コース概要

LLM とエージェントフレームワークの導入

  • インフラストラクチャ自動化における大規模言語モデルの概要。
  • マルチエージェントワークフローの主要概念。
  • AutoGen、CrewAI、LangChain:DevOps での使用事例。

DevOps タスク向け LLM エージェントの設定

  • AutoGen のインストールとエージェントプロファイルの構成。
  • OpenAI API および他の LLM プロバイダーの使用。
  • ワークスペースの設定と CI/CD 対応環境の構築。

テストとコード品質ワークフローの自動化

  • LLM を促して単体テストと統合テストを生成する。
  • エージェントを使用してルーティング、コミットルール、コードレビューガイドラインを強制する。
  • プルリクエストの自動サマリー化とタギング。

アラート処理と変更検出向け LLM エージェント

  • パイプライン失敗アラートに対するレスポンダーエージェントの設計。
  • 言語モデルを使用したログとトレースの分析。
  • 高リスクな変更や設定ミスの前もっての検出。

DevOps におけるマルチエージェントの協調

  • 役割ベースのエージェントオーケストレーション(プランナー、実行者、レビュアー)。
  • エージェントメッセージループとメモリ管理。
  • クリティカルシステムにおけるヒューマンインザループ設計。

セキュリティ、ガバナンス、可観測性

  • データ露出と LLM の安全性の取り扱い。
  • エージェントアクションの監査と範囲制限。
  • パイプライン動作とモデルフィードバックの追跡。

実際の使用事例とカスタムシナリオ

  • インシデント対応向けエージェントワークフローの設計。
  • GitHub Actions、Slack、Jira とのエージェント統合。
  • DevOps 内での LLM 統合のスケーリングに関するベストプラクティス。

まとめと次回のステップ

要求

  • DevOps ツールとパイプライン自動化の経験。
  • Python と Git ベースのワークフローに関する実践的な知識。
  • LLM の理解またはプロンプトエンジニアリングへの露出。

対象者

  • 革新エンジニアや AI 統合プラットフォームのリーダー。
  • DevOps や自動化で働く LLM 開発者。
  • インテリジェントエージェントフレームワークを探索する DevOps プロフェッショナル。
 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