设计、扩展和管理用于现实企业系统的自主人工智能代理。
您将会学到
- 设计和构建具有清晰推理、记忆、工具执行及生命周期管理的自主 AI 代理，以应用于实际系统。
- 利用成熟的模式（如规划器-执行器、管理器-工作器和评论者-审查者架构）来构建和编排多智能体系统。
- 通过应用护栏、策略约束、人工审核检查点和最小权限访问模型，确保代理行为安全且受管理。
- 利用容器、无服务器执行、队列和事件驱动编排技术，构建适用于生产环境的代理基础设施。
- 设计代理的记忆与检索系统，涵盖短期记忆和长期记忆、向量数据库，以及基于企业需求的 RAG 管道。
- 通过遥测数据、性能指标、行为重放、系统模拟以及持续评估流程，对代理行为进行监控、调试和评估。
- 优化代理系统，在成本和规模效益方面进行改进，包括应用代币预算、限流、缓存策略以及进行性能权衡。
- 为企业部署代理系统做准备，涉及治理、合规、隐私保护、组织归属和运营整合。
课程要求
- 对编程概念有基础了解会有帮助，但并非必需。你应该在概念层面理解函数、API 和数据流等概念。
- 建议对人工智能或机器学习有基本了解（比如使用过 ChatGPT 或接触过 LLMs 的基础），但无需有构建 AI 系统的经验。
- 无需具备 AgenticOps、多智能体系统或编排框架的相关经验。所有核心概念都将从头开始进行解释。
- 本课程无需具备高级数学或深度机器学习理论知识，主要关注系统设计、架构、运营及实际部署模式。
- 一台能上网的计算机就足够了。任何主流操作系统（Windows、macOS 或 Linux）都可以。
- 可选但有益：了解云平台、DevOps 或后端系统——这些内容会以实用且适合初学者的方式进行介绍。
课程描述
这门课程包含人工智能的使用。
AI系统不再局限于生成文本或回答问题，它们正成为能够推理、使用工具、做出决策并在实际业务系统中持续运行的自主行动者。这种转变引入了一个新的挑战：如何在生产中安全地设计、操作、治理和扩展AI代理？
AgenticOps基础课程正是为此目的而设计的。
本课程远远超出了提示、聊天机器人和演示的范围。你将学习现实世界中的代理系统是如何在企业环境中被架构、部署、监控和治理的。我们将AI代理视为运营系统而非实验，这些系统必须满足可靠性、成本控制、安全性、隐私保护、合规性和可审计性的要求。
课程开始时，你会构建正确的AgenticOps思维模型，理解它如何超越DevOps和MLOps，发展成一个专为自主决策系统设计的新运营学科。接着，课程深入探讨代理架构，包括感知、记忆、推理、工具执行和生命周期管理。
随着课程的推进，你将设计多代理系统，学习编排模式，实现记忆和检索架构，并了解代理如何与真实的数据管道、事件和基础设施交互。此外，你还将学习如何通过遥测、指标和结构化日志使代理行为变得可观测、可调试和可衡量。
课程的一个重要焦点是安全和治理。你将学习如何预防虚构的行为，控制工具误用，实施策略感知约束，保护个人识别信息（PII），设计安全的记忆系统，并构建天生就准备好接受审计的代理。这些都是企业在授予代理真正自主权之前所需的能力。
最后，课程向你展示如何从原型过渡到大规模生产。你将学习成本优化策略、基础设施模式、组织所有权模型以及允许跨团队安全采用代理系统的变更管理方法。
完成本课程后，你不仅能知道代理的工作原理，还能掌握如何在现实世界中负责任地运行它们。
此课程非常适合希望领先于向AI原生运营系统转移趋势的工程师、架构师和技术领导者，并帮助他们建立下一代企业AI所需的技能。
适合人群
- 希望构建超越聊天机器人的 AI 代理，并确保它们在生产系统中可靠运行的后端开发人员和软件工程师。
- 人工智能、机器学习及数据领域的专业人士，希望了解企业级自主系统的架构设计、治理管理和部署实施。
- 平台、DevOps 和 MLOps 工程师，需要为自主代理支持适当的基础设施、可观察性、成本控制和安全性机制。
- 负责就 AI 原生平台及运营模式制定长期决策的技术架构师与系统设计师。
- 与 AI 团队紧密合作的产品经理和技术领导者，需要具备对智能体能力、局限性和风险的实用理解。
- 专注于职业发展的学习者和早期采用者，他们希望通过学习 AgenticOps 这一新兴学科来提升技能，为未来做好准备，该学科正在塑造下一代 AI 系统。