Discover what makes a successful AI agent in production (and how many of them fail on the way!) Learn about the key agentic design principles to set up your agents for scaling, including robust infrastructure and tooling, modular design architecture, and continuous evaluation and feedback loops.

AI Agent di Dunia Nyata

Opsi

Otomasi Lainnya

AI Agents

Menggunakan agent atau tidak

Aplikasi agentic

Prinsip Desain untuk Agen yang Dapat Diskalakan

Modularitas

Infrastruktur dan peralatan yang andal

Evaluasi berkelanjutan

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!

Biaya Lebih Tinggi

Biaya Lebih Rendah

Akuntansi agen

Tanpa guardrail, pasti gagal

Designing Scalable Agents

Learn about key strategies to ensure that your agent is being developed with scalability in mind. Gain insights into how the Model Context Protocol (MCP) and the Agent-to-Agent protocol (A2A) enable scalability through standardization.

Multi-Agent Design Patterns

Making the leap from single to multi-agents

Multi-agent design patterns

The Model Context Protocol (MCP)

Getting to know MCP

MCP is the MVP

Clients, servers, and everything in between

The Agent-to-Agent (A2A) Protocol

Agent cards - Gotta Catch 'Em All

MCP and A2A: friend or foe?

Developing Agents for Scalability

Time for production, but not so fast! Build a robust testing framework to give you confidence that the AI agent will continue to perform in production. Choose the best deployment strategy for your use case, and learn how to integrate real-time data sources with your agentic system.

From Proof-of-Concept to Production

Robustly testing an agent

What's left to check?

Fast and Efficient Data Ingestion

The value of real-time data

Failing Gracefully: Mitigating Risks

Retry with exponential backoff

Laying down the law!

Congratulations!

Deploying Agents into Production at Scale

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

➗ Bagi tugas pengguna menjadi *subtugas* yang jelas untuk sub-agen

🖥️ Pastikan sumber daya komputasi dan penyimpanan dapat diskalakan mengikuti lalu lintas pengguna

🧪 Menambahkan pencatatan log dan pelacakan pada komponen serta proses utama

Strategi untuk desain yang dapat diskalakan

Membangun Sistem Agenik yang Dapat Diskalakan

Latihan interaktif praktis