AI-ágensfejlesztés az alapoktól
Az AI agent az MI következő szintje: nemcsak utasításokat teljesít, hanem önállóan cselekszik – hozd létre a saját AI-ügynöködet, és szerezz versenyelőnyt az üzleti életben!
Gulyás Adrián
CTO
Codelit 40 Zrt.
A KURZUSRÓL
- Időpont:
HAMAROSAN
- Hossz:
14 alkalom
- Formátum:
élő, online
Az AI-ágensek már nem sci-fi hősök, hanem a mindennapjaink láthatatlan segítői. Hozzájárulnak például az ügyfélszolgálat, a pénzügyi és üzleti elemzések, a marketing és a beszerzés működtetéséhez. Sajátítsd el AI-ágensfejlesztés képzésünkön a működő és megbízható ágensek létrehozásának lépéseit, és tedd gyorsabbá és hatékonyabbá az AI-használatodat!
KINEK AJÁNLJUK A KURZUST?
-
01
Tapasztalt szoftverfejlesztőknek,
akik szeretnék elsajátítani az AI-ágensek építésének módszertanát. A képzésen best practice-eket kapsz a SOLID és a komponensalapú architektúrákoz, valamint ellesed a monitorozás és a kockázatkezelés módszereit, hogy a rendszered költséghatékony és megbízható legyen.
-
02
Tech foundereknek és vállalkozóknak,
akik rövid idő alatt hoznának létre prototípusokat. Az AI-ágensfejlesztés képzésen átfogó szakmai ismeret szerezhetsz: kész sablonokat és valós workflow-kat hozol létre, illetve megmutatjuk a költségoptimalizált skálázás és a más API-rendszerekkel való integráció módszereit is.
-
03
Önképző AI/ML-fejlesztőknek,
akik továbblépnének a prompt engineeringen. Az alkalmakon áttekintjük, hogyan működnek a vektoradatbázisok, a RAG és a multi-agent rendszerek, hogy az alapfogalmaktól indulva eljuthass a komplex rendszerek felépítéséig. A kurzus végére elkészítheted a saját projektedet, amit beilleszthetsz a portfóliódba.
AZ ELŐADÓ
Gulyás Adrián
Tanulj a Codelit 40 Zrt. CTO-jától és a Billage.AI alapítójától!
-
A Billage.AI alapítója és technológiai vezetője, 15+ év tapasztalattal rendelkezik a szoftverfejlesztés területén.
-
A Mesterségesen emberi podcastsorozat technológiai szakértője.
-
Vezető fejlesztőként dolgozott számos hazai és nemzetközi projektben, főként banki, telekommunikációs, állami és kkv területeken.
-
Aktívan fejleszt AI-alapú struktúrákat, például predikciós rendszereket, ERP-t, illetve dokumentumfeldolgozást és workflow engine-t megkönnyítő programokat.
MIRE SZÁMÍTHATSZ A KURZUSON?
-
01
AI-ágensépítés
Az alkalmakon bevezetünk az AI-ügynökök működési ciklusába, és rávilágítunk a vektoradatbázisok, az embeddings és a RAG-architektúrák szerepére. Az egyszerű AI agent építésétől eljutsz az összetett ágensek kialakításához, és szakmai vezetéssel létrehozod a saját struktúrádat.
-
02
Eszközismeret
A képzésen hasznos techeszköztárat építesz ki: a LangGraph a logikai vezérléshez, a Chroma a tudáskezeléshez, míg az n8n és a FastAPI az integrációhoz, a Prometheus és a Grafana a monitorozáshoz, a GitHub Actions pedig az automatizáláshoz járul hozzá. Mindezt Python nyelvben, Jupyter Notebook és Google Colab környezetben sajátítod el.
-
03
Monitoring és optimalizálás
Az AI-ágensfejlesztés kurzuson megtanítunk a monitoring és az observability technikáira, hogy könnyebben gyűjthess metrikákat és hozhass létre dashboardokat. Segítünk abban is, hogy optimalizálhasd a promptokkal a válaszminőséget, valamint képes leszel automatizálni és költséghatékony megoldásokat alkalmazni.
Program
-
01 alkalom
Bevezetés az AI-ágensek világába
- A chatbotok és az AI-ágensek közötti különbségek bemutatása
- Gyakorlati use case-ek áttekintése különböző iparágakból
- Az AI-technológiák aktuális trendjei és fejlődési irányai
- Egy működő AI-ágens megtekintése
-
02 alkalom
Az AI-ágensek működési ciklusa
- A működési ciklus lépéseinek részletes bemutatása: Prompt, Action, Observation, Memory
- Toolhasználat gyakorlati példán keresztül
- Egy miniágens implementálása alapfunkciókkal
-
03 alkalom
Vektoradatbázisok és embeddings
- Az embedding fogalmának és szerepének áttekintése
- Népszerű vektoradatbázisok bemutatása (pl. Chroma, FAISS)
- Hasonlóságkeresés gyakorlati példán keresztül Jupyter Notebookban
-
04 alkalom
A RAG-architektúra és pipeline alapjai
- A RAG (Retrieval-Augmented Generation) koncepció és architektúra elmélete
- A dokumentumalapú keresés működése és beépítése AI agentbe
- Üzleti példák bemutatása dokumentumkeresésre és intelligens válaszgenerálásra
-
05 alkalom
A LangGraph alapjai
- A LangGraph keretrendszer főbb komponensei: chains és agents
- Egy egyszerű LangGraph agent megírása és futtatása
- A LangGraph alapworkflow megértése gyakorlati példán keresztül
-
06 alkalom
LangGraph memory és best practices
- State-alapú memória: hogyan tárolja a LangGraph az üzeneteket és kontextust a state-ben?
- Checkpointer használata: pl. MemorySaver a hosszú távú memória megvalósítására
- Conversation history kezelése, üzenetek rögzítése és visszaadása a state-en keresztül
- Best practice-ek: hogyan szervezzük úgy a state-et, hogy skálázható és átlátható maradjon?
-
07 alkalom
Külső API-ok integrálása
- Külső szolgáltatások integrációja AI agentekbe (pl. Weather API, Slack, Jira)
- API-ok használata tool formában LangGraphban
- JSON-válaszok kezelése és feldolgozása agenten belül
-
08 alkalom
Összetett ágensek
- Plan-and-Execute minta megértése és implementálása
- Több tool egyidejű használata komplex feladatmegoldásra
- Összetettebb demó agent futtatása valószerű workflow-val
-
09 alkalom
Monitoring és observability
- Az AI-rendszerek megfigyelésének fontossága éles környezetben
- Prometheus-alapú metrikagyűjtés bemutatása
- Grafana dashboardok létrehozása és használata
- Fontos metrikák: válaszidő, költség, hibaarány
-
10 alkalom
Optimalizálás és költségkezelés
- Promptoptimalizálási technikák a költségek és válaszminőség javítására
- Külső cache rétegek (pl. Redis, DB, file cache) használata API-hívások és embeddingek tárolására
- Különböző LLM-ek összehasonlítása teljesítmény és ár alapján
-
11 alkalom
Deployment és CI/CD pipeline
- A GitHub Actions alapjai és szerepe a deployment folyamatban
- A teljes CI/CD pipeline lépései egy AI agent projekt esetén
- Egy működő pipeline bemutatása, amely automatikusan deployol
-
12 alkalom
Saját AI agent építése az OpenAI Agent Builderrel
- Az OpenAI Agent Builder bemutatása (GPTs → custom agents)
- Hogyan hozzunk létre rendszerszinten működő agentet, ami:
- API-okat hív (pl. Slack, Jira, ERP, e-mail)
- LangGraphból származó workflow-t hajt végre
- Toolokat, file-okat, dokumentumokat használ
- Parameter handling, memory, function calling
- Hogyan konfiguráljuk a promptokat, toolokat és adjunk saját actionöket?
-
13 alkalom
Többágenses rendszerek
- Multi-agent frameworkök bemutatása: AutoGen és CrewAI
- Az ügynökök közötti kommunikáció alapelvei
- Egy egyszerű többágenses rendszer implementálása
-
14 alkalom
Összegzés, záróprojektek áttekintése
- A tanultak összegzése
- Záróprojektek áttekintése
- Jövőkép: az AI agentek fejlesztésének lehetőségei