Zjisti, co dělá AI agenta úspěšným v produkci (a proč jich tolik cestou selže!). Poznej klíčové principy návrhu agentů pro škálování – včetně robustní infrastruktury a nástrojů, modulární architektury návrhu a průběžného vyhodnocování se zpětnými vazbami.

AI agenti v praxi

Agent, nebo ne?

Agentní aplikace

Principy návrhu škálovatelných agentů

Strategie pro škálovatelný design

Pilíře škálovatelného návrhu v praxi

Jak AI agenti škálují (a selhávají)

Škáluj bez obav!

Náklady na agenta

Bez guardrails to nevyjde

Navrhování škálovatelných agentů

Poznej klíčové strategie pro vývoj agenta se škálovatelností na paměti. Zjisti, jak Model Context Protocol (MCP) a Agent-to-Agent protokol (A2A) umožňují škálovatelnost prostřednictvím standardizace.

Vzory pro návrh multi-agentních systémů

Přechod od jednoho agenta k multi-agentům

Možnosti

Síťový multi-agentní systém (Network)

Supervisor multi-agentní systém

Návrhové vzory multi-agentních systémů

Model Context Protocol (MCP)

Seznámení s MCP

MCP je MVP

Klienti, servery a vše mezi tím

Protokol Agent-to-Agent (A2A)

Agent cards – chytej je všechny

MCP a A2A: přátelé, nebo rivalové?

Vývoj agentů se škálovatelností na paměti

Čas na produkci – ale ne tak rychle! Postav robustní testovací framework, který ti dá jistotu, že AI agent bude v produkci spolehlivě fungovat. Vyber nejlepší strategii nasazení pro tvůj případ a nauč se, jak integrovat datové zdroje v reálném čase do tvého agentního systému.

Od prototypu k produkci

Robustní testování agenta

Co ještě zbývá zkontrolovat?

Rychlá a efektivní práce s daty

Hodnota dat v reálném čase

Elegantní selhání: jak zmírňovat rizika

Opakované pokusy s exponenciálním backoffem

Pravidla musí být!

Gratulujeme!

Nasazení agentů do produkce ve velkém měřítku

Cheat Sheet

Course Glossary

Proč tolik agentních systémů nezvládne přechod z vývoje do produkce? V tomto kurzu se to dozvíš! Naučíš se navrhovat a vyvíjet AI agenty se škálovatelností na paměti, a to podle tří pilířů agentní škálovatelnosti: robustní infrastruktura a nástroje, modulární architektura návrhu a průběžné vyhodnocování se zpětnými vazbami. Zjistíš, jak agentní frameworky jako Model Context Protocol (MCP) a Agent-to-Agent protokol (A2A) umožňují čistší a rychlejší integrace mezi datovými zdroji a agenty. Na závěr se naučíš, jaké testy a strategie nasazení pomůžou tvému agentovi skutečně přinášet hodnotu.

Videa obsahují živé přepisy, které zobrazíš kliknutím na „Show transcript" v levém dolním rohu videa.

Glosář kurzu najdeš vpravo v sekci se zdroji.

Pro získání kreditů CPE musíš kurz dokončit a dosáhnout skóre alespoň 70 % v kvalifikovaném hodnocení. K hodnocení se dostaneš kliknutím na upozornění na kredity CPE vpravo.

<h2>Navrhujte a vyvíjejte agenty pro škálování</h2>
Naučte se navrhovat a vyvíjet AI agenty s ohledem na škálovatelnost podle tří pilířů agentické škálovatelnosti: modularity, robustness a adaptability. Zjistěte, co dělá úspěšného agenta v produkci, a proč se tam tolik lidí nedokáže dostat.<br><br><h2>Objevte sílu MCP a A2A</h2>
Protokol Model Context Protocol (MCP) vyvinutý společností Anthropic způsobil revoluci v interoperabilitě agentů a vytvořil jednotný přístup pro propojení agentů s datovými zdroji. Protokol Agent-to-Agent (A2A) vyvinutý společností Google doplňuje MCP. Zjistěte, jak lze tyto dva frameworky zkombinovat, aby byly integrace vašeho agenta škálovatelné.<br><br><h2>Zavádění osvědčených postupů pro testování a nasazování agentů</h2>Než stisknete velké červené tlačítko a spustíte svého agenta do produkce, musíte zmírnit rizika, která s sebou přináší škálování. Naučte se vytvořit robustní testovací framework, který zachytí problémy s komponentami, integracemi, výkonem a zabezpečením. Rozhodněte, který typ nasazení je pro vašeho agenta ten pravý, podle potřeb daného případu použití.

Introduction to AI Agents

Zjistěte, jak škálovat AI agenty s pomocí frameworků jako MCP a A2A.

Building Scalable Agentic Systems

Zjistěte, co je potřeba k škálování AI agentů, s pomocí frameworků jako MCP a A2A.

Základy AI agentů

Přechod od jednoho agenta k multi-agentům

Building Scalable Agentic Systems

Interaktivní praktické cvičení