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 Agent-Frameworks
- Überblick über Large Language Models in der Infrastruktur-Automatisierung
- Zentrale Konzepte in Multi-Agent-Workflows
- AutoGen, CrewAI und LangChain: Anwendungsfälle im DevOps
Einstellung 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 Codequalitäts-Workflows
- Prompting von LLMs zur Generierung von Unit- und Integrationstests
- Verwendung von Agenten zur Durchsetzung von Linting, Commit-Regeln und Code-Review-Leitlinien
- Automatisierte Zusammenfassung und Tagung von Pull Requests
LLM-Agenten für Alarmbearbeitung und Änderungsdetektion
- Gestaltung von Reaktionsagenten für Pipeline-Fehlermeldungen
- Analyse von Protokollen und Spuren unter Verwendung von Sprachmodellen
- Proaktive Detektion von hochriskanten Änderungen oder Fehlkonfigurationen
Multi-Agent-Koordination im DevOps
- Rollenbasierte Agenten-Orchestrierung (Planer, Ausführender, Reviewer)
- Agenten-Messaging-Loops und Speichermanagement
- Human-in-the-Loop-Design für kritische Systeme
Sicherheit, Governance und Observability
- Umgang mit Datenexposition und LLM-Sicherheit in der Infrastruktur
- Auditierung von Agentenaktionen und Einschränkung des Wirkungsbereichs
- Verfolgung des Pipeline-Verhaltens und des Modelfeedbacks
Praktische Anwendungsfälle und individuelle 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
Zusammenfassung und nächste Schritte
Voraussetzungen
- Erfahrung mit DevOps-Tools und Pipeline-Automatisierung
- Fundierte Kenntnisse in Python und Git-basierten Workflows
- Verständnis von LLMs oder erste Erfahrungen mit Prompt Engineering
Zielgruppe
- Innovationsingenieure und Leiter von AI-integrierten Plattformen
- LLM-Entwickler, die im DevOps oder in der Automatisierung arbeiten
- DevOps-Profis, die intelligente Agent-Frameworks erkunden