Agentic AI the Hard Way

Moduł 1

Wprowadzenie i anatomia agenta: Co to jest agent AI? Wzorzec ReAct (Reasoning + Acting). Przegląd architektury, którą zbudujemy

Moduł 2

Setup środowiska i OpenAI API: Konfiguracja projektu Python, pierwsze wywołanie OpenAI API, eksploracja struktury request/response

Moduł 3

Context Window - pamięć agenta: Implementacja klasy ContextWindow z różnymi typami wiadomości (User, Assistant, ToolUse, ToolResult)

Moduł 4

Function Calling / Tool Use: Jak LLM decyduje o wywołaniu narzędzia. JSON Schema dla tool definitions. Parsowanie tool_calls

Moduł 5

Pętla ReAct - serce agenta: Implementacja głównej pętli agenta z rekurencyjnym wywołaniem act() i wykonywaniem narzędzi

Moduł 6

Budowanie prawdziwych narzędzi: Od zabawkowych przykładów do użytecznych tools: read_file, write_file, http_get, execute_sql

Moduł 7

Error handling i graceful degradation: Co gdy tool zawiedzie? Formatowanie błędów dla context window, retry patterns

Moduł 8

System prompt engineering: Jak napisać skuteczny system prompt dla agenta. Instrukcje, constrainty, tool usage guidelines

Moduł 9

Human-in-the-Loop: Kiedy agent powinien pytać człowieka. Tool ask_human, pause/resume workflow, approval flows

Moduł 10

Persistencja i multi-turn: Zapisywanie context window. JSON serialization, session management, wznowienie z dowolnego punktu

Moduł 11

Sub-agenci - Supervisor i Pipeline: Dwa wzorce orkiestracji: Supervisor delegujący do specjalistów oraz Pipeline z sekwencyjnym przekazywaniem

Moduł 12

Bezpieczeństwo i limity: Guardrails dla agentów: max iterations, tool allowlisting, sandboxing, input/output validation

Moduł 13

Podsumowanie i Q&A: Recap architektury, kiedy framework vs własna implementacja, kierunki rozwoju (RAG, multi-modal)