Zjisti, co dělá kódové agenty výjimečnými a jak využívají Python k uvažování a akci. Vytvoř svého prvního agenta pomocí smolagents, přidej vestavěné a komunitní nástroje pro přístup k webu a vytvořte vlastní nástroje pro propojení agentů s daty.

Úvod do Hugging Face smolagents

Nech agenta počítat: analýza výdajů

Počkat, ty jsi nepsal/a žádné funkce?

Vytvoření agenta s nástroji

Psaní kódu pomocí promptů: složené úrokování

Pusť agenta na web

Vytváření agenta s vlastními nástroji

Stačí přidat @tool: tvoříme vlastní nástroj

Účtenka, prosím! Jak dát agentům přístup k datům

Jeden prompt, spousta nástrojů

Přeměň svůj tradiční RAG pipeline na agentní systém, který iterativně získává informace a uvažuje v několika krocích. Vytvoř stavové nástroje pro pokročilé vyhledávání, veď agenty pomocí plánovacích intervalů k lepším výsledkům a využij callbacks ke sledování a přizpůsobení chování agentů za běhu.

Opakování RAG

RAG pipeline krok za krokem

RAG v správném pořadí: od manuálů k odpovědím

Takže co se v RAG vlastně děje?

Krok, který přidává význam

Úvod do agentic RAG

Stavovost záměrně: vytvoř nástroj pro RAG vyhledávání

Připoj nástroj a odemkni agentic RAG

Práce s víckrokovými agenty

Sledování kroků agenta a monitoring akcí

Čas na hru: spusť celého agenta

Agentní RAG a multi-step agenti

Zvládni složité pracovní postupy koordinací týmů specializovaných agentů pod vedením manažera. Přidej paměť pro udržení kontextu napříč interakcemi, ladí chování agentů pomocí execution traces a kroků uvažování a implementuj robustní validační strategie pro spolehlivé a kvalitní odpovědi.

Úvod do multi-agentních systémů

Rozděl a panuj: tvorba specializovaných agentů

Poznej tým: koordinace agentů

Správa paměti agenta

Nezapomínej: Uchování paměti mezi voláními

Sledování spuštěného kódu agenta

Validace finální odpovědi agenta

Víc textu, agente: kontrola délky odpovědi

Chytřejší agenti: validace a opakování

Gratulujeme!

Multi-agentní systémy, paměť a validace

Orders

AI agenti mění způsob, jakým pracujeme s daty a softwarem. Od automatizace pracovních postupů až po pomoc uživatelům při zvládání složitých úkolů – agenti umí vyhledávat, uvažovat a jednat za tebe. V tomto kurzu se naučíš vytvářet agenty pomocí smolagents, lehkého Pythonového frameworku od Hugging Face.

Praktická práce s kódovými agenty a nástroji

Začneš tím, že pochopíš, čím se kódoví agenti liší od ostatních a proč jsou tak výkonní. Potom vytvoříš svého prvního agenta od základů – pomocí smolagents budeš generovat a spouštět Python kód. Naučíš se také zapojit vestavěné nástroje a vytvářet vlastní, aby tvoji agenti dokázali ještě víc.

Chytřejší agenti s RAG a pamětí

Dále využiješ retrieval-augmented generation (RAG) k tomu, aby agenti dokázali čerpat informace z rozsáhlých kolekcí dokumentů. Posunout věci ještě dál ti pomůže budování agentních RAG systémů – agentů, kteří uvažují v několika krocích a díky tomu nacházejí lepší odpovědi. Naučíš se taky přidat paměť, aby agenti přirozeně zvládali doplňující otázky a měli přehled o tom, co už bylo vyřešeno.

Koordinace multi-agentních systémů a validace výstupů

V závěrečné kapitole sestavíš multi-agentní systémy, ve kterých manažer koordinuje specializované agenty. Přidáš plánovací intervaly, využiješ callbacks pro přehled o chování agentů a implementuješ validaci výsledných odpovědí – aby tvoji agenti zůstali spolehliví a přívětiví pro uživatele.

Po dokončení kurzu budeš vědět, jak vytvářet agenty, kteří myslí dopředu, spolupracují a skutečně dotáhnou věci do konce.

Working with Hugging Face

Retrieval Augmented Generation (RAG) with LangChain

Naučte se vytvářet inteligentní agenty, kteří řeší úkoly pomocí Pythonu.

AI Agents with Hugging Face smolagents

Naučte se vytvářet inteligentní agenty, kteří uvažují, jednají a řeší úkoly z reálného světa pomocí Pythonu.

Základy Hugging Face

Takže co se v RAG vlastně děje?

AI Agents with Hugging Face smolagents

Interaktivní praktické cvičení