Ketahui apa yang membuat agen AI berhasil di produksi (dan mengapa banyak yang gagal di perjalanannya!). Pelajari prinsip desain agenik utama untuk menyiapkan agen Anda agar dapat diskalakan, termasuk infrastruktur dan peralatan yang andal, arsitektur desain modular, serta evaluasi berkelanjutan dan umpan balik berulang.

AI Agent di Dunia Nyata

Menggunakan agent atau tidak

Aplikasi agentic

Prinsip Desain untuk Agen yang Dapat Diskalakan

Strategi untuk desain yang dapat diskalakan

Menegakkan pilar desain yang dapat diskalakan

Bagaimana AI Agent Melakukan Skala (dan Gagal)

Jangan gagal saat Anda melakukan skala!

Akuntansi agen

Tanpa guardrail, pasti gagal

Merancang Agen yang Dapat Diskalakan

Pelajari strategi kunci untuk memastikan agen Anda dikembangkan dengan mempertimbangkan skalabilitas. Dapatkan wawasan tentang bagaimana Model Context Protocol (MCP) dan Agent-to-Agent protocol (A2A) memungkinkan skalabilitas melalui standardisasi.

Pola Desain Multi-Agen

Melompat dari agen tunggal ke multi-agen

Pola desain multi-agent

Model Context Protocol (MCP)

Mengenal MCP

MCP adalah MVP

Klien, server, dan segala sesuatu di antaranya

Protokol Agent-to-Agent (A2A)

Kartu agen - Harus Kumpulkan Semua

MCP dan A2A: kawan atau lawan?

Mengembangkan Agen untuk Skalabilitas

Waktunya ke produksi, tetapi jangan terburu-buru! Bangun kerangka pengujian yang andal untuk memberi Anda keyakinan bahwa agen AI akan terus berkinerja di lingkungan produksi. Pilih strategi penerapan terbaik untuk kasus penggunaan Anda, dan pelajari cara mengintegrasikan sumber data waktu nyata dengan sistem agenik Anda.

Dari Proof-of-Concept ke Produksi

FoodGPT

Menguji agen secara andal

Opsi

Tugas yang harus diselesaikan

Tidak diperlukan

Apa lagi yang perlu diperiksa?

Pemasukan Data yang Cepat dan Efisien

Nilai data real-time

Kegagalan yang Terkelola: Mitigasi Risiko

Coba ulang dengan exponential backoff

Menetapkan aturan!

Selamat!

Menerapkan Agen ke Produksi dalam Skala Besar

Cheat Sheet

Course Glossary

Mengapa begitu banyak sistem agenik gagal menyeberangi jurang antara pengembangan dan produksi? Di kursus ini, Anda akan mengetahuinya! Pelajari cara merancang dan mengembangkan agen AI dengan mempertimbangkan skalabilitas, mengikuti tiga pilar skalabilitas agenik: infrastruktur dan peralatan yang andal, arsitektur desain modular, serta evaluasi berkelanjutan dan umpan balik berulang. Anda akan mempelajari bagaimana kerangka agenik seperti Model Context Protocol (MCP) dan Agent-to-Agent protocol (A2A) memungkinkan integrasi yang lebih bersih dan cepat antara sumber data dan agen. Terakhir, pelajari pengujian dan strategi penerapan agar agen Anda siap memberikan nilai.

Video dilengkapi transkrip langsung yang dapat Anda tampilkan dengan mengeklik "Show transcript" di kiri bawah video.

Glosarium kursus dapat ditemukan di sebelah kanan pada bagian sumber daya.

Untuk memperoleh kredit CPE, Anda perlu menyelesaikan kursus dan mencapai skor 70% pada asesmen yang memenuhi syarat. Anda dapat menuju ke asesmen dengan mengeklik seruan kredit CPE di sebelah kanan.

<h2>Desain dan Kembangkan Agen untuk Skalabilitas</h2>
Pelajari cara merancang dan mengembangkan agen kecerdasan buatan (AI) dengan mempertimbangkan skalabilitas, mengikuti tiga pilar skalabilitas agen: modularitas, ketahanan, dan kemampuan beradaptasi. Temukan apa yang membuat seorang agen sukses dalam produksi, dan mengapa begitu banyak orang kesulitan untuk mencapainya.<br><br><h2>Temukan Kekuatan MCP dan A2A</h2>
Protokol Konteks Model (MCP) yang dikembangkan oleh Anthropic telah merevolusi interoperabilitas agen, menciptakan pendekatan terpadu untuk menghubungkan agen dengan sumber data. Protokol Agent-to-Agent (A2A) yang dikembangkan oleh Google melengkapi MCP. Temukan cara menggabungkan kedua kerangka kerja ini untuk memastikan integrasi agen Anda dapat diskalakan.<br><br><h2>Implementasikan Praktik Terbaik Pengujian dan Penempatan Agen</h2>Sebelum menekan tombol merah besar dan meluncurkan agen Anda ke lingkungan produksi, Anda harus memitigasi risiko yang terkait dengan skalabilitas. Pelajari cara membuat kerangka kerja pengujian yang kokoh untuk mengidentifikasi masalah pada komponen, integrasi, kinerja, dan keamanan. Tentukan jenis deployment yang tepat untuk agen Anda dengan mempertimbangkan kebutuhan kasus penggunaan.

Introduction to AI Agents

Temukan cara meningkatkan agen AI dengan bantuan kerangka kerja seperti MCP dan A2A.

Membangun Sistem Agenik yang Dapat Diskalakan

Temukan apa yang diperlukan untuk mengembangkan agen AI secara skala besar, dengan bantuan kerangka kerja seperti MCP dan A2A.

Dasar-Dasar Agen Kecerdasan Buatan

Pastikan guardrail yang bertanggung jawab dan observability tersedia

Hapus pembatasan biaya dan penggunaan dari alat

Apa lagi yang perlu diperiksa?

Membangun Sistem Agenik yang Dapat Diskalakan

Latihan interaktif langsung