oreilly ai agents

KI-Agenten AZ

Dieses Repository enthält Code für das O'Reilly Live Online Training für AI Agents AZ

Dieser Kurs bietet einen umfassenden Leitfaden zum Verständnis, zur Implementierung und zur Verwaltung von KI-Agenten sowohl in der Prototypenphase als auch in der Produktion. Die Teilnehmer beginnen mit grundlegenden Konzepten und vertiefen sich nach und nach in fortgeschrittenere Themen, darunter verschiedene Frameworks wie CrewAI, LangChain und AutoGen sowie die Erstellung von Agenten von Grund auf mithilfe leistungsstarker Prompt-Engineering-Techniken. Der Kurs legt den Schwerpunkt auf die praktische Anwendung und führt die Teilnehmer durch praktische Übungen zur Implementierung und Bereitstellung von KI-Agenten, zur Bewertung ihrer Leistung und zur Iteration ihrer Entwürfe. Wir werden wichtige Aspekte wie Kostenprognosen, Open- und Closed-Source-Optionen besprechen und Best Practices ausführlich behandeln, um den Teilnehmern das Wissen zu vermitteln, das sie für fundierte Entscheidungen in ihren KI-Projekten benötigen.

Einrichtungsanweisungen

Verwenden der virtuellen Umgebung von Python 3.11

Zum Zeitpunkt des Schreibens benötigen wir eine virtuelle Python-Umgebung mit Python 3.11.

Option 1: Python 3.11 ist bereits installiert

Schritt 1: Überprüfen Sie die Python 3.11-Installation

python3.11 --version

Schritt 2: Erstellen Sie eine virtuelle Umgebung

python3.11 -m venv .venv

Dadurch wird ein .venv Ordner in Ihrem aktuellen Verzeichnis erstellt.

Schritt 3: Aktivieren Sie die virtuelle Umgebung

• macOS/Linux:

   source .venv/bin/activate

• Windows:

  .venvScriptsactivate

In Ihrer Terminal-Eingabeaufforderung sollte (.venv) angezeigt werden.

Schritt 4: Überprüfen Sie die Python-Version

python --version

Schritt 5: Pakete installieren

pip install -r requirements.txt

Schritt 6: Deaktivieren Sie die virtuelle Umgebung

deactivate

---

Option 2: Installieren Sie Python 3.11

Wenn Sie Python 3.11 nicht haben, führen Sie die folgenden Schritte für Ihr Betriebssystem aus.

macOS (mit Homebrew)

brew install [email protected]

Ubuntu/Debian

sudo apt update
sudo apt install python3.11 python3.11-venv

Windows (mit Windows Installer)

1. Gehen Sie zu Python-Downloads.
2. Laden Sie das Installationsprogramm für Python 3.11 herunter.
3. Führen Sie das Installationsprogramm aus und stellen Sie sicher, dass „Python 3.11 zu PATH hinzufügen“ aktiviert ist.

Überprüfen Sie die Installation

python3.11 --version

Notizbücher

Führen Sie in der aktivierten Umgebung aus

python3 -m jupyter notebook

• Verwendung von Agent-Frameworks von Drittanbietern

  • Einführung in CrewAI – Ein Einführungsnotizbuch für CrewAI

    • Ein Beispiel für den Einsatz von Crew in einer Streamlit-App finden Sie im Streamlit-Verzeichnis

  • Einführung in OpenAI Swarm – Ein Einführungsnotizbuch für OpenAIs Swarm

  • Einführung in LangGraph – Ein Einführungsnotizbuch für LangGraph

• Bewertung von Agenten

  • Bewerten der Agentenausgabe mit Rubriken – Erkunden einer Rubrik-Eingabeaufforderung zur Bewertung der generativen Ausgabe. In diesem Notizbuch werden auch Positionsverzerrungen bei der Auswahl zwischen Agentenantworten festgestellt.

    • Fortgeschritten – Bewertung der Ausrichtung – Ein längeres Notizbuch mit einer viel tiefergehenden Analyse darüber, wie ein LLM die Antworten von Agenten beurteilen kann

  • Bewertung der Werkzeugauswahl – Berechnung der Genauigkeit der Werkzeugauswahl zwischen verschiedenen LLMs und Quantifizierung der in autoregressiven LLMs vorhandenen Positionsverzerrung

• Aufbau unserer eigenen Agenten

  • Erste Schritte mit unserem eigenen Agenten – Wir arbeiten am Aufbau unseres eigenen Agenten-Frameworks

  • Unter Squad Goals finden Sie ein sehr einfaches Beispiel meines eigenen Agenten-Frameworks

    • Einführung in Squad Goals – Verwendung meines eigenen Frameworks zur Erledigung einiger grundlegender Aufgaben

• Moderne Agentenparadigmen

  • Plan & Execute-Agents – Plan & Execute-Agents verwenden einen Planer, um mehrstufige Pläne mit einem LLM und einem Executor zu erstellen, um jeden Schritt durch Aufrufen von Tools abzuschließen.

  • Reflection Agents – Reflection Agents kombinieren einen Generator zum Ausführen von Aufgaben und einen Reflektor, um Feedback zu geben und Verbesserungen anzuleiten.

Lehrer

Sinan Ozdemir ist Gründer und CTO von LoopGenius, wo er modernste KI einsetzt, um Menschen bei der Schaltung digitaler Anzeigen auf Meta, Google und mehr zu unterstützen. Sinan ist ehemaliger Dozent für Data Science an der Johns Hopkins University und Autor mehrerer Lehrbücher zu Data Science und maschinellem Lernen. Darüber hinaus ist er der Gründer des kürzlich erworbenen Unternehmens Kylie.ai, einer Konversations-KI-Plattform der Enterprise-Klasse mit RPA-Funktionen. Er hat einen Master-Abschluss in reiner Mathematik von der Johns Hopkins University und lebt in San Francisco, Kalifornien.