Agentes de IA AZ

Este repositório contém código para o treinamento online ao vivo da O'Reilly para agentes de IA AZ

Este curso fornece um guia abrangente para compreender, implementar e gerenciar agentes de IA tanto na fase de protótipo quanto na produção. Os participantes começarão com conceitos básicos e se aprofundarão progressivamente em tópicos mais avançados, incluindo várias estruturas como CrewAI, LangChain e AutoGen, bem como construir agentes do zero usando poderosas técnicas de engenharia imediata. O curso enfatiza a aplicação prática, orientando os participantes através de exercícios práticos para implementar e implantar agentes de IA, avaliar seu desempenho e iterar em seus projetos. Abordaremos aspectos importantes como projeções de custos, opções de código aberto versus fechado, e as melhores práticas serão abordadas minuciosamente para equipar os participantes com o conhecimento necessário para tomar decisões informadas em seus projetos de IA.

Instruções de configuração

Usando o ambiente virtual Python 3.11

No momento em que este artigo foi escrito, precisamos de um ambiente virtual Python com Python 3.11.

Opção 1: Python 3.11 já está instalado

Etapa 1: verifique a instalação do Python 3.11

python3.11 --version

Etapa 2: Crie um ambiente virtual

python3.11 -m venv .venv

Isso cria uma pasta .venv em seu diretório atual.

Passo 3: Ative o Ambiente Virtual

macOS/Linux:
```
 source .venv/bin/activate
```
Windows:
```
.venvScriptsactivate
```

Você deverá ver (.venv) no prompt do terminal.

Etapa 4: verifique a versão do Python

python --version

Etapa 5: instalar pacotes

pip install -r requirements.txt

Passo 6: Desative o Ambiente Virtual

deactivate

Opção 2: Instale Python 3.11

Se você não possui o Python 3.11, siga as etapas abaixo para o seu sistema operacional.

macOS (usando Homebrew)

brew install [email protected]

Ubuntu/Debian

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

Windows (usando o Windows Installer)

Vá para Downloads do Python.
Baixe o instalador do Python 3.11.
Execute o instalador e certifique-se de que "Adicionar Python 3.11 ao PATH" esteja marcado.

Verifique a instalação

python3.11 --version

Cadernos

No ambiente ativado, execute

python3 -m jupyter notebook

Usando estruturas de agentes terceirizados
- Introdução ao CrewAI - Um caderno introdutório ao CrewAI
  - Consulte o diretório streamlit para obter um exemplo de implantação da equipe em um aplicativo streamlit
- Introdução ao OpenAI Swarm - Um caderno introdutório ao OpenAI's Swarm
- Introdução ao LangGraph - Um caderno introdutório ao LangGraph
Avaliando Agentes
- Avaliando a saída do agente com rubricas – Explorando um prompt de rubrica para avaliar a saída generativa. Este caderno também observa preconceitos posicionais ao escolher entre as respostas do agente.
  - Avançado - Avaliando o alinhamento - Um caderno mais longo que faz uma análise muito mais aprofundada sobre como um LLM pode julgar as respostas do agente
- Avaliando a seleção de ferramentas - Calculando a precisão da seleção de ferramentas entre diferentes LLMs e quantificando o viés posicional presente em LLMs auto-regressivos
Construindo nossos próprios agentes
- Primeiros passos com nosso próprio agente - Trabalhando para construir nossa própria estrutura de agente
- Veja Squad Goals para um exemplo muito simples da minha própria estrutura de agente
  - Introdução aos Objetivos do Esquadrão - usando minha própria estrutura para realizar algumas tarefas básicas
Paradigmas de Agentes Modernos
- Agentes de planejamento e execução - Os agentes de planejamento e execução usam um planejador para criar planos de várias etapas com um LLM e um executor para concluir cada etapa invocando ferramentas.
- Agentes de Reflexão - Os Agentes de Reflexão combinam um gerador para executar tarefas e um refletor para fornecer feedback e orientar melhorias.

Instrutor

Sinan Ozdemir é o fundador e CTO da LoopGenius, onde usa IA de última geração para ajudar as pessoas a veicular anúncios digitais no Meta, Google e muito mais. Sinan é ex-professor de Ciência de Dados na Universidade Johns Hopkins e autor de vários livros sobre ciência de dados e aprendizado de máquina. Além disso, ele é o fundador da recentemente adquirida Kylie.ai, uma plataforma de IA conversacional de nível empresarial com recursos de RPA. Ele possui mestrado em Matemática Pura pela Universidade Johns Hopkins e mora em São Francisco, CA.

Expandir

Informações adicionais