Nouveau cours : Nvidia's NeMo Agent Toolkit : Rendre les agents fiables, enseigné par @Pr_Brian de @NVIDIA. De nombreuses équipes ont du mal à transformer les démonstrations d'agents en systèmes fiables prêts pour la production. Ce court cours vous apprend à renforcer les flux de travail agentiques en systèmes fiables en utilisant le NeMo Agent Toolkit (NAT) open-source de Nvidia. Que vous ayez construit votre agent en Python brut ou en utilisant un cadre comme LangGraph ou CrewAI, le NAT fournit des éléments de base pour l'observabilité, l'évaluation et le déploiement qui transforment les preuves de concept en systèmes prêts pour la production. Le NAT facilite le dépannage et l'optimisation des performances des agents avec des traces d'exécution, des évaluations systématiques et une intégration CI/CD. Compétences que vous acquerrez : - Construire des flux de travail d'agents pilotés par la configuration avec des API REST et un code minimal - Ajouter de l'observabilité avec le traçage pour visualiser le raisonnement des agents et déboguer les goulets d'étranglement de performance - Créer des évaluations systématiques en utilisant des ensembles de données de référence pour mesurer et améliorer la fiabilité des agents - Déployer des systèmes multi-agents avec authentification, limitation de débit et interfaces web professionnelles - Orchestrer des agents de différents cadres pour collaborer sur des tâches complexes Rejoignez-nous et apprenez à transformer les démonstrations d'agents en systèmes fiables !

Partage d'une recette amusante pour construire un agent hautement autonome, modérément capable et très peu fiable en utilisant le package open source aisuite sur lequel Rohit Prasad et moi avons travaillé. Avec quelques lignes de code, vous pouvez donner à un LLM de pointe un outil (comme l'accès au disque ou la recherche sur le web), le solliciter avec une tâche de haut niveau (comme créer un jeu de serpent et l'enregistrer en tant que fichier HTML, ou effectuer des recherches approfondies), et laisser le LLM libre et voir ce qu'il fait. Exemple dans l'image. Avertissement : Ce n'est pas ainsi que les agents pratiques sont construits aujourd'hui, car la plupart nécessitent beaucoup plus de structures (voir mon cours sur l'IA agentique pour en savoir plus), mais c'est tout de même intéressant à expérimenter. Écriture plus longue ici :

Nouveau cours : Construire des agents de codage avec exécution d'outils, enseigné par @tereza_tizkova et @FraZuppichini de @e2b. La plupart des agents IA sont limités à des appels de fonction prédéfinis. Ce court cours vous apprend à construire des agents qui écrivent et exécutent du code pour accomplir des tâches, accédant à l'ensemble des écosystèmes de langages de programmation au lieu d'être restreints à un ensemble fixe d'outils. Vous apprendrez à exécuter du code généré par des agents en toute sécurité dans des environnements cloud isolés qui protègent vos systèmes des opérations nuisibles. Compétences que vous acquerrez : - Construire des agents qui écrivent et exécutent du code, gèrent des fichiers et traitent des erreurs de manière autonome grâce à des boucles de rétroaction - Exécuter le code des agents en toute sécurité dans des environnements cloud E2B et comprendre les compromis entre l'exécution locale, conteneurisée et cloud - Créer un agent analyste de données qui explore et visualise des données avec Pandas - Créer un agent full-stack qui construit des applications web complètes Next.js Rejoignez-nous et construisez des agents qui codent leur chemin à travers des tâches complexes :