课程大纲

LLMs与Agent框架简介

  • 大型语言模型在基础设施自动化中的概述
  • 多Agent工作流程的关键概念
  • AutoGen、CrewAI和LangChain:DevOps中的使用案例

为DevOps任务设置LLM Agents

  • 安装AutoGen并配置Agent配置文件
  • 使用OpenAI API和其他LLM提供者
  • 设置工作空间和CI/CD兼容的环境

自动化测试与代码质量工作流程

  • 提示LLMs生成单元和集成测试
  • 使用Agent执行Linting、提交规则和代码审查指南
  • 自动化的拉取请求摘要和标记

LLM Agents用于警报处理与变更检测

  • 设计用于管道故障警报的响应Agent
  • 使用语言模型分析日志和追踪
  • 主动检测高风险变更或错误配置

DevOps中的多Agent协调

  • 基于角色的Agent协调(规划者、执行者、审查者)
  • Agent消息循环与记忆管理
  • 关键系统中的人机交互设计

安全性、Go治理与可观测性

  • 处理基础设施中的数据暴露和LLM安全性
  • 审计Agent行为并限制范围
  • 跟踪管道行为和模型反馈

实际Use Case案例与自定义场景

  • 设计用于事件响应的Agent工作流程
  • 将Agent与GitHub Actions、Slack或Jira集成
  • DevOps中扩展LLM集成的最佳实践

总结与下一步

要求

  • 具备DevOps工具和管道自动化的经验
  • 熟悉Python和基于Git的工作流程
  • 了解LLM或接触过提示工程

受众

  • 创新工程师和AI集成平台负责人
  • 在DevOps或自动化领域工作的LLM开发者
  • 探索智能代理框架的DevOps专业人员
 14 小时

客户评论 (1)

即将举行的公开课程

课程分类