Agentes AI AZ

Este repositorio contiene código para la capacitación en línea en vivo de O'Reilly para agentes de IA AZ

Este curso proporciona una guía completa para comprender, implementar y gestionar agentes de IA tanto en la etapa de prototipo como en producción. Los asistentes comenzarán con conceptos fundamentales y profundizarán progresivamente en temas más avanzados, incluidos varios marcos como CrewAI, LangChain y AutoGen, así como la creación de agentes desde cero utilizando poderosas técnicas de ingeniería rápida. El curso enfatiza la aplicación práctica, guiando a los participantes a través de ejercicios prácticos para implementar y desplegar agentes de IA, evaluar su desempeño e iterar sobre sus diseños. Repasaremos aspectos clave como las proyecciones de costos, las opciones de código abierto versus cerrado, y se cubrirán en profundidad las mejores prácticas para dotar a los asistentes del conocimiento necesario para tomar decisiones informadas en sus proyectos de IA.

Instrucciones de configuración

Usando el entorno virtual Python 3.11

Al momento de escribir, necesitamos un entorno virtual Python con Python 3.11.

Opción 1: Python 3.11 ya está instalado

Paso 1: verificar la instalación de Python 3.11

python3.11 --version

Paso 2: crear un entorno virtual

python3.11 -m venv .venv

Esto crea una carpeta .venv en su directorio actual.

Paso 3: active el entorno virtual

MacOS/Linux:
```
 source .venv/bin/activate
```
Ventanas:
```
.venvScriptsactivate
```

Deberías ver (.venv) en el indicador de tu terminal.

Paso 4: verificar la versión de Python

python --version

Paso 5: instalar paquetes

pip install -r requirements.txt

Paso 6: Desactive el entorno virtual

deactivate

Opción 2: instalar Python 3.11

Si no tiene Python 3.11, siga los pasos a continuación para su sistema operativo.

macOS (usando Homebrew)

brew install [email protected]

Ubuntu/Debian

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

Windows (usando el instalador de Windows)

Vaya a Descargas de Python.
Descargue el instalador de Python 3.11.
Ejecute el instalador y asegúrese de que "Agregar Python 3.11 a PATH" esté marcado.

Verificar la instalación

python3.11 --version

Cuadernos

En el entorno activado, ejecute

python3 -m jupyter notebook

Uso de marcos de agentes de terceros
- Introducción a CrewAI : un cuaderno de introducción a CrewAI
  - Consulte el directorio Streamlit para ver un ejemplo de cómo implementar un equipo en una aplicación Streamlit.
- Introducción a OpenAI Swarm : un cuaderno de introducción a OpenAI's Swarm
- Introducción a LangGraph : un cuaderno de introducción a LangGraph
Agentes evaluadores
- Evaluación de la producción del agente con rúbricas : exploración de una rúbrica para evaluar la producción generativa. Este cuaderno también señala sesgos posicionales al elegir entre las respuestas de los agentes.
  - Avanzado: Evaluación de la alineación : un cuaderno más extenso que realiza un análisis mucho más profundo sobre cómo un LLM puede juzgar las respuestas de los agentes.
- Evaluación de la selección de herramientas : cálculo de la precisión de la selección de herramientas entre diferentes LLM y cuantificación del sesgo posicional presente en LLM autorregresivos
Construyendo nuestros propios agentes
- Primeros pasos con nuestro propio agente : trabajando para construir nuestro propio marco de agente
- Consulte Objetivos del escuadrón para ver un ejemplo muy simple de mi propio marco de agente.
  - Introducción a los objetivos del equipo : uso de mi propio marco para realizar algunas tareas básicas
Paradigmas de agentes modernos
- Agentes de planificación y ejecución : los agentes de planificación y ejecución utilizan un planificador para crear planes de varios pasos con un LLM y un ejecutor para completar cada paso mediante la invocación de herramientas.
- Agentes de reflexión : los agentes de reflexión combinan un generador para realizar tareas y un reflector para proporcionar comentarios y guiar mejoras.

Instructor

Sinan Ozdemir es el fundador y director de tecnología de LoopGenius, donde utiliza inteligencia artificial de última generación para ayudar a las personas a publicar anuncios digitales en Meta, Google y más. Sinan es ex profesor de ciencia de datos en la Universidad Johns Hopkins y autor de varios libros de texto sobre ciencia de datos y aprendizaje automático. Además, es el fundador de Kylie.ai, recientemente adquirida, una plataforma de inteligencia artificial conversacional de nivel empresarial con capacidades RPA. Tiene una maestría en Matemáticas Puras de la Universidad Johns Hopkins y reside en San Francisco, CA.

Expandir

Información adicional