Developing in Agentic AI Systems (GH-600T00)

Cloud
Strojově přeloženo

Tento kurz je navržen tak, aby rozvíjel praktické dovednosti v oblasti vývoje, nasazování a správy agentních systémů AI v rámci pracovních postupů vývoje softwaru založených na platformě GitHub. Kurz zkoumá, jak integrovat agenty AI do životního cyklu vývoje softwaru (SDLC), včetně návrhu architektur agentů, konfigurace nástrojů a prostředí a správy paměti, stavu a provádění agentů. Studenti se naučí, jak vyhodnocovat a optimalizovat výkon agentů, implementovat řízení a ochranné mechanismy a koordinovat systémy více agentů s cílem zajistit bezpečné, spolehlivé a efektivní výsledky. Prostřednictvím praktické výuky účastníci získají dovednosti potřebné k provozování, dohledu a řízení agentů AI v produkčních prostředích s využitím platformy GitHub jako řídicí roviny.


Profil cílové skupiny

Účastníci by měli mít odborné znalosti v oblasti provozování, integrace, dohledu a řízení agentů AI v rámci produkčních pracovních postupů SDLC a vývojových prostředí, přičemž zajišťují spolehlivost, bezpečnost a rychlost vývoje s využitím platformy GitHub jako systému záznamu a řídicí roviny. Účastníci úzce spolupracují s architekty, platformovými inženýry, inženýry DevOps, vývojáři aplikací, produktovými manažery a bezpečnostními inženýry na vývoji, nasazování, provozování a správě agentů fungujících v rámci platformy GitHub. Účastníci by měli mít zkušenosti s životním cyklem vývoje softwaru (SDLC), pracovními postupy a řídicími prvky v platformě GitHub a s postupy zajišťování kvality kódu, bezpečnosti a revizí. Měli by mít rovněž zkušenosti s kódovacími agenty, včetně GitHub Copilot, serverů MCP a přizpůsobení agentů, jako jsou vlastní instrukce, vlastní agenti, nástroje a nastavení Copilot. Odpovědnosti v rámci této role zahrnují:

  • Provozování pracovních postupů agentů v rámci SDLC
  • Dohled nad autonomním chováním prostřednictvím řídicích prvků GitHub
  • Vyhodnocování a ladění výstupů agentů pomocí skenů a artefaktů
  • Konfigurace vlastních agentů
  • Bezpečná koordinace provádění více agentů


Předpoklady

  • Účet GitHub
  • Základní znalost principů umělé inteligence
  • Základní znalost repozitářů, větví a pull requestů
  • Obecná znalost konceptů CI a CD


Sylabus kurzu

Základy agentní AI v platformě GitHub

Zjistěte, jak agenti AI pro kódování transformují vývoj softwaru prostřednictvím plánování, jednání a zdokonalování v rámci pracovních postupů GitHub.

  • Úvod
  • Definice agentní AI v rámci SDLC
  • Vysvětlení životního cyklu agenta – plánování, jednání, vyhodnocování
  • Popis platformy GitHub jako systému záznamu a řídicí roviny
  • Identifikace odpovědností, rizik, anti-vzorů a požadavků na sledovatelnost
  • Aplikace modelu přispěvatele na práci generovanou agenty
  • Ověření znalostí
  • Shrnutí


Návrh architektury agentů a integrace do SDLC

Zjistěte, jak agentní systémy využívají pracovní postupy GitHub k bezpečnému vývoji softwaru.

  • Úvod
  • Mapování odpovědností agentů na SDLC
  • Definice vstupů, výstupů a kritérií úspěchu
  • Oddělení plánování, uvažování a provádění
  • Příklady implementace řízení PR pomocí šablon, kontrol, CODEOWNERS, pravidel a bran prostředí
  • Vytváření spolehlivých pracovních postupů – výstupy, kontexty, spouštěče a předávání mezi úlohami
  • Řízení a provozování agentů – pozorovatelnost, nástroje, MCP, tajné klíče, háčky a spolehlivost
  • Ověření znalostí
  • Shrnutí


Nástroje, MCP a prostředí pro provádění agentů

Zjistěte, jak agenti využívají nástroje, MCP a pracovní postupy GitHub k bezpečnému provádění úloh s jasnými hranicemi, bezpečnostními řídicími prvky a škálovatelnou automatizací.

  • Úvod
  • Způsob interakce agentů s rozhraními API a pracovními postupy GitHub
  • Servery, registry a seznamy povolených položek protokolu Model Context Protocol (MCP)
  • Kontext provádění a hranice
  • Limity a ochranné mechanismy provádění agentů
  • Hodnocení modulu
  • Shrnutí