Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Dauer 14 Stunden
Schulungsübersicht
Einführung in LLMs und Agenten-Frameworks
- Überblick über große Sprachmodelle in der Infrastrukturautomatisierung
- Wesentliche Konzepte in Multi-Agenten-Workflows
- AutoGen, CrewAI und LangChain: Anwendungsfälle im DevOps-Bereich
Einrichten von LLM-Agenten für DevOps-Aufgaben
- Installation von AutoGen und Konfiguration von Agentenprofilen
- Nutzung der OpenAI-API und anderer LLM-Anbieter
- Einrichtung von Arbeitsbereichen und CI/CD-kompatiblen Umgebungen
Automatisierung von Test- und Code-Qualitäts-Workflows
- Verwendung von Prompts, um LLMs zur Generierung von Unit- und Integrationstests anzuweisen
- Einsatz von Agenten, um Linting, Commit-Regeln und Code-Review-Richtlinien durchzusetzen
- Automatisierte Zusammenfassung und Tagung von Pull Requests
LLM-Agenten für die Behandlung von Warnungen und die Erkennung von Änderungen
- Gestaltung von Antwortagenten für Warnungen bei Pipeline-Fehlern
- Analyse von Logs und Spuren mithilfe von Sprachmodellen
- Proaktive Erkennung von Hochrisiko-Änderungen oder Fehlkonfigurationen
Koordination mehrerer Agenten im DevOps-Bereich
- Rollenbasierte Orchestrierung von Agenten (Planer, Ausführender, Prüfer)
- Nachrichtenschleifen zwischen Agenten und Speicherverwaltung
- Human-in-the-loop-Design für kritische Systeme
Sicherheit, Governance und Observability
- Bewältigung von Datenexposition und LLM-Sicherheit in der Infrastruktur
- Auditing von Agentenaktionen und Einschränkung des Geltungsbereichs
- Verfolgung des Pipeline-Verhaltens und des Modelfeedbacks
Praktische Anwendungsfälle und benutzerdefinierte Szenarien
- Gestaltung von Agenten-Workflows für die Incident-Response
- Integration von Agenten mit GitHub Actions, Slack oder Jira
- Best Practices für die Skalierung der LLM-Integration im DevOps-Bereich
Zusammenfassung und nächste Schritte
Voraussetzungen
- Erfahrung mit DevOps-Tools und Pipeline-Automatisierung
- Arbeitswissen in Python und Git-basierten Workflows
- Verständnis von LLMs oder Erfahrung mit Prompt Engineering
Zielgruppe
- Ingenieure für Innovation und Plattform-Leads mit KI-Integration
- LLM-Entwickler, die im DevOps- oder Automatisierungsbereich tätig sind
- DevOps-Profis, die intelligente Agenten-Frameworks untersuchen