Kursus Pelatihan Merancang Alur Kerja Multi-Agent dengan AutoGen Studio

AutoGen adalah kerangka kerja open-source dari Microsoft untuk membangun aplikasi multi-agents yang menggunakan LLMs, alat, memori, dan interaksi pengguna.

Pelatihan langsung dengan instruktur (daring atau di lokasi) ini ditujukan bagi pengembang dan arsitek tingkat lanjut yang ingin merancang dan mendeploy agen yang sangat disesuaikan menggunakan API berbasis Python, kemampuan memanggil fungsi, dan rantai alat moduler dari AutoGen.

Setelah menyelesaikan pelatihan ini, peserta akan dapat:

• Mengembangkan agen kustom dengan logika yang spesifik peran dan pengiriman alat.
• Membangun alur kerja dinamis menggunakan pemanggilan fungsi lanjutan dan pergantian konteks.
• Menyediakan modul memori dan kerangka kerja perencanaan di dalam tim agen.
• Mengelola status kesalahan multi-agent dan mekanisme ulang adaptif.

Bentuk Kursus

• Lektur interaktif dan diskusi.
• Latihan dan praktik yang banyak.
• Penerapan langsung di lingkungan laboratorium langsung.

Opsi Pemaduan Kursus

• Untuk meminta pelatihan khusus untuk kursus ini, silakan hubungi kami untuk mengatur.

AutoGen untuk Otomatisasi AI Perusahaan adalah kursus praktis yang berfokus pada implementasi sistem agen cerdas skala besar untuk mengotomatiskan operasi bisnis kompleks menggunakan kerangka kerja AutoGen.

Pelatihan ini dipandu instruktur dan dilakukan secara langsung (online atau tatap muka) ditujukan bagi profesional AI tingkat menengah hingga lanjutan yang ingin menerapkan arsitektur multi-agen di seluruh platform dan proses perusahaan menggunakan kerangka kerja AutoGen.

Pada akhir pelatihan ini, peserta akan dapat:

• Merancang dan mengotomatiskan alur kerja perusahaan menggunakan AutoGen dan agen LLM.
• Mengintegrasikan AutoGen dengan LangChain untuk orkestrasi dan penanganan konteks yang canggih.
• Membuat pipa RAG (Retrieval-Augmented Generation) dan menghubungkan data perusahaan untuk otomatisasi berkonteks.
• Menghubungkan agen dengan platform perusahaan seperti Slack, Jira, dan SharePoint.
• Menykalakan dan memantau penyebaran AutoGen di lingkungan produksi.

Format Kursus

• Kuliah interaktif dan diskusi.
• Banyak latihan dan praktek.
• Implementasi praktis dalam lingkungan laboratorium langsung.

Pilihan Penyesuaian Kursus

• Untuk meminta pelatihan yang disesuaikan untuk kursus ini, silakan hubungi kami untuk menyusun.

Membangun Sistem Agen LLM dengan AutoGen adalah kursus praktis yang fokus pada pengembangan sistem multi-agen menggunakan kerangka kerja AutoGen dari Microsoft untuk model bahasa besar (LLM).

Program pelatihan langsung ini yang dipimpin oleh instruktur (daring atau di tempat) ditujukan bagi profesional AI dan otomasi tingkat menengah yang ingin merancang, menerapkan, dan menyelaras sistem multi-agen menggunakan AutoGen dengan Python dan LLM.

Setelah mengikuti pelatihan ini, peserta akan dapat:

• Mendesain arsitektur multi-agen menggunakan kerangka kerja AutoGen.
• Konfigurasi peran agen, kemampuan, dan perilaku koordinasi.
• Menggunakan pemanggilan fungsi dan manajemen memori untuk interaksi agen.
• Membuat dan menguji alur kerja LLM agen berbasis Python untuk kasus penggunaan nyata.

Format Kursus

• Lecture interaktif dan diskusi.
• Banyak latihan dan praktek.
• Pelaksanaan praktis dalam lingkungan laboratorium langsung.

Opsi Kustomisasi Kursus

• Untuk meminta pelatihan yang disesuaikan untuk kursus ini, silakan hubungi kami untuk mengatur.

Pelatihan satu hari ini, dirancang untuk pengembang, ilmuwan data, dan pecinta AI, akan membantu Anda memahami dan mengharness kekuatan sistem AI agen menggunakan AutoGen v0.4.

Melalui kombinasi latihan praktis dan demonstrasi nyata, Anda akan belajar bagaimana membangun, mengelola, dan men-deploy aplikasi multi-agen yang didukung oleh Model Bahasa Besar (LLMs).

Di akhir kursus, Anda akan mendapatkan dasar yang kuat tentang arsitektur berlapis AutoGen, menguasai komunikasi asinkron antara agen, dan mengeksplorasi kasus penggunaan nyata dan praktik terbaik untuk mengembangkan aplikasi LLM-didukung yang skalabel dan cerdas.