CURS LIVE ONLINE
AI Agent Development
Richard Șerban Francu Senior AI Engineer @ UCE Systems
DATA:
10 Septembrie - 20 Octombrie 2026
DURATA:
12 lecții, 6 săptămâni
Marți & Joi, 18:30 - 20:00
Curs AI pentru developeri Python (middle–advanced) care vor să treacă de la „folosesc AI” la „livrez sisteme AI complete”.
În 12 lecții live construiești practic un AI agent end-to-end: agents + tools, RAG cu PostgreSQL/pgvector, orchestrare multi-agent în LangGraph, memory/caching, guardrails (prompt injection, PII), plus MCP server și deployment pe AWS SageMaker.
Lansează independent un sistem agentic gata de producție, cu livrabile de portofoliu.
Pentru cine este acest curs?
-
Backend Developer Python
La final, vei putea construi și lansa independent un sistem AI agentic production-ready (LLM + tools + RAG + observabilitate + securitate + MCP), devenind go-to person pentru integrări AI în echipa ta.
-
Software Engineer / Full-stack Developer
La final, vei putea proiecta, implementa și da în producție un sistem AI complet (multi-agent + LangGraph + observabilitate + optimizare cost) ca arhitect de soluții AI, nu doar utilizator de ChatGPT.
-
Data Engineer / ML Engineer
La final, vei putea construi și deploya în cloud un sistem AI end-to-end pentru documente (RAG + orchestrare multi-agent în LangGraph + memory/caching), optimizat prin alegerea corectă între LLM și ML clasic.
După curs vei ști:
-
De la API la agent production-ready Învață să faci apeluri reale către LLM-uri din Python, să definești tool-uri custom (tool calling) și să construiești un agent conversațional complet, cu memory, system prompt robust și observabilitate end-to-end prin LangSmith.
-
RAG și procesare de documente, cap-coadă Cursul acoperă fluxul complet pentru documente: loadere, chunking, generare de embeddings și stocare în PostgreSQL cu pgvector, astfel încât agentul să poată face retrieval semantic și să răspundă pe baza unor documente reale.
-
Multi-agent, LangGraph și livrare în producție Orchestrează agenți care colaborează (Extractor + Analyst), construiesc workflow-uri cu LangGraph (state + routing condiționat) și livrează sistemul în producție pe AWS SageMaker, cu securitate (guardrails, prompt injection/PII) și optimizări de cost/latency incluse.
Lector
Richard
Șerban Francu
- Senior AI Engineer @ UCE Systems
- Peste 6 ani de experiență în AI, cu proiecte livrate în producție în FinTech, EdTech și Automotive
- A construit și pus în producție sisteme reale bazate pe LLM-uri și agenți AI, inclusiv un sistem NL2SQL cu RAG
- Experiență practică cu RAG, fine-tuning, procesare documente și infrastructură AWS (SageMaker, Lambda, Docker)
- Predă din experiență directă de pe piață, nu din teorie academică
Program
Lecția 1 - Noțiuni de bază — API-uri LLM și primul agent
- Diferența dintre produsele LLM și API-uri
- Configurarea și utilizarea furnizorilor LLM (Ollama, Gemini, Anthropic)
- Efectuarea apelurilor API folosind Python
- Utilizarea LangChain pentru abstractizarea furnizorului
- Structura unui agent simplu de întrebări și răspunsuri
Lecția 2 - Instrumente, prompturi și observabilitate
- Definirea și implementarea instrumentelor personalizate (tools) pentru un agent
- Tehnici de prompt engineering (role prompting, few-shot, chain of thought)
- Proiectarea prompturilor de sistem eficiente
- Configurarea observabilității cu LangSmith
Lecția 3 - Procesarea și extragerea documentelor
- Încărcarea și procesarea diferitelor tipuri de documente (PDF, DOCX, TXT, CSV)
- Strategii de fragmentare (chunking) pentru diferite cazuri de utilizare
- Extragerea datelor structurate folosind modele Pydantic
Lecția 4 - Stocarea bazelor de date și RAG
- Configurarea PostgreSQL pentru stocarea datelor agentului
- Proiectarea schemelor pentru datele extrase
- Funcționarea RAG (Retrieval-Augmented Generation)
- Generarea și stocarea embedding-urilor
- Utilizarea pgvector pentru căutarea similitudinilor
Lecția 5 - LangGraph — Stare și fluxuri de lucru
- Arhitectura bazată pe grafuri a LangGraph
- Definirea schemelor de stare (state schemas)
- Crearea nodurilor și muchiilor (nodes și edges)
- Construirea fluxurilor de lucru condiționale
Lecția 6 - Orchestrarea multi-agent
- Proiectarea arhitecturilor multi-agent (supervisor, peer-to-peer, hierarchical)
- Implementarea comunicării agent-to-agent
- Construirea agenților de planificare și orchestrare
Lecția 7 - Optimizarea ML — Dincolo de apelurile LLM
- Identificarea sarcinilor care nu necesită LLM
- Implementarea clasificării cu scikit-learn
- Utilizarea spaCy pentru NER și extragere
- Optimizarea operațiunilor de embedding
Lecția 8 - Memorie și cache
- Implementarea arhitecturilor de memorie pentru agenți
- Aplicarea strategiilor de cache RAG
- Optimizarea compromisurilor între cost și latență
Lecția 9 - Securitate și măsuri de protecție
- Validarea intrărilor și detectarea prompt injection
- Adăugarea măsurilor de protecție pentru siguranță (output guardrails)
- Gestionarea erorilor
- Implementarea degradării elegante (graceful degradation)
Lecția 10 - Integrarea MCP
- Protocolul de context al modelului (Model Context Protocol)
- Construirea unui server MCP în Python
- Expunerea instrumentelor, prompturilor și resurselor
- Integrarea cu Claude Code
Lecția 11 - Inferența SageMaker
- Implementarea modelelor în punctele finale SageMaker
- Implementarea conductelor de inferență în loturi
- Configurarea inferenței asincrone cu notificări
- Aspecte ale punerii în producție (monitoring, cost optimization)
Lecția 12 - Training, Fine-Tuning și RLHF
- Înțelegerea RLHF și a modului în care acesta modelează comportamentul LLM
- Implementarea fine-tuning-ului cu instrumente moderne
- Configurarea sarcinilor de training pe AWS
Înscrie-te la curs
Completează formularul de înscriere pentru a primi mai multe detalii despre curs și taxa de participare.