端代理系统。

第 4 课：测试和评估代理

第 4 课重点介绍使用简单指标（如准确率、响应时间和任务完成率）来衡量代理性能，然后再过渡到更高级的策略来解决结构性代理偏差，并确保生成式代理响应的可靠结果。

第 5 课：扩展 ReAct 并加入规划和反思

在这节课中，我们将通过规划和反思技术来增强我们自己的代理，使它们能够更加谨慎地推理任务。这些方法将使我们的代理能够更仔细地处理简单的流程，并通常产生更高质量的输出。

第六课：高级应用与未来方向

在之前的课程中，你已经构建了代理，迭代它们，测试它们，但接下来是什么？第6课涵盖了新兴趋势，如有意义的跨代理协作、实时数据集成以及自动化某些类型工作的伦理考量。