ఒక సంవత్సరం క్రితం, AI నేర్చుకుంటున్న చాలా మంది డెవలపర్లు ఒక ప్రాథమిక పనిపై దృష్టి పెట్టారు: అప్లికేషన్‌ను ఒక లాంగ్వేజ్ మోడల్‌కు కనెక్ట్ చేసి ఉపయోగకరమైన సమాధానం పొందడం.
ఈ రోజు, అంచనాలు మారుతున్నాయి.
ఒక అప్లికేషన్ ఎప్పుడు టూల్‌ను ఉపయోగించాలో నిర్ణయించాలి, API ని కాల్ చేయాలి, సమాచారం కోసం వెతకాలి, ముందు ఏమి జరిగిందో గుర్తుంచుకోవాలి, ఏదైనా విఫలమైనప్పుడు కోలుకోవాలి, లక్ష్యం వైపు పని కొనసాగించాలి.
దాంతో AI డెవలప్‌మెంట్ నేర్చుకోవడం అంటే ఏమిటనేది మారుతోంది.
విద్యార్థులకు మరియు పనిచేస్తున్న నిపుణులకు, ప్రశ్న ఇకపై ప్రాంప్టింగ్ లేదా ఒక AI SDK నేర్చుకోవాలా అనేది మాత్రమే కాదు.
మరింత ఉపయోగకరమైన ప్రశ్న ఇది: agentic systems ను ఎలా నిర్మించాలో మీరు నేర్చుకోవాలా, మరియు ఎంత లోతుగా?
ఇది TechiesJournal లోని మూడు భాగాల సిరీస్‌లో మొదటి ఆర్టికల్. ఇందులో, ఈ నైపుణ్యం మీ సమయానికి తగినదా అనే దానిపై దృష్టి పెడతాము. భాగం 2 లో మీరు వాస్తవంగా ఏమి నిర్మించాలో చూస్తాము. భాగం 3 లో ఉచిత లెర్నింగ్ వనరులు, హ్యాండ్స్-ఆన్ శిక్షణ మరియు పెరుగుతున్న సర్టిఫికేషన్ రంగాన్ని చర్చిస్తాము.
Agentic system అంటే ఏమిటి?
ఒక సాధారణ AI అప్లికేషన్ మోడల్‌కు ఒక ప్రశ్నను పంపి, సమాధానాన్ని తిరిగి ఇవ్వవచ్చు.
ఒక agentic system మరింత ముందుకు వెళ్లగలదు. తరువాత ఏ చర్య తీసుకోవాలో అది నిర్ణయించవచ్చు, టూల్స్ వాడవచ్చు, అనేక దశల ద్వారా పని చేయవచ్చు, state ను ట్రాక్ చేయవచ్చు, లక్ష్యాన్ని చేరే వరకు లేదా మనిషి సహాయం అవసరమయ్యే వరకు కొనసాగవచ్చు. ఈ పదం మీకు కొత్త అయితే, AI ఏజెంట్లు అంటే ఏమిటి అనే మా వివరణ మంచి ప్రారంభ స్థానం.
ఉదాహరణకు, ఒక కస్టమర్ సమస్యను సంగ్రహించమని AI ని అడగడానికి బదులుగా, ఒక ఏజెంట్ ఇలా చేయవచ్చు:
అభ్యర్థనను చదవడం → కస్టమర్ ఖాతాను తనిఖీ చేయడం → ఉత్పత్తి సమాచారాన్ని వెతకడం → సమస్యను పరిష్కరించగలదో లేదో నిర్ణయించడం → ఆమోదించిన చర్యను తీసుకోవడం → ఏమి జరిగిందో నమోదు చేయడం
ఆ system లో మోడల్ ఒక భాగం మాత్రమే.
అసలైన ఇంజనీరింగ్ ఉన్నది మోడల్‌ను టూల్స్‌కు, డేటాకు మరియు నిజమైన పనికి సురక్షితంగా, నమ్మదగిన విధంగా కనెక్ట్ చేయడంలో.
ఇప్పుడు ఇది నేర్చుకోవడం ఎందుకు విలువైనది?
బలమైన సంకేతం agent అనే పదం ప్రతిచోటా కనిపించడం కాదు.
ప్రధాన AI మరియు క్లౌడ్ ప్లాట్‌ఫామ్‌లు ఇప్పుడు agentic systems చుట్టూ తీవ్రమైన డెవలప్‌మెంట్ మరియు లెర్నింగ్ వ్యవస్థలను నిర్మిస్తున్నాయి అనేదే అసలు సంకేతం.
AWS ఒక 14-మాడ్యూల్ లెర్నింగ్ సిరీస్‌ను రూపొందించింది. ఇది ఏజెంట్ పునాదుల నుండి ఆర్కెస్ట్రేషన్, మెమరీ, ఐడెంటిటీ, సెక్యూరిటీ, అబ్జర్వబిలిటీ, ప్రొడక్షన్ డిప్లాయ్‌మెంట్ వరకు సాగుతుంది.
Microsoft ఇప్పుడు ప్రారంభ స్థాయి ఏజెంట్ డెవలప్‌మెంట్ నుండి అధునాతన ప్రొడక్షన్ మల్టీ-ఏజెంట్ systems వరకు లెర్నింగ్ పాత్‌లను అందిస్తోంది.
Google, ఎంటర్‌ప్రైజ్ ఏజెంట్లను ఎలా నిర్మించాలో, డిప్లాయ్ చేయాలో డెవలపర్లు మరియు నిపుణులు నేర్చుకోవడానికి తన GEAR ప్రోగ్రామ్‌ను ప్రారంభించింది.
OpenAI యొక్క ఏజెంట్-డెవలప్‌మెంట్ మెటీరియల్ ఇప్పుడు టూల్స్, state, హ్యాండ్‌ఆఫ్‌లు, MCP, గార్డ్‌రెయిల్స్, మానవ సమీక్ష, ట్రేసింగ్ మరియు మూల్యాంకనాన్ని కవర్ చేస్తుంది.
Claude Code చుట్టూ Anthropic ప్రస్తుత శిక్షణ కూడా ఇదే విధంగా ప్రాథమిక ఏజెంట్ లూప్ నుండి MCP, సబ్-ఏజెంట్లు, ఆర్కెస్ట్రేషన్ మరియు పెద్ద వాస్తవ-ప్రపంచ వర్క్‌ఫ్లోల వైపు సాగుతుంది.
ప్రతి డెవలపర్ “ఏజెంట్ ఇంజనీర్” కావాలని దీని అర్థం కాదు.
కానీ agentic systems ప్రయోగాల దశ నుండి సాధారణ సాఫ్ట్‌వేర్ మరియు క్లౌడ్ ఇంజనీరింగ్‌లోకి మారుతున్నాయని ఇది చూపిస్తుంది.
రచయిత దృక్పథం: ఫ్రేమ్‌వర్క్‌ను కాదు, system ను నేర్చుకోండి
ప్రజలు ఈ విషయాన్ని సమీపిస్తున్న విధానంలో ఒక ప్రమాదం ఉంది.
కొన్ని నెలలకు ఒకసారి, మరో agent framework ప్రజాదరణ పొందుతుంది.
మీ లెర్నింగ్ ప్లాన్ ఇలా ఉంటే:
Framework A నేర్చుకోండి → Framework B నేర్చుకోండి → Framework C నేర్చుకోండి
మీరు చాలా సమయం గడిపినా, నిలిచి ఉండే నైపుణ్యాలను పెంచుకోలేకపోవచ్చు.
ఫ్రేమ్‌వర్క్‌లు మారుతాయి.
అంతర్లీన ఇంజనీరింగ్ సమస్యలు మాత్రం అలాగే ఉంటాయి.
ఒక ఏజెంట్ ఇప్పటికీ ఇలాంటి ప్రశ్నలకు సమాధానం చెప్పాలి:
- లక్ష్యం ఏమిటి?
- అది ఏ టూల్స్ వాడగలదు?
- ఏ సమాచారాన్ని గుర్తుంచుకోవాలి?
- దేనిని యాక్సెస్ చేయడానికి దానికి అనుమతి ఉంది?
- ఒక టూల్ విఫలమైతే ఏమి జరుగుతుంది?
- దాని ఫలితం సరైనదో కాదో మనకు ఎలా తెలుస్తుంది?
- అది ఎప్పుడు ఆగాలి?
- మనిషి ఎప్పుడు బాధ్యత తీసుకోవాలి?
అందుకే ముఖ్యమైన కెరీర్ నైపుణ్యం ఒక agent framework ను నేర్చుకోవడం కాదు అని నేను నమ్ముతున్నాను.
అది ఈ అంశాలు ఎలా కలిసి పనిచేస్తాయో అర్థం చేసుకోవడం:
మోడల్స్ + టూల్స్ + state + అనుమతులు + మూల్యాంకనం + మానవ నియంత్రణ
ఒక system గా కలిసి పనిచేస్తాయి.
ఈ ఆలోచనలను అర్థం చేసుకున్న తర్వాత, కొత్త framework ను నేర్చుకోవడం చాలా సులభం అవుతుంది.
దీన్ని ఎంత లోతుగా నేర్చుకోవాలి?
అందరికీ ఒకే లోతు అవసరం లేదు.
ఈ చిత్రం కోసం టెక్స్ట్ వివరణ
పెరుగుతున్న లోతుతో మూడు దశలు. విద్యార్థి లేదా ప్రారంభకుడు ఒక ఉపయోగకరమైన ఏజెంట్‌ను నిర్మించి, వివరిస్తారు. డెవలపర్ లేదా క్లౌడ్ నిపుణుడు నిజమైన అప్లికేషన్లు మరియు వర్క్‌ఫ్లోల లోపల ఏజెంట్లను సురక్షితంగా ఉపయోగిస్తారు. AI ఇంజనీర్ లేదా ఆర్కిటెక్ట్ నమ్మదగిన, పరిశీలించగల మరియు పాలనకు లోబడిన agentic systems ను రూపొందిస్తారు.
విద్యార్థులు: ఉపయోగించడం
మీరు విద్యార్థి అయితే, ప్రతి ఏజెంట్ ప్లాట్‌ఫామ్‌లో నైపుణ్యం సాధించడం మీ లక్ష్యం కాకూడదు.
మీరు స్పష్టంగా వివరించగల ఒక ఉపయోగకరమైన agentic అప్లికేషన్‌ను నిర్మించగలిగేంత నేర్చుకోండి.
మీరు వీటిని అర్థం చేసుకోవాలి:
- ప్రాథమిక Python లేదా JavaScript
- APIs
- ప్రాథమిక LLM భావనలు
- ప్రాంప్ట్‌లు మరియు కాంటెక్స్ట్
- టూల్ లేదా ఫంక్షన్ కాలింగ్
- సరళమైన state మరియు మెమరీ
- ప్రాథమిక మూల్యాంకనం
- ప్రాథమిక సెక్యూరిటీ
తర్వాత ఏదైనా నిర్మించండి.
రీసెర్చ్ అసిస్టెంట్, స్టడీ హెల్పర్, సపోర్ట్ ఏజెంట్ లేదా సరళమైన వర్క్‌ఫ్లో ఏజెంట్ ఏదైనా సరిపోతుంది, అది ఎలా మరియు ఎందుకు పనిచేస్తుందో మీకు అర్థమైతే.
ఏమీ నిర్మించకుండా అనేక కోర్సు-పూర్తి బ్యాడ్జ్‌లను సేకరించడం కంటే, మీరు ప్రదర్శించి వివరించగల ఒక పనిచేసే ప్రాజెక్ట్ ఎక్కువ విలువైనది.
సాఫ్ట్‌వేర్ డెవలపర్లు: ఉపయోగించడం
డెవలపర్లు మరింత ముందుకు వెళ్లాలి, ఎందుకంటే ఏజెంట్లు నిజమైన అప్లికేషన్లలో భాగాల్లా ఎక్కువగా ప్రవర్తిస్తున్నాయి.
మీరు వీటిలో సౌకర్యంగా ఉండాలి:
- మోడల్స్‌ను APIs కు మరియు టూల్స్‌కు కనెక్ట్ చేయడం
- structured ఇన్‌పుట్‌లు మరియు ఔట్‌పుట్‌లు
- state మరియు మెమరీ
- రిట్రీవల్
- రిట్రైలు మరియు ఎర్రర్ హ్యాండ్లింగ్
- మూల్యాంకనం
- ట్రేసింగ్
- అధిక-ప్రమాదం ఉన్న చర్యలకు మానవ ఆమోదం
మార్పు ఇలా ఉంటుంది:
మోడల్ సమాధానం ఇచ్చేలా నేను చేయగలనా?
నుండి:
system ఒక పనిని నమ్మదగిన విధంగా పూర్తి చేసేలా నేను చేయగలనా?
క్లౌడ్, DevOps మరియు ప్లాట్‌ఫామ్ నిపుణులు: ఉపయోగించడం నుండి నైపుణ్యం వరకు
Agentic systems కేవలం అప్లికేషన్-డెవలప్‌మెంట్ అంశం కాదు.
ఏజెంట్లు ప్రొడక్షన్‌లో పనిచేయడం మొదలైన తర్వాత, వాటికి ఇన్‌ఫ్రాస్ట్రక్చర్ అవసరం. దాంతో మీకు ఇప్పటికే ఉన్న క్లౌడ్ మరియు ప్లాట్‌ఫామ్ నైపుణ్యాలు నేరుగా రంగంలోకి వస్తాయి, వాటిలో షేర్డ్ API కీలకు బదులు ఏజెంట్లకు గుర్తింపులను ఎలా ఇవ్వాలి అనేది కూడా ఉంది:
- ఐడెంటిటీ మరియు యాక్సెస్
- సీక్రెట్లు
- క్యూలు మరియు ఈవెంట్లు
- అబ్జర్వబిలిటీ
- డిప్లాయ్‌మెంట్
- నెట్‌వర్కింగ్
- ఖర్చు నియంత్రణ
- ఎక్కువ కాలం నడిచే జాబ్‌లు
- గవర్నెన్స్
మీరు ఇప్పటికే క్లౌడ్, DevOps లేదా ప్లాట్‌ఫామ్ ఇంజనీరింగ్‌లో పనిచేస్తుంటే, మీరు సున్నా నుండి ప్రారంభించడం లేదు.
ప్రొడక్షన్ సమస్యలో పెద్ద భాగం మీకు ఇప్పటికే ఉన్న నైపుణ్యాలనే ఉపయోగిస్తుంది.
AI ఇంజనీర్లు మరియు ఆర్కిటెక్ట్‌లు: నైపుణ్యం
Agentic systems ను రూపొందించడం మీ పాత్రలో కేంద్రమైతే, మీకు లోతైన స్థాయి అవసరం.
అందులో ఇవి ఉంటాయి:
- ఆర్కిటెక్చర్ ప్యాటర్న్‌లు
- మోడల్ ఎంపిక
- ఆర్కెస్ట్రేషన్
- state నిర్వహణ
- మూల్యాంకనం
- సెక్యూరిటీ సరిహద్దులు
- అబ్జర్వబిలిటీ
- వైఫల్యం నుండి కోలుకోవడం
- మానవ పర్యవేక్షణ
- ఖర్చు
- గవర్నెన్స్
- నిజమైన కారణం ఉన్నప్పుడు మల్టీ-ఏజెంట్ డిజైన్
ఈ స్థాయిలో, ముఖ్యమైన ప్రశ్న ఇకపై ఏజెంట్‌ను ఎలా నిర్మించాలి అనేది కాదు.
ప్రజలు ఆధారపడగల agentic system ను ఎలా నిర్మించాలి అనేదే.
మొదట ఏమి నేర్చుకోకూడదు?
ఏమి నేర్చుకోవాలో తెలుసుకోవడం ఎంత ముఖ్యమో, ఇది దాదాపు అంతే ముఖ్యం.
మీరు ఈ రోజు ప్రారంభిస్తున్నట్లయితే, వీటితో మొదలుపెట్టాల్సిన అవసరం లేదు:
- ఐదు వేర్వేరు agent frameworks
- సంక్లిష్టమైన మల్టీ-ఏజెంట్ ఆర్కిటెక్చర్లు
- ప్రతి వెక్టర్ డేటాబేస్
- ప్రతి ప్రొవైడర్ SDK
- అధునాతన MCP ఇన్‌ఫ్రాస్ట్రక్చర్ (అక్కడికి చేరినప్పుడు MCP, A2A మరియు WebMCP ఏజెంట్లను ఎలా కనెక్ట్ చేస్తాయి అనే మా గైడ్ చదవదగినది)
- కస్టమ్ మోడల్ ట్రైనింగ్
- ఏజెంట్ వర్క్‌లోడ్‌ల కోసం Kubernetes
ఇవి తర్వాత ఉపయోగపడవచ్చు.
చిన్నగా ప్రారంభించండి.
ఒక మోడల్ + ఒక టూల్ + ఒక ఉపయోగకరమైన సమస్య.
దాన్ని పనిచేసేలా చేయండి.
తర్వాత state ను చేర్చండి.
తర్వాత మరో టూల్‌ను చేర్చండి.
తర్వాత మూల్యాంకనాన్ని చేర్చండి.
తర్వాత వైఫల్యాన్ని నిర్వహించండి.
సంక్లిష్టత రావాలంటే సమస్య దాన్ని కోరాలి, ఆర్కిటెక్చర్ డయాగ్రామ్ ఆకట్టుకునేలా కనిపించడం కారణం కాకూడదు.
మల్టీ-ఏజెంట్ systems తో ప్రారంభించడాన్ని నేను ముఖ్యంగా నివారిస్తాను.
ఒక నమ్మదగిన ఏజెంట్ సమస్యను పరిష్కరించగలిగితే, ఐదు ఏజెంట్లు ఒకదానితో ఒకటి మాట్లాడుకోవడం సాధారణంగా నేర్చుకోవడాన్ని మెరుగుపరచదు, కష్టతరం చేస్తుంది.
ఆచరణాత్మక లెర్నింగ్ పాత్
Agentic systems నేర్చుకోవడాన్ని మీరు ఐదు దశలుగా ఆలోచించవచ్చు.
1. అర్థం చేసుకోండి
వీటి మధ్య ప్రాథమిక సంబంధాన్ని నేర్చుకోండి:
మోడల్ → కాంటెక్స్ట్ → టూల్స్ → చర్యలు
సాధారణ మోడల్ కాల్ నుండి ఏజెంట్‌ను ఏది వేరు చేస్తుందో అర్థం చేసుకోండి.
2. నిర్మించండి
ఒక ఉపయోగకరమైన సమస్యను పరిష్కరించడానికి ఒకటి లేదా రెండు టూల్స్ వాడగల ఒక ఏజెంట్‌ను సృష్టించండి.
ఇప్పుడే స్కేల్ గురించి చింతించకండి.
3. system ప్రవర్తనను చేర్చండి
వీటిని పరిచయం చేయండి:
state → APIs → రిట్రీవల్ → structured ఔట్‌పుట్
ఇప్పుడు మీ ఏజెంట్ డెమో కంటే ఒక అప్లికేషన్‌లో భాగంలా ప్రవర్తించడం మొదలుపెడుతుంది.
4. నమ్మదగినదిగా చేయండి
నేర్చుకోండి:
మూల్యాంకనం → ట్రేసింగ్ → అనుమతులు → రిట్రైలు → మానవ ఆమోదం → వైఫల్యం నుండి కోలుకోవడం
చాలా ట్యుటోరియల్స్ చాలా త్వరగా ఆగిపోయేది ఇక్కడే.
పనిచేసే డెమో అంటే ఆధారపడదగిన system కాదు.
5. అవసరమైనప్పుడు మరింత లోతుకు వెళ్లండి
అప్పుడు మాత్రమే వీటిలోకి వెళ్లండి:
- MCP
- సంక్లిష్టమైన వర్క్‌ఫ్లోలు
- ఎక్కువ కాలం నడిచే టాస్క్‌లు
- ఆర్కెస్ట్రేషన్
- మల్టీ-ఏజెంట్ systems
- ప్రొడక్షన్ స్కేలింగ్
మీ మొదటి ప్రాజెక్ట్ కోసం ఏ ప్రొవైడర్‌ను వాడతారనే దాని కంటే ఈ క్రమం ఎక్కువ ముఖ్యం.
సర్టిఫికేషన్ల సంగతేమిటి?
ఇప్పుడు ప్రధాన AI మరియు క్లౌడ్ ప్రొవైడర్ల నుండి ఉచిత కోర్సులు, హ్యాండ్స్-ఆన్ ల్యాబ్‌లు, బ్యాడ్జ్‌లు, అప్లైడ్-స్కిల్ క్రెడెన్షియల్స్ మరియు ప్రొఫెషనల్ సర్టిఫికేషన్లు ఉన్నాయి.
కానీ అవన్నీ ఒకటి కావు.
కోర్సు-పూర్తి బ్యాడ్జ్ మీరు నేర్చుకోవడం పూర్తి చేశారని చూపిస్తుంది.
హ్యాండ్స్-ఆన్ క్రెడెన్షియల్ ఒక నిర్దిష్ట ఆచరణాత్మక నైపుణ్యాన్ని చూపించవచ్చు.
ప్రొఫెషనల్ సర్టిఫికేషన్ సాధారణంగా విస్తృతమైన జ్ఞానాన్ని మరియు అనుభవాన్ని ఆశిస్తుంది.
ఈ ఆర్టికల్‌ను సర్టిఫికెట్ల పొడవైన జాబితాగా మార్చకుండా, వాటిని ఈ సిరీస్ భాగం 3 లో సరిగ్గా వేరు చేసి చూపిస్తాము.
ప్రస్తుతానికి ముఖ్యమైన విషయం సులభమైనది:
సర్టిఫికేషన్‌ను మీ మొదటి లక్ష్యంగా చేసుకోకండి.
మొదట సాంకేతికతను అర్థం చేసుకోండి.
తర్వాత ఏదైనా నిర్మించండి.
తర్వాత మీ కెరీర్‌కు ఉపయోగపడే చోట ఆ నైపుణ్యాన్ని ధృవీకరించడానికి లేదా విస్తరించడానికి ఒక క్రెడెన్షియల్‌ను ఉపయోగించండి. అసలు మీ సమయానికి ఏది అర్హమైనదో ఇంకా నిర్ణయించుకుంటున్నట్లయితే, ఏ టెక్నాలజీని నేర్చుకోవాలో ఎలా నిర్ణయించుకోవాలి అనే మా గైడ్ సహాయపడవచ్చు.
ఎక్కడ ప్రారంభించాలి?
మీరు విద్యార్థి అయితే, అధునాతన ఆర్కిటెక్చర్ లేదా సర్టిఫికేషన్ గురించి చింతించే ముందు ఒక చిన్న agentic ప్రాజెక్ట్‌ను నిర్మించండి.
మీరు డెవలపర్ అయితే, ఒక నిజమైన వర్క్‌ఫ్లోను తీసుకుని, ఒక ఏజెంట్ దానిలో కొంత భాగాన్ని సురక్షితంగా, నమ్మదగిన విధంగా పూర్తి చేయగలదేమో చూడండి.
మీరు క్లౌడ్, DevOps లేదా ప్లాట్‌ఫామ్ ఇంజనీరింగ్‌లో పనిచేస్తుంటే, ఐడెంటిటీ, అబ్జర్వబిలిటీ మరియు ఆటోమేషన్ గురించి మీకు ఇప్పటికే తెలిసిన వాటిని ఏజెంట్ వర్క్‌లోడ్‌లకు అనుసంధానించడం ప్రారంభించండి.
మీరు ఆర్కిటెక్ట్ లేదా AI ఇంజనీర్ అయితే, మూల్యాంకనం, అనుమతులు, కోలుకోవడం మరియు ప్రొడక్షన్ విశ్వసనీయతలో మరింత లోతుగా వెళ్లండి.
ముఖ్యమైన నైపుణ్యం ఏజెంట్‌ను మాట్లాడించడం కాదు.
ఒక నిజమైన system లోపల ఏజెంట్ నమ్మదగిన విధంగా చర్య తీసుకునేలా ఎలా చేయాలో నేర్చుకోవడమే.
Building Agentic Systems సిరీస్‌ను కొనసాగించండి
భాగం 1: మీరు ఇక్కడ ఉన్నారు. Building Agentic Systems: విద్యార్థులు మరియు పనిచేస్తున్న నిపుణులు ఇప్పుడు ఏమి నేర్చుకోవాలి. Agentic systems మీ సమయానికి తగినవేనా, మీ పాత్రకు ఈ నైపుణ్యం ఎంత లోతుగా అవసరమో నిర్ణయించుకోండి.
భాగం 2: తదుపరిది. Building Agentic Systems: మీ మొదటి ఏజెంట్ నుండి నమ్మదగిన system వరకు. ఒక సరళమైన ఏజెంట్ నుండి టూల్స్, state, మెమరీ, మూల్యాంకనం, సెక్యూరిటీ, మానవ ఆమోదం మరియు ప్రొడక్షన్ డిజైన్ వైపు వెళ్తాము.
భాగం 3: ఆ తర్వాత వస్తుంది. Learning Agentic AI: ఉచిత కోర్సులు, హ్యాండ్స్-ఆన్ ల్యాబ్‌లు మరియు సర్టిఫికేషన్లు. AWS, Microsoft, Google, OpenAI, Anthropic మరియు ఇతరుల ప్రస్తుత లెర్నింగ్ వనరుల ఆచరణాత్మక పోలిక, కోర్సు సర్టిఫికెట్లు, అప్లైడ్ క్రెడెన్షియల్స్ మరియు ప్రొఫెషనల్ సర్టిఫికేషన్ల మధ్య తేడాతో సహా.
మూలాలు మరియు తదుపరి పఠనం
మూలాలు సమీక్షించిన తేదీ: 2 అక్టోబర్ 2026.
- AWS — Build AI agents with AWS: AI agent learning series. పునాదులు, ఆర్కెస్ట్రేషన్, మెమరీ, ఐడెంటిటీ, సెక్యూరిటీ, అబ్జర్వబిలిటీ మరియు ప్రొడక్షన్ డిప్లాయ్‌మెంట్‌ను కవర్ చేసే నిర్మాణాత్మక 14-మాడ్యూల్ సిరీస్.
- Microsoft Learn — Develop AI Agents on Azure. Microsoft Foundry తో ఏజెంట్లను నిర్మించడం, పరీక్షించడం మరియు డిప్లాయ్ చేయడం కోసం ప్రస్తుత నిర్మాణాత్మక లెర్నింగ్ పాత్.
- Google — Gemini Enterprise Agent Ready (GEAR). ఎంటర్‌ప్రైజ్-గ్రేడ్ ఏజెంట్లను నిర్మించి, డిప్లాయ్ చేసే నిపుణుల కోసం Google లెర్నింగ్ ప్రోగ్రామ్.
- OpenAI — Agents SDK documentation. ఏజెంట్ రన్‌టైమ్, టూల్స్, state, ఆర్కెస్ట్రేషన్, మానవ సమీక్ష, MCP, ట్రేసింగ్ మరియు మూల్యాంకనాన్ని కవర్ చేసే సాంకేతిక మెటీరియల్.
- Anthropic — Claude Code in Action. నిజమైన సాఫ్ట్‌వేర్-డెవలప్‌మెంట్ వర్క్‌ఫ్లోలలో ఏజెంట్ లూప్‌లు, కాంటెక్స్ట్, MCP, సబ్-ఏజెంట్లు మరియు ఆర్కెస్ట్రేషన్‌ను చూపించే ఆచరణాత్మక మెటీరియల్.