課程簡介

LLMs與Agent框架簡介

  • 大型語言模型在基礎設施自動化中的概述
  • 多Agent工作流程的關鍵概念
  • AutoGen、CrewAI和LangChain:DevOps中的使用案例

為DevOps任務設置LLM Agents

  • 安裝AutoGen並配置Agent配置文件
  • 使用OpenAI API和其他LLM提供者
  • 設置工作空間和CI/CD兼容的環境

自動化測試與代碼質量工作流程

  • 提示LLMs生成單元和集成測試
  • 使用Agent執行Linting、提交規則和代碼審查指南
  • 自動化的拉取請求摘要和標記

LLM Agents用於警報處理與變更檢測

  • 設計用於管道故障警報的響應Agent
  • 使用語言模型分析日誌和追踪
  • 主動檢測高風險變更或錯誤配置

DevOps中的多Agent協調

  • 基於角色的Agent協調(規劃者、執行者、審查者)
  • Agent消息循環與記憶管理
  • 關鍵系統中的人機交互設計

安全性、Go治理與可觀測性

  • 處理基礎設施中的數據暴露和LLM安全性
  • 審計Agent行為並限制範圍
  • 跟踪管道行為和模型反饋

實際Use Case案例與自定義場景

  • 設計用於事件響應的Agent工作流程
  • 將Agent與GitHub Actions、Slack或Jira集成
  • DevOps中擴展LLM集成的最佳實踐

總結與下一步

最低要求

  • 具备DevOps工具和管道自动化的经验
  • 熟悉Python和基于Git的工作流程
  • 了解LLM或接触过提示工程

受众

  • 创新工程师和AI集成平台负责人
  • 在DevOps或自动化领域工作的LLM开发者
  • 探索智能代理框架的DevOps专业人员
 14 時間:

客戶評論 (1)

課程分類