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.
Schulungsübersicht
Fortgeschrittene LangGraph-Architektur
- Graphen-Topologie-Muster: Knoten, Kanten, Router, Subgraphs
- Zustandsmodellierung: Channels, Nachrichtenübertragung, Persistenz
- DAGs vs. zyklische Abläufe und hierarchische Komposition
Leistung und Optimierung
- Muster für Parallelität und Konvergenz in Python
- Caching, Batching, Tool-Calling und Streaming
- Kostenkontrollen und Strategien für Token-Budgets
Zuverlässigkeits-Engineering
- Retries, Timeouts, Backoff und Circuit Breaking
- Idempotenz und Deduplizierung von Schritten
- Checkpointing und Wiederherstellung mit lokalen oder Cloud-Speichern
Debugging komplexer Graphen
- Schrittweise Ausführung und Testläufe
- Zustandsinspektion und Ereignisverfolgung
- Reproduktion von Produktionsproblemen mit Seeds und Fixtures
Beobachtbarkeit und Überwachung
- Strukturierte Protokollierung und verteilte Tracing
- Operative Metriken: Latenz, Zuverlässigkeit, Token-Nutzung
- Dashboards, Alerts und SLO-Tracking
Bereitstellung und Betrieb
- Packaging von Graphen als Dienste und Container
- Konfigurationsverwaltung und Behandlung von Secrets
- CI/CD-Pipelines, Rollouts und Canaries
Qualität, Testing und Sicherheit
- Unit-, Szenario- und automatisierte Eval-Harnesses
- Guardrails, Inhaltsfilterung und Behandlung von PII
- Red Teaming und Chaos-Experimente für Robustheit
Zusammenfassung und nächste Schritte
Voraussetzungen
- Verständnis von Python und asynchroner Programmierung.
- Erfahrung in der Entwicklung von LLM-Anwendungen.
- Grundkenntnisse der Konzepte von LangGraph oder LangChain.
Zielgruppe
- Entwickler für KI-Plattformen.
- DevOps für KI.
- ML-Architekten, die LangGraph-Systeme in der Produktion betreuen.
35 Stunden