Utforska vad som kännetecknar en framgångsrik AI-agent i produktion – och varför så många misslyckas på vägen. Lär dig de viktigaste designprinciperna för att förbereda dina agenter för skalning: robust infrastruktur och verktyg, modulär designarkitektur samt kontinuerlig utvärdering och återkoppling.

AI-agenter i verkligheten

Agent eller inte agent

Agentbaserade applikationer

Designprinciper för skalbara agenter

Strategier för skalbar design

Tillämpa pelarna för skalbar design

Hur AI-agenter skalar (och misslyckas)

Skala utan att fallera!

Kostnadskalkyl för agenter

Skyddsräcken – eller så misslyckas det

Designa skalbara agenter

Lär dig viktiga strategier för att se till att din agent utvecklas med skalbarhet i åtanke. Få fördjupad förståelse för hur Model Context Protocol (MCP) och Agent-to-Agent-protokollet (A2A) möjliggör skalbarhet genom standardisering.

Designmönster för multiagentsystem

Steget från en enskild agent till multi-agenter

Designmönster för multiagenter

Model Context Protocol (MCP)

Lär känna MCP

MCP är MVP

Klienter, servrar och allt däremellan

Agent-till-agent-protokollet (A2A)

Agentkort – fånga dem alla

MCP och A2A: vänner eller fiender?

Utveckla agenter för skalbarhet

Dags för produktion – men inte utan förberedelse! Bygg ett robust testramverk som ger dig förtroende för att AI-agenten fortsätter prestera i produktion. Välj rätt driftsättningsstrategi för ditt användningsfall och lär dig att integrera realtidsdatakällor i ditt agentbaserade system.

Från proof-of-concept till produktion

FoodGPT

Robust testning av en agent

Alternativ

Uppgifter att slutföra

Inte nödvändigt

Vad återstår att kontrollera?

Snabb och effektiv datainmatning

Värdet av realtidsdata

Att misslyckas på rätt sätt: hantera risker

Återförsök med exponentiell backoff

Sätt upp reglerna!

Grattis!

Driftsätta agenter i produktion i stor skala

Cheat Sheet

Course Glossary

Varför misslyckas så många agentbaserade system med steget från utveckling till produktion? I den här kursen får du svaret! Lär dig att designa och utveckla AI-agenter med skalbarhet i åtanke, utifrån tre grundpelare: robust infrastruktur och verktyg, modulär designarkitektur samt kontinuerlig utvärdering och återkoppling. Du får lära dig hur agentramverk som Model Context Protocol (MCP) och Agent-to-Agent-protokollet (A2A) möjliggör smidigare och snabbare integrationer mellan datakällor och agenter. Avslutningsvis går vi igenom testmetoder och driftsättningsstrategier för att sätta din agent i stånd att leverera verkligt värde.

Videorna innehåller direkttextning som du kan visa genom att klicka på "Visa textning" längst ned till vänster i videospelaren.

Kursens ordlista finns till höger i resurssektionen.

För att erhålla CPE-poäng behöver du slutföra kursen och uppnå minst 70 % på den kvalificerade bedömningen. Du når bedömningen via CPE-poäng-länken till höger.

<h2>Designa och utveckla agenter för skalning</h2>
Lär dig hur du designar och utvecklar AI-agenter med skalbarhet i åtanke, med utgångspunkt i de tre pelarna för agentisk skalbarhet: modularitet, robusthet och anpassningsförmåga. Upptäck vad som gör en framgångsrik agent i produktion, och varför så många har svårt att nå dit.<br><br><h2>Upptäck kraften i MCP och A2A</h2>
Model Context Protocol (MCP) som utvecklats av Anthropic har revolutionerat agentinteroperabilitet och skapat ett enhetligt sätt att koppla agenter till datakällor. Agent-to-Agent-protokollet (A2A) som utvecklats av Google kompletterar MCP. Ta reda på hur dessa två ramverk kan kombineras för att säkerställa att din agents integrationer är skalbara.<br><br><h2>Implementera bästa praxis för testning och driftsättning av agenter</h2>Innan du trycker på den stora röda knappen och lanserar din agent i produktion måste du minska riskerna som följer med skalning. Lär dig hur du skapar ett robust testningsramverk för att fånga problem med komponenter, integrationer, prestanda och säkerhet. Avgör vilken driftsättningstyp som är rätt för din agent genom att titta på behoven i användningsfallet.

Introduction to AI Agents

Upptäck hur man skalar AI-agenter med hjälp av ramverk som MCP och A2A.

Bygga skalbara agentbaserade system

Upptäck vad som krävs för att skala AI-agenter, med lite hjälp från ramverk som MCP och A2A.

Grunderna i AI-agenter

Se till att ansvarsfulla skyddsmekanismer och observabilitet finns på plats

Uppgradera till den senaste LLM-versionen

Ta bort kostnads- och användningsbegränsningar från verktygen

Vad återstår att kontrollera?

Bygga skalbara agentbaserade system

Interaktiv övning med praktiskt arbete