Nuovo corso: Nvidia's NeMo Agent Toolkit: Rendere gli agenti affidabili, tenuto da @Pr_Brian di @NVIDIA. Molti team faticano a trasformare le dimostrazioni degli agenti in sistemi affidabili pronti per la produzione. Questo breve corso ti insegna a rendere più robusti i flussi di lavoro agentici in sistemi affidabili utilizzando il toolkit open-source NeMo Agent Toolkit (NAT) di Nvidia. Che tu abbia costruito il tuo agente in Python puro o utilizzando un framework come LangGraph o CrewAI, NAT fornisce i mattoni per l'osservabilità, la valutazione e il deployment che trasformano le prove di concetto in sistemi pronti per la produzione. NAT rende facile il troubleshooting e l'ottimizzazione delle prestazioni degli agenti con tracce di esecuzione, valutazioni sistematiche e integrazione CI/CD. Competenze che acquisirai: - Costruire flussi di lavoro agentici basati su configurazione con API REST e codice minimo - Aggiungere osservabilità con tracciamento per visualizzare il ragionamento dell'agente e risolvere i colli di bottiglia delle prestazioni - Creare valutazioni sistematiche utilizzando dataset di riferimento per misurare e migliorare l'affidabilità degli agenti - Distribuire sistemi multi-agente con autenticazione, limitazione della velocità e interfacce web professionali - Orchestrare agenti provenienti da diversi framework per collaborare su compiti complessi Unisciti a noi e impara come trasformare le dimostrazioni degli agenti in sistemi affidabili!

Condivido una ricetta divertente per costruire un agente altamente autonomo, moderatamente capace e molto inaffidabile utilizzando il pacchetto open source aisuite su cui Rohit Prasad ed io abbiamo lavorato. Con poche righe di codice, puoi dare a un LLM di frontiera uno strumento (come l'accesso al disco o la ricerca sul web), stimolarlo con un compito di alto livello (come creare un gioco del serpente e salvarlo come file HTML, o svolgere ricerche approfondite) e lasciare che l'LLM si scateni e vedere cosa fa. Esempio nell'immagine. Avvertenza: questo non è il modo in cui vengono costruiti oggi gli agenti pratici, poiché la maggior parte ha bisogno di molto più supporto (guarda il mio corso di Agentic AI per saperne di più), ma è comunque interessante sperimentare.

Nuovo corso: Costruire Agenti di Codifica con Esecuzione di Strumenti, tenuto da @tereza_tizkova e @FraZuppichini di @e2b. La maggior parte degli agenti AI è limitata a chiamate di funzione predefinite. Questo breve corso ti insegna a costruire agenti che scrivono ed eseguono codice per portare a termine compiti, accedendo a interi ecosistemi di linguaggi di programmazione invece di essere vincolati a un insieme fisso di strumenti. Imparerai a eseguire il codice generato dagli agenti in modo sicuro in ambienti cloud sandbox che proteggono i tuoi sistemi da operazioni dannose. Competenze che acquisirai: - Costruire agenti che scrivono ed eseguono codice, gestiscono file e gestiscono errori in modo autonomo attraverso cicli di feedback - Eseguire il codice degli agenti in modo sicuro nelle sandbox cloud di E2B e comprendere i compromessi tra esecuzione locale, containerizzata e cloud - Creare un agente analista di dati che esplora e visualizza i dati con Pandas - Creare un agente full-stack che costruisce applicazioni web complete Next.js Unisciti a noi e costruisci agenti che codificano il loro percorso attraverso compiti complessi: