Neuer Kurs: Nvidias NeMo Agent Toolkit: Agenten zuverlässig machen, unterrichtet von @Pr_Brian von @NVIDIA. Viele Teams haben Schwierigkeiten, Agentendemos in zuverlässige Systeme zu verwandeln, die produktionsbereit sind. Dieser kurze Kurs lehrt Sie, agentische Workflows in zuverlässige Systeme zu härten, indem Sie Nvidias Open-Source NeMo Agent Toolkit (NAT) verwenden. Egal, ob Sie Ihren Agenten in reinem Python oder mit einem Framework wie LangGraph oder CrewAI erstellt haben, NAT bietet Bausteine für Beobachtbarkeit, Bewertung und Bereitstellung, die Machbarkeitsnachweise in produktionsbereite Systeme verwandeln. NAT erleichtert das Troubleshooting und die Optimierung der Agentenleistung mit Ausführungsprotokollen, systematischen Bewertungen und CI/CD-Integration. Fähigkeiten, die Sie erwerben werden: - Konfigurationsgesteuerte Agenten-Workflows mit REST-APIs und minimalem Code erstellen - Beobachtbarkeit mit Tracing hinzufügen, um das Denken des Agenten zu visualisieren und Leistungsengpässe zu debuggen - Systematische Bewertungen mit Goldstandard-Datensätzen erstellen, um die Zuverlässigkeit des Agenten zu messen und zu verbessern - Multi-Agenten-Systeme mit Authentifizierung, Ratenbegrenzung und professionellen Weboberflächen bereitstellen - Agenten aus verschiedenen Frameworks orchestrieren, um bei komplexen Aufgaben zusammenzuarbeiten Treten Sie bei und lernen Sie, wie Sie Agentendemos in zuverlässige Systeme verwandeln!

Teile ein lustiges Rezept zum Erstellen eines hochgradig autonomen, mäßig fähigen und sehr UNzuverlässigen Agenten mit dem Open-Source-Paket aisuite, an dem Rohit Prasad und ich gearbeitet haben. Mit nur wenigen Codezeilen kannst du einem Frontier-LLM ein Werkzeug (wie Festplattzugriff oder Websuche) geben, es mit einer hochrangigen Aufgabe (wie dem Erstellen eines Snake-Spiels und dem Speichern als HTML-Datei oder der Durchführung tiefgehender Recherchen) anregen und das LLM loslassen und sehen, was es tut. Beispiel im Bild. Hinweis: So werden praktische Agenten heute nicht gebaut, da die meisten viel mehr Struktur benötigen (siehe meinen Kurs zu Agentic AI, um mehr zu erfahren), aber es ist dennoch interessant, damit zu experimentieren. Längere Ausführung hier:

Neuer Kurs: Erstellung von Codierungsagenten mit Toolausführung, unterrichtet von @tereza_tizkova und @FraZuppichini von @e2b. Die meisten KI-Agenten sind auf vordefinierte Funktionsaufrufe beschränkt. Dieser kurze Kurs lehrt Sie, Agenten zu erstellen, die Code schreiben und ausführen, um Aufgaben zu erledigen, und dabei auf gesamte Programmiersprachen-Ökosysteme zuzugreifen, anstatt auf eine feste Menge von Werkzeugen beschränkt zu sein. Sie lernen, agentengenerierten Code sicher in sandboxed Cloud-Umgebungen auszuführen, die Ihre Systeme vor schädlichen Operationen schützen. Fähigkeiten, die Sie erwerben werden: - Erstellen Sie Agenten, die Code schreiben und ausführen, Dateien verwalten und Fehler autonom durch Feedback-Schleifen behandeln - Führen Sie Agenten-Code sicher in E2B-Cloud-Sandboxes aus und verstehen Sie die Abwägungen zwischen lokaler, containerisierter und Cloud-Ausführung - Erstellen Sie einen Datenanalysten-Agenten, der Daten mit Pandas erkundet und visualisiert - Erstellen Sie einen Full-Stack-Agenten, der vollständige Next.js-Webanwendungen erstellt Treten Sie bei und erstellen Sie Agenten, die sich durch komplexe Aufgaben coden: