お問い合わせ

コース概要

LLMとエージェントフレームワークの概要

  • インフラ自動化における大規模言語モデルの役割と仕組み
  • マルチエージェントワークフローの基本概念
  • AutoGen、CrewAI、LangChainのDevOps分野での応用例

DevOpsタスク用LLMエージェントの設定方法

  • AutoGenのインストールおよびエージェントプロファイルの構成方法
  • OpenAI APIやその他のLLMプロバイダーの活用方法
  • ワークスペース設定とCI/CD環境への適合化手法

テストおよびコード品質向上の自動化

  • LLMへプロンプトを送信して単体・結合テストを生成する方法
  • エージェントを用いたコーディング規約やリンティングルールの適用、コードレビューの支援
  • プルリクエスト内容の要約作成と自動タグ付け処理

アラート対応および変更検知向けLLMエージェント

  • パイプライン障害時の対応を行うレスポンダーエージェントの設計方法
  • ログやトレースデータを言語モデルで分析する仕組み
  • リスクが高い変更点や設定ミスを事前に検出する手法

DevOpsにおけるマルチエージェント連携の実践

  • プランナー・実行者・レビューアーといった役割別エージェントの調整方法
  • エージェント間通信や記憶管理機能の使い方
  • 重要なシステム向けの人間介入型設計手法

セキュリティ・ガバナンスおよび可観測性の確保

  • インフラ管理におけるデータ漏洩防止策やLLM安全運用方法
  • エージェントの実行履歴監査とそのアクセス範囲制限手法
  • パイプライン挙動追跡およびモデルフィードバック収集技術

現場での利用事例やカスタムシナリオ例

  • インシデント対応用エージェントワークフローの設計手法
  • GitHub ActionsやSlack、Jiraといった外部サービスとの連携方法
  • DevOps環境におけるLLM活用拡張のためのベストプラクティス集

講義まとめおよび今後の取り組みへの示唆

要求

  • DevOpsツールおよびパイプライン自動化に関する実務経験があること
  • PythonおよびGitベースのワークフローに関する基礎知識があること
  • LLMやプロンプトエンジニアリングについて理解しているか、関心があること

受講対象者

  • イノベーション技術者やAI統合プラットフォームの責任者
  • DevOpsや自動化分野で活動するLLM開発者
  • 高度なエージェントフレームワークを活用したいDevOps専門家
 14 時間

参加者の人数


参加者1人あたりの価格

今後のコース

関連カテゴリー