Buduj gotowe produkcyjnie rozwiązania AI dla biznesu i swojej codzienności!
5 tygodni efektywnego wejścia w świat generatywnego AI prosto w projektowanie rozwiązań produkcyjnych, które na stałe staną się integralną częścią Twojego życia i pracy zespołów. AI_devs 4 to:
- Przestrzeń na budowanie i wdrażanie produkcyjnych rozwiązań AI
- Context engineering, budowanie zaawansowanych agentów i workflows
- Wdrożenie i utrzymywanie generatywnych aplikacji


Całkiem nowa fabuła, zadania oraz misja budowania nowego świata.
AI_devs 4 obejmuje aż do 75% nowej treści względem poprzednich edycji i skupia się na pogłębieniu, rozszerzeniu oraz aktualizacji kluczowych tematów związanych z budowaniem generatywnych aplikacji.

































Zobacz co mówią uczestnicy poprzednich edycji
“AI_devs 3 ze swoją formą kohortową, toną wiedzy i świetnymi prowadzącymi to nie kurs, a doświadczenie, po którym zostaje pasja do AI i chęć eksperymentowania oraz wdrażania nowo poznanych narzędzi i technik.”
“Po tym szkoleniu zdałem sobie sprawę, że do teraz nie byłem na technicznym szkoleniu które prowadzone by było przez pasjonatów i prawdopodobnie żadne już nie będzie takie samo!”
Chcesz poznać techniki budowania produkcyjnych rozwiązań AI
Jeśli chcesz dowiedzieć się jak budować i rozwijać narzędzia wykorzystujące generatywne AI, AI_devs 4 da Ci przestrzeń oraz wiedzę, której potrzebujesz.


Posiadasz zestaw własnych narzędzi AI, które stają się częścią Twojej pracy





Jest tylko jedna droga - przejść przez produkcyjne "piekło".
Przez 5 tygodni będziesz przebywać w przestrzeni przyjaznej budowaniu produkcyjnych narzędzi AI w otoczeniu ludzi posiadających podobne problemy oraz cele dotyczące zastosowań generatywnego AI.
Generatywne AI w obecnym wydaniu to nadal dość nowy obszar w którym wciąż jest wiele pytań bez odpowiedzi. Dlatego najlepszym źródłem wiedzy, jest samodzielne budowanie rozwiązań, których działania doświadczasz każdego dnia.
To jest droga AI Dev Buildera.

To intensywna 5-tygodniowa misja, podczas której wspólnie budujemy rozwiązania AI. Narzędzie po narzędziu.
Skończysz tę misję z doświadczeniami i wiedzą, które ułatwią Ci budowanie produkcyjnych rozwiązań AI.
Poznasz techniki zarządzania kontekstem oraz optymalizacji promptów w wielowątkowej logice workflow oraz agentów AI.
Dobierzesz skuteczne rozwiązania do problemu, wybierając proste chainy tam, gdzie to możliwe i złożoną logikę agentów tam, gdzie to niezbędne.
Poznasz od praktycznej strony różne techniki łączenia zewnętrznych danych z modelami (RAG) i będziesz w stanie łączyć je ze sobą, by korzystać z ich zalet i adresować ograniczenia.
Poznasz Model Context Protocol od praktycznej strony i odkrywasz jego możliwości oraz wady wynikające bezpośrednio z protokołu jak i otaczającego ekosystemu.


“Brałem udział w wielu kursach, ale ten jest fenomenem na skalę światową.”
Przystępując do AI_devs miałem niewielkie oczekiwania - w końcu co poważnego można zrobić z czatem GPT? W trakcie kursu opinia zmieniła mi się radykalnie. Nie chodzi nawet o samą formę - bo cała historia opowiedziana jest tak, że wciąga na godziny a każde rozwiązane zadanie daje dziką satysfakcję. Jednak AI da się sterować tak aby rozwiązywała realne zadania i przynosiła korzyści. I to wcale nie jest takie proste.
Na koniec - brałem udział w wielu kursach, ale ten jest fenomenem na skalę światową. Autentycznie mam ochotę dopłacić ; ) To zaszczyt dołączyć do rodziny AI_devs. Na pewno będę wracał na kolejne edycje.
“Jest wiele kursów “uczących” o AI i LLM, ale tylko jeden naprawdę uczy.”
Niesamowity kurs. Jest wiele kursów “uczących” o AI i LLM, ale tylko jeden naprawdę uczy. Ogromny szacun dla całego zespołu za merytorykę, przygotowanie, ilość materiałów, formę czy to jak od strony organizacyjnej ten kurs jest dopieszczony. Wyniosłem z tego kursu coś więcej niż cytując klasyka, kilka kabli RJ-45 :P.
Jedyne co, to dołączając tutaj pamiętaj, że lekko nie będzie, ten kurs ma Cię czegoś nauczyć, a nie udawać, że to robi.

“Mózg wywrócony na lewą stronę. Bardzo mi coś takiego było potrzebne po latach.”
Wartość wypływającą z umiejętności nabytych na tym szkoleniu uważam za ogromną, co w połączeniu z dynamiką rozwoju obszaru GenAI i możliwościami jakie ten otwiera sprawiają, że to były doskonale zainwestowane pieniądze. ovmnt/unk/mc, dobra robota Panowie! Dzięki.

Jak wygląda misja AI_devs 4?
Przez 5 tygodni wcielasz się w Agenta nr 5 na misji. Każdego dnia nowe wyzwanie.
Każdy projekt zbliża Cię do celu:
- Portfolio narzędzi, które ułatwiają życie Twoje i innych ludzi.
- Dołączasz do społeczności tysięcy innych Builderów, którzy będą Ci towarzyszyć w tej misji.
- Musisz odbudować ten świat pełen wadliwych systemów.

“Fantastyczna, wciągająca fabuła zachęcająca do rozwiązywania kolejnych zadań. Ba, zachęcająca na tyle, że wstawanie o 5 rano stało się czystą przyjemnością :)”
Zadania multidyscyplinarne. Krok po kroku przedstawiajace coraz bardziej zlożone elementy budowania rozwiązań aplikacyjnych opartych o LLM. Praktycznie i rzeczowo. Moim zdaniem dla osób umiejących programować lub w ostateczności umiejących sobie z wybranym językiem programowania poradzić.Bardzo dziękuję Autorom, Agentom 5 - całemu community. Kurs nieporównywalny do żadnego na rynku.
Doświadczysz budowania rozwiązań AI odpowiadających na realne problemy biznesowe lub wyzwania Twojej codziennej pracy. Przynajmniej z części z nich zaczniesz korzystać niemal natychmiast.
Poprzez samodzielne budowanie narzędzi AI przeprowadzimy Cię przez problemy, które sami spotkaliśmy na produkcji oraz nasze doświadczenia w rozwijaniu produktów wykorzystujących AI.
Raczej oczywiste jest to, jak długa droga dzieli proste demo od produkcyjnego rozwiązania. Dobrze jest zatem doświadczyć związanych z tym wyzwań możliwie wcześnie, robiąc to wspólnie z innymi.
Przekonasz się, że generatywne AI w obecnej formie jest na różne sposoby ograniczone i w wielu sytuacjach wprost nie może być stosowane. Jednocześnie łatwiej rozpoznasz scenariusze, w których zastosowanie AI wniesie realną wartość.

“Do tej pory chyba żaden kurs nie sprawił, że od razu po jego ukończeniu, jestem w stanie przejść do praktyki z poczuciem, że wiem, co robię.”
Ten kurs to złoto! Świetna i przyjemna w odbiorze forma, a w szczególności zadania praktyczne, które zapewniły mi rozrywkę na wiele długich wieczorów :D Łatwo nie było, ale satysfakcja ze zdobytej wiedzy jest ogromna.
Do tej pory chyba żaden kurs nie sprawił, że od razu po jego ukończeniu, jestem w stanie przejść do praktyki z poczuciem, że wiem, co robię. Aktualnie myślenie o wykorzystaniu Gen AI to już nie tylko teoretyzowanie, ale pełna świadomość możliwości i przede wszystkim tego, jak je wdrożyć. Wielkie dzięki i do zobaczenia w kolejnej odsłonie kursu ;)
“AI rozwija się w drastycznym tempie, a chłopaki przekazali ich najbardziej aktualną wiedzę”
Ogromna dawka wiedzy przekazana w tak krótkim czasie i w tak skondensowanej formie to jest coś, czego brakuje na polskim, a nawet zagranicznym rynku! AI rozwija się w drastycznym tempie, a chłopaki przekazali ich najbardziej aktualną wiedzę i to teraz zależy tylko i wyłącznie od uczestnika czy będzie chciał być na bieżąco z nowymi możliwościami. Mega dobra robota, dziękujemy!
Agent 5 kończy służbę. 🫡
Wszystko czego potrzebujesz żeby budować gotowe produkcyjnie rozwiązania AI dla biznesu i swojej codzienności!
AI_devs 4 obejmuje do 75% nowej treści względem poprzednich edycji i skupia się na pogłębieniu, rozszerzeniu oraz aktualizacji kluczowych tematów związanych z budowaniem generatywnych aplikacji.
Programowanie działania modeli językowych
Programowanie interakcji z modelem językowym
CEL: Stworzenie skryptu zdolnego do manipulowania lokalnymi plikami z wykorzystaniem prostych narzędzi łączących LLM z logiką kodu.
- Wprowadzenie do AI_devs 4
- Sterowanie zachowaniem modelu z pomocą kodu
- Formatowanie i renderowanie odpowiedzi LLM oraz LRM
- Strukturyzowanie odpowiedzi oraz JSON Schema
- Różnice pomiędzy interfejsem użytkownika, a logiką aplikacji
- Korzystanie z mocnych stron różnych modeli jednocześnie
- Strategie wyboru dużych i mniejszych modeli w praktyce
- Najważniejsze natywne funkcjonalności API głównych providerów
- Przykłady struktur stanu oraz produkcyjnych baz danych
- Najnowsze techniki organizowania instrukcji w kodzie aplikacji
- Generowanie instrukcji i techniki optymalizacji z pomocą LLM
- Specjalizowanie modeli poprzez kontekst, few-shot oraz many-shot
- Bieżący stan modeli open-source z LM Studio, ich możliwości oraz wymagania sprzętowe i przydatne opcje konfiguracji
- Przykłady zastosowań obecnych możliwości modeli językowych
- Aktualne źródła wiedzy, profile, narzędzia i usługi, które warto obserwować
Techniki łączenia modelu z narzędziami
CEL: Rozbudowanie wcześniejszego przykładu o zarządzanie plikami na przykładzie prostych funkcji pozwalających modelowi na manipulowanie wybranym katalogiem
- Zasady łączenia modelu językowego z narzędziami
- Function Calling oraz natywne oraz własne narzędzia
- Dobre praktyki opisywania schematów i ich właściwości
- Ustalanie domyślnych wartości, walidacji oraz zabezpieczeń
- Połączenie modelu z usługami przez API, proxy oraz CLI
- Personalizacja narzędzi dzięki Augmented Function Calling
- Zasady projektowania workflow oraz logiki agentów
- Refleksja oraz interpretacja zapytań w dynamicznym kontekście
- Transformacja oraz wzbogacanie zapytań przez LLM
- Techniki optymalizacji szybkości i skuteczności narzędzi
- Podstawy zarządzania kontekstem w workflow i logice agentów
- Dynamiczne listy narzędzi i zasobów wiedzy
- Obsługa wymaganych danych wejściowych, uprawnień oraz zgody
- Zrozumienie roli problemu prompt injection oraz jailbreakingu
- Filtrowanie, moderowanie i flagowanie zapytań
- Obsługa błędów, techniki self-recovery i sytuacji brzegowych
Projektowanie API dla efektywnej pracy z modelem
CEL: Wygenerowanie i udostępnienie pierwszego, zdalnego serwera MCP w oparciu o blueprint oraz własne pliki specyfikacji projektu
- Cechy API wpływające na zachowanie modeli językowych
- Planowanie struktury narzędzi oraz schematów właściwości
- Optymalizacja interfejsu na potrzeby modeli językowych
- Elementy proxy pomiędzy API, a narzędziami dla modeli
- Projektowanie dynamicznych odpowiedzi sukcesu oraz błędów
- Model Context Protocol kontra własna implementacja
- Główne komponenty MCP dla STDIO i Streamable HTTP
- Projekt klienta oraz serwera MCP na back-endzie
- Budowanie serwerów MCP ze schematami "spec-driven"
- Narzucanie programistycznych ograniczeń oraz blokad
- Problemy dotyczące bezpieczeństwa oraz prywatności
- Autoryzacja serwerów MCP i kontrola uprawnień użytkowników
- MCP i narzędzia w lokalnej logice aplikacji
- Obsługa dużej liczby narzędzi oraz konfliktów pomiędzy serwerami
- Serwery STDIO w połączeniu z lokalnymi modelami open-source
- Publikacja zdalnego serwera MCP oraz MCPB dla serwerów lokalnych
Wsparcie multimodalności oraz załączników
CEL: Stworzenie edytora obrazu opartego o generatywne modele
- Przegląd najnowszych modeli dla obrazu, audio i wideo
- Dopasowanie procesu rozpoznawania obrazu z LLM
- Przetwarzanie obrazu przy wsparciu narzędzi
- Iteracyjne generowanie oraz edycja obrazów
- Generowanie i wzbogacanie instrukcji oraz referencje
- Personalizacja stylu i utrzymanie spójności
- Przetwarzanie obrazów w połączeniu z narzędziami
- Przetwarzanie renderowanych dokumentów PDF
- Przetwarzanie materiałów wideo i transkrypcji
- Obsługa załączników tekstowych oraz binarnych w wątkach
- Obsługa załączników tekstowych oraz binarnych w narzędziach
- Audio i najnowsze możliwości interfejsów głosowych
- Wideo i najnowsze możliwości modeli text-to-video
Zarządzanie jawnymi oraz niejawnymi limitami modeli
CEL: Przygotowanie API działającego na serwerze produkcyjnym, z utrzymaniem dobrych praktyk bezpieczeństwa oraz ograniczeń w kontekście interakcji z modelem oraz elementami MCP
- Podstawy generatywnych aplikacji w środowisku produkcyjnym
- Rodzaje limitów modeli generatywnego AI oraz API
- Niejawne ograniczenia oraz powszechne błędy modeli
- Limity narzędzi i ograniczenia środowiskowe
- Ograniczenia zakresu działania w kontekście biznesowym
- Sztuczne limity logiki aplikacji oraz infrastruktury
- Kontrola kosztów oraz estymowanie zużycia tokenów
- Techniki stosowania pamięci podręcznej w logice agentów
- Wpływ tempa i trendów rozwoju modeli na rozwój aplikacji
- Problem vendor-lock i ryzykowne decyzje projektowe
- Przygotowanie produkcyjnego środowiska
- Przygotowanie struktury API i głównych endpointów
- Integracja back-endu z protokołem MCP
- Publikowanie generatywnych aplikacji
- Rodzaje graficznych interfejsów i typy interakcji
Budowanie i zarządzanie kontekstem
Zarządzanie kontekstem w konwersacji
CEL: Stworzenie "nieskończonego" chatu według jednej ze strategii, posiadającego dostęp do wybranych narzędzi
- Rola kontekstu w instrukcjach systemowych
- Odróżnianie szumu od sygnału z pomocą modelu
- Kształtowanie kontekstu poprzez obserwację
- Generalizowanie zasad transformacji kontekstu
- Struktura dynamicznej instrukcji systemowej
- Kontrola stanu interakcji poza oknem kontekstu
- Rodzaje kontekstu dopasowanego do roli modelu i zadania
- Sterowanie utrzymaniem uwagi modelu poprzez kontekst
- Maskowanie elementów kontekstu
- Planowanie i monitorowanie postępów
- Zachowanie informacji o błędach nieudanych próbach
- Modyfikowanie treści bieżącej interakcji
- Współdzielenie informacji pomiędzy wątkami i rodzaje pamięci
- Wzorce pamięci długoterminowej dla agentów AI
Zewnętrzny kontekst narzędzi i dokumentów
CEL: Podłączenie różnych formatów plików jako źródła wiedzy wykorzystywane przy obsłudze narzędzi
- Wpływ zewnętrznego kontekstu na zachowanie modelu
- Zasady obsługi kontekstu z zewnętrznych źródeł
- Formaty prezentacji zewnętrznych treści w instrukcji
- Skanowanie treści oraz transformacja na potrzeby modelu
- Tworzenie i wykorzystywanie zasobów w serwerach MCP
- Zarządzanie dostępem do treści dokumentów i narzędzi
- Techniki indeksowania treści na potrzeby wyszukiwania
- Silniki wyszukiwania (oraz bazy wektorowe)
- Przeszukiwanie semantyczne i wybór modelu do embeddingu
- Przeszukiwanie przez wyrażenia regularne (ripgrep)
- Techniki przeszukiwania oraz wczytywania kontekstu (retrieval)
- Klasyczny RAG z wykorzystaniem hybrydowego wyszukiwania
- Główne wyzwania skuteczności RAG i zarządzania bazą wiedzy
- Transformacje zapytań użytkownika w kontekście konwersacji
- Sposoby prezentacji, cytowanie i referencje
- Grounding
Dokumenty oraz pamięć długoterminowa jako narzędzia
CEL: Stworzenie prywatnego cotygodniowego newslettera na wybrany temat
- Wyzwania procesu przeszukiwania dostępnych zasobów
- Kategoryzacja oraz mapa obszarów bazy wiedzy
- Mapowanie treści z wykorzystaniem grafów
- Prezentowanie dostępnych zasobów dla modelu
- Generowanie długich form tekstowych według ustalonych zasad
- Problem synchronizacji materiałów źródłowych
- Projektowanie narzędzi do eksploracji baz wiedzy
- Techniki wzbogacania zapytań użytkownika
- Wspieranie procesu przeszukiwania bazy wiedzy
- Eksplorowanie różnych źródeł i formatów danych
- Zewnętrzne systemy jako źródła danych
- Rola bazy wiedzy w interakcji z otoczeniem
- Zarządzanie niedeterministycznymi wynikami modelu
- Połączenie różnych strategii wyszukiwania
Organizowanie kontekstu dla wielu wątków
CEL: Stworzenie systemu osobistego dziennika uwzględniającego cele krótko oraz długoterminowe
- Koncepcja wielowątkowej interakcji z modelem językowym
- Rola globalnego kontekstu i jego zawartość
- Współdzielenie kontekstu w ramach workflow
- Statyczny oraz dynamiczny kontekst
- Reguły budowania i aktualizacji wspólnego kontekstu
- Przykłady elementów kontekstu oraz struktury
- Złożoność i współdzielenie kontekstu agentów oraz workflow
- Aktualne wzorce budowania agentów AI
- Podział obowiązków i narzędzi pomiędzy agentami
- Komunikacja pomiędzy agentami oraz człowiekiem
- Koordynacja pracy agentów przez managerów
- Raportowanie rezultatów oraz błędów
Projektowanie agentów
CEL: Stworzenie agenta informującego o kluczowych aktywnościach i wydarzeniach na dany dzień
- Projektowanie instrukcji i zakresu odpowiedzialności
- Zasady projektowania instrukcji agenta
- Przykłady instrukcji i ich elementów
- Przypisywanie zestawu narzędzi oraz ustawień
- Przypisywanie wiedzy oraz kontekstu
- Dopasowanie wiedzy do dostępnych narzędzi
- Nadawanie uprawnień oraz ograniczeń
- Stosowanie promptów MCP jako umiejętności agentów
- Budowa pierwszych agentów AI
- Weryfikacja skuteczności agenta AI
- Wsparcie działań modelu przez programistyczne mechaniki
- Aktualne możliwości i ograniczenia agentów AI
Zarządzanie niedeterministyczną naturą modeli
Obserwowanie i ewaluacja
CEL: Skonfigurowanie narzędzi do obserwowania zachowań LLM w aplikacji
- Użyteczność obserwacji aplikacji w praktyce
- Zasady monitorowania zachowań modelu
- Odtwarzanie stanu interakcji i debugowanie
- Wersjonowanie instrukcji systemowych
- Generalizowanie problemu oraz potencjalnych rozwiązań
- Narzędzia do monitorowania aktywności aplikacji
- Narzędzia do ewaluacji skuteczności systemu
- Wartość i wyzwania związane z ewaluacją
- Wybór wskaźników sukcesu oraz zasad oceny
- Podstawy generowania zestawów danych testowych
- Ręczna weryfikacja skuteczności
- Weryfikacja skuteczności z wykorzystaniem LLM
- Aktywne monitorowanie i opisywanie interakcji
- Testowanie modyfikacji instrukcji i zmian modeli
- Automatyczne flagowanie naruszeń
Ograniczenia modeli na etapie założeń projektu
CEL: Stworzenie systemu raportującego, wykorzystującego LLM w ograniczonym stopniu
- Definiowanie roli i zaangażowania systemu AI
- Kontrolowanie poziomu trudności zakresu pracy modelu
- Ograniczenie obecności sytuacji brzegowych
- Utrzymanie zaangażowania ze strony człowieka
- Redukowanie negatywnego wpływu halucynacji
- Zmniejszanie ryzyka prompt injection
- Zarządzanie niską wydajnością modeli
- Zarządzanie dostępnością i stabilnością API
- Routing oraz równoległe zapytania
- Balansowanie kosztów oraz skuteczności
- Wsparcie po stronie programistycznej
- Wykluczanie zastosowania modeli na rzecz alternatyw
Kontekstowy feedback wspierający skuteczność modeli
CEL: Dopasowanie zachowania agentów AI w zależności od bieżącego kontekstu użytkownika
- Rola feedbacku w skuteczności działania modelu
- Przykłady odpowiedzi API z niewystarczającym kontekstem
- Zwiększanie precyzji zapytań i początkowych instrukcji
- Przestrzeń pomiędzy wywoływaniem narzędzi
- Łączenie akcji w celu wzbogacenia rezultatów narzędzi
- Metadane oraz informacje o postępach i statusy
- Dołączanie wskazówek oraz instrukcji obsługi
- Stosowanie Samplingu MCP przy wykonaniu akcji
- Wsparcie ze strony człowieka
Budowanie narzędzi na podstawie danych testowych
CEL: Stworzenie biblioteki instrukcji do generowania danych testowych na potrzeby narzędzi
- Koncepcja stosowania LLM przy tworzeniu narzędzi
- Dobre praktyki tworzenia specyfikacji
- Gromadzenie i generowanie zestawów danych testowych
- Wybór zestawu modeli w celu zwiększania efektywności
- Optymalizacja skuteczności przez zastosowanie słabszych modeli
- Weryfikowanie poprawności danych i dopasowania do założeń
- Generowanie interfejsu i formatów odpowiedzi
- Monitorowanie postępów oraz skuteczności
- Automatyczna optymalizacja schematu oraz odpowiedzi
Niedeterministyczna natura modeli jako przewaga
CEL: Stworzenie narzędzi wspierających eksplorację tematów, generowania wyjaśnień oraz dopasowanych przykładów
- Tworzenie przestrzeni do otwartej interpretacji
- Wykorzystanie rozległej wiedzy modelu w zadaniach
- Zróżnicowane perspektywy wielu modeli
- Nauka umiejętności w kontekście
- Sterowanie rozumowaniem modelu
- Elastyczne formy prezentacji danych
- Generatywne UI i dynamiczne elementy interfejsu
- Wsparcie procesów kreatywnych przy współpracy z człowiekiem
- Przykłady zalet nieprzewidywalności działania modeli
Aktywna i kontekstowa współpraca z AI
Wdrożenia rozwiązań AI
CEL: Projekt narzędzi działających w tle na skrzynce e-mail
- Oczekiwania vs rzeczywistość wdrożeń AI
- Różnice pomiędzy aktywną i kontekstową współpracą z AI
- Proces eksplorowania możliwości nowych wersji modeli
- Mapowanie procesów w kontekście możliwości rozwiązań AI
- Weryfikowanie początkowych założeń przez proste testy
- Adresowanie ograniczeń narzędzi przez uzupełnianie kontekstu
- Wykorzystywanie AI do sprawnego wdrażania AI
- Unikanie i redukowanie złożoności zastosowania AI
- Generowanie oraz iterowanie pomysłów wspólnie z AI
- Obszary i problemy, które warto mieć na uwadze
- Źródła inspiracji oraz wiedzy
Aktywna współpraca z AI
CEL: Połączenie agentów AI bądź narzędzi pod wybrany interfejs czatu oraz interfejs głosowy
- Wybór interfejsu czatu ze wsparciem narzędzi MCP
- Spersonalizowany proces wyboru modeli
- Podłączenie modeli pod aktualny zestaw narzędzi
- Wybór zestawu nowych narzędzi przyjaznych AI
- Projektowanie własnych meta-promptów dla instrukcji
- Biblioteka podręcznych snippetów text-expander
- Zasady budowania własnej bazy wiedzy przy współpracy z modelem
- Specjalizowanie agentów i narzędzi w określonych zadaniach
- Zlecanie jednorazowych zadań realizowanych w tle
- Zaawansowane funkcje czatu, kontrola kontekstu
Kontekstowa współpraca z AI
CEL: Zbudowanie podstaw systemu własnej bazy wiedzy na potrzeby AI
- Kluczowe zasady kontekstowej współpracy z AI
- Definiowanie założeń zadań i procesów realizowanych w tle
- Kanały wymiany informacji i rozwiązywania problemów
- Proaktywne działania AI wspierające nasze procesy
- Ustawienie harmonogramu, powiadomień i maili
- Reagowanie na zewnętrzne zdarzenia
Projektowanie własnej bazy wiedzy dla AI
CEL: Podłączenie własnego systemu bazy wiedzy do istniejących narzędzi oraz agentów AI
- Rola budowania i generowania prywatnej bazy wiedzy
- Różnice pomiędzy baząwiedzy a pamięcią długoterminową
- Stosowanie własnego kontekstu w pracy z modelami
- Korzystanie z modeli przy edycji notatek
- Zalety i ograniczenia formatu markdown
- Korzystanie z gotowych schematów i rozwiązań
- Generowanie serwerów MCP na własne potrzeby
- Przykłady prostych i użytecznych workflow
- Uniezależnienie od interfejsu
- Dostępność i hosting
Projektowanie rozwiązań wewnątrzfirmowych
CEL: Zdalny serwer MCP wykorzystujący narzędzia oraz meta-narzędzia w połączeniu z systemami CRM i wewnętrznymi bazami danych
- Stosowanie generatywnego AI wewnątrz firmy
- Przykłady narzędzi stosowanych w zespołach
- Zalety wynikające z zamkniętego środowiska i małej skali
- Praca z kontekstem wykorzystywanych usług i narzędzi
- Łączenie modelu z firmową bazą wiedzy
- Dopasowanie narzędzi do kontekstu klienta
- Prywatność danych i konsekwencje błędów
- Wdrażanie rozwiązań wpływających na styl pracy
- Utrzymanie oraz rozwój wewnętrznych narzędzi
Rozwój generatywnych aplikacji
Architektura
CEL: Stworzenie planu rozbudowy agenta AI oraz skalowania zakresu umiejętności
- Cechy aplikacji wykorzystującej generatywne AI
- Fundamentalna cecha produktów w dobie AI
- Architektura bazy danych dla czatbotów i agentów
- Struktury danych dla integracji z różnymi providerami
- Konfiguracja silników wyszukiwania i organizacja indeksów
- Struktura katalogów oraz system plików
- Wdrożenie Model Context Protocol
- Kontrolowanie uprawnień i limitów na produkcji
- Finansowe i pozafinansowe koszty ewaluacji
- Kluczowe zasady prywatności i bezpieczeństwa
Zestaw narzędzi
CEL: Skalowanie zakresu umiejętności i współpracy pomiędzy agentami / workflow
- Narzędzia front-endowe dla generatywnych aplikacji
- Przydatne narzędzia developerskie
- Biblioteki, generatory i frameworki
- Silniki wyszukiwania i bazy wektorowe
- Rozszerzenia dla klasycznych baz danych
- Platformy oferujące dostęp do modeli
- Hosting dla generatywnych aplikacji
- Własne rozwiązania i narzędzia
- Rekomendowany zestaw narzędzi
Rozwój funkcjonalności
CEL: Rozbudowanie i modyfikowanie istniejących umiejętności agenta w kontekście produkcyjnym
- Charakterystyka rozwoju generatywnych aplikacji
- Przygotowanie danych i integracja z istniejącymi systemami
- Pułapki frameworków i upadających narzędzi
- Praktyczne projektowanie logiki agentów AI
- Rola MCP w budowaniu obsługi narzędzi
- Budowanie natywnych narzędzi
- Wyzwania związane z debugowaniem elementów AI
- Balansowanie skuteczności z wydajnością oraz ceną
- Migracje na nowsze wersje modeli i zmiany API
- Przykłady porażek i sukcesów wdrożeń
Produkcja
CEL: Przygotowanie agentów AI do współpracy z użytkownikami w ustalonym kontekście oraz granicami interfejsu
- Doświadczenia z produkcji
- Wyzwania związane ze skalowaniem
- Modyfikacje logiki w kontekście danych użytkowników
- Przetwarzanie danych użytkowników
- Monitorowanie aktywności
- Wyzwania stabilności API oraz samych modeli
- Problemy wynikające z modeli
- Rozliczenia, koszty i BYOK
- Nadużycia, łamanie regulaminu i typowe błędy
- Generalne rekomendacje
*TOP SECRET*
Programowanie działania modeli językowych
Programowanie interakcji z modelem językowym
CEL: Stworzenie skryptu zdolnego do manipulowania lokalnymi plikami z wykorzystaniem prostych narzędzi łączących LLM z logiką kodu.
- Wprowadzenie do AI_devs 4
- Sterowanie zachowaniem modelu z pomocą kodu
- Formatowanie i renderowanie odpowiedzi LLM oraz LRM
- Strukturyzowanie odpowiedzi oraz JSON Schema
- Różnice pomiędzy interfejsem użytkownika, a logiką aplikacji
- Korzystanie z mocnych stron różnych modeli jednocześnie
- Strategie wyboru dużych i mniejszych modeli w praktyce
- Najważniejsze natywne funkcjonalności API głównych providerów
- Przykłady struktur stanu oraz produkcyjnych baz danych
- Najnowsze techniki organizowania instrukcji w kodzie aplikacji
- Generowanie instrukcji i techniki optymalizacji z pomocą LLM
- Specjalizowanie modeli poprzez kontekst, few-shot oraz many-shot
- Bieżący stan modeli open-source z LM Studio, ich możliwości oraz wymagania sprzętowe i przydatne opcje konfiguracji
- Przykłady zastosowań obecnych możliwości modeli językowych
- Aktualne źródła wiedzy, profile, narzędzia i usługi, które warto obserwować
Techniki łączenia modelu z narzędziami
CEL: Rozbudowanie wcześniejszego przykładu o zarządzanie plikami na przykładzie prostych funkcji pozwalających modelowi na manipulowanie wybranym katalogiem
- Zasady łączenia modelu językowego z narzędziami
- Function Calling oraz natywne oraz własne narzędzia
- Dobre praktyki opisywania schematów i ich właściwości
- Ustalanie domyślnych wartości, walidacji oraz zabezpieczeń
- Połączenie modelu z usługami przez API, proxy oraz CLI
- Personalizacja narzędzi dzięki Augmented Function Calling
- Zasady projektowania workflow oraz logiki agentów
- Refleksja oraz interpretacja zapytań w dynamicznym kontekście
- Transformacja oraz wzbogacanie zapytań przez LLM
- Techniki optymalizacji szybkości i skuteczności narzędzi
- Podstawy zarządzania kontekstem w workflow i logice agentów
- Dynamiczne listy narzędzi i zasobów wiedzy
- Obsługa wymaganych danych wejściowych, uprawnień oraz zgody
- Zrozumienie roli problemu prompt injection oraz jailbreakingu
- Filtrowanie, moderowanie i flagowanie zapytań
- Obsługa błędów, techniki self-recovery i sytuacji brzegowych
Projektowanie API dla efektywnej pracy z modelem
CEL: Wygenerowanie i udostępnienie pierwszego, zdalnego serwera MCP w oparciu o blueprint oraz własne pliki specyfikacji projektu
- Cechy API wpływające na zachowanie modeli językowych
- Planowanie struktury narzędzi oraz schematów właściwości
- Optymalizacja interfejsu na potrzeby modeli językowych
- Elementy proxy pomiędzy API, a narzędziami dla modeli
- Projektowanie dynamicznych odpowiedzi sukcesu oraz błędów
- Model Context Protocol kontra własna implementacja
- Główne komponenty MCP dla STDIO i Streamable HTTP
- Projekt klienta oraz serwera MCP na back-endzie
- Budowanie serwerów MCP ze schematami "spec-driven"
- Narzucanie programistycznych ograniczeń oraz blokad
- Problemy dotyczące bezpieczeństwa oraz prywatności
- Autoryzacja serwerów MCP i kontrola uprawnień użytkowników
- MCP i narzędzia w lokalnej logice aplikacji
- Obsługa dużej liczby narzędzi oraz konfliktów pomiędzy serwerami
- Serwery STDIO w połączeniu z lokalnymi modelami open-source
- Publikacja zdalnego serwera MCP oraz MCPB dla serwerów lokalnych
Wsparcie multimodalności oraz załączników
CEL: Stworzenie edytora obrazu opartego o generatywne modele
- Przegląd najnowszych modeli dla obrazu, audio i wideo
- Dopasowanie procesu rozpoznawania obrazu z LLM
- Przetwarzanie obrazu przy wsparciu narzędzi
- Iteracyjne generowanie oraz edycja obrazów
- Generowanie i wzbogacanie instrukcji oraz referencje
- Personalizacja stylu i utrzymanie spójności
- Przetwarzanie obrazów w połączeniu z narzędziami
- Przetwarzanie renderowanych dokumentów PDF
- Przetwarzanie materiałów wideo i transkrypcji
- Obsługa załączników tekstowych oraz binarnych w wątkach
- Obsługa załączników tekstowych oraz binarnych w narzędziach
- Audio i najnowsze możliwości interfejsów głosowych
- Wideo i najnowsze możliwości modeli text-to-video
Zarządzanie jawnymi oraz niejawnymi limitami modeli
CEL: Przygotowanie API działającego na serwerze produkcyjnym, z utrzymaniem dobrych praktyk bezpieczeństwa oraz ograniczeń w kontekście interakcji z modelem oraz elementami MCP
- Podstawy generatywnych aplikacji w środowisku produkcyjnym
- Rodzaje limitów modeli generatywnego AI oraz API
- Niejawne ograniczenia oraz powszechne błędy modeli
- Limity narzędzi i ograniczenia środowiskowe
- Ograniczenia zakresu działania w kontekście biznesowym
- Sztuczne limity logiki aplikacji oraz infrastruktury
- Kontrola kosztów oraz estymowanie zużycia tokenów
- Techniki stosowania pamięci podręcznej w logice agentów
- Wpływ tempa i trendów rozwoju modeli na rozwój aplikacji
- Problem vendor-lock i ryzykowne decyzje projektowe
- Przygotowanie produkcyjnego środowiska
- Przygotowanie struktury API i głównych endpointów
- Integracja back-endu z protokołem MCP
- Publikowanie generatywnych aplikacji
- Rodzaje graficznych interfejsów i typy interakcji
Budowanie i zarządzanie kontekstem
Zarządzanie kontekstem w konwersacji
CEL: Stworzenie "nieskończonego" chatu według jednej ze strategii, posiadającego dostęp do wybranych narzędzi
- Rola kontekstu w instrukcjach systemowych
- Odróżnianie szumu od sygnału z pomocą modelu
- Kształtowanie kontekstu poprzez obserwację
- Generalizowanie zasad transformacji kontekstu
- Struktura dynamicznej instrukcji systemowej
- Kontrola stanu interakcji poza oknem kontekstu
- Rodzaje kontekstu dopasowanego do roli modelu i zadania
- Sterowanie utrzymaniem uwagi modelu poprzez kontekst
- Maskowanie elementów kontekstu
- Planowanie i monitorowanie postępów
- Zachowanie informacji o błędach nieudanych próbach
- Modyfikowanie treści bieżącej interakcji
- Współdzielenie informacji pomiędzy wątkami i rodzaje pamięci
- Wzorce pamięci długoterminowej dla agentów AI
Zewnętrzny kontekst narzędzi i dokumentów
CEL: Podłączenie różnych formatów plików jako źródła wiedzy wykorzystywane przy obsłudze narzędzi
- Wpływ zewnętrznego kontekstu na zachowanie modelu
- Zasady obsługi kontekstu z zewnętrznych źródeł
- Formaty prezentacji zewnętrznych treści w instrukcji
- Skanowanie treści oraz transformacja na potrzeby modelu
- Tworzenie i wykorzystywanie zasobów w serwerach MCP
- Zarządzanie dostępem do treści dokumentów i narzędzi
- Techniki indeksowania treści na potrzeby wyszukiwania
- Silniki wyszukiwania (oraz bazy wektorowe)
- Przeszukiwanie semantyczne i wybór modelu do embeddingu
- Przeszukiwanie przez wyrażenia regularne (ripgrep)
- Techniki przeszukiwania oraz wczytywania kontekstu (retrieval)
- Klasyczny RAG z wykorzystaniem hybrydowego wyszukiwania
- Główne wyzwania skuteczności RAG i zarządzania bazą wiedzy
- Transformacje zapytań użytkownika w kontekście konwersacji
- Sposoby prezentacji, cytowanie i referencje
- Grounding
Dokumenty oraz pamięć długoterminowa jako narzędzia
CEL: Stworzenie prywatnego cotygodniowego newslettera na wybrany temat
- Wyzwania procesu przeszukiwania dostępnych zasobów
- Kategoryzacja oraz mapa obszarów bazy wiedzy
- Mapowanie treści z wykorzystaniem grafów
- Prezentowanie dostępnych zasobów dla modelu
- Generowanie długich form tekstowych według ustalonych zasadeholder
- Problem synchronizacji materiałów źródłowych
- Projektowanie narzędzi do eksploracji baz wiedzy
- Techniki wzbogacania zapytań użytkownika
- Wspieranie procesu przeszukiwania bazy wiedzy
- Eksplorowanie różnych źródeł i formatów danych
- Zewnętrzne systemy jako źródła danych
- Rola bazy wiedzy w interakcji z otoczeniem
- Zarządzanie niedeterministycznymi wynikami modelu
- Połączenie różnych strategii wyszukiwania
Organizowanie kontekstu dla wielu wątków
CEL: Stworzenie systemu osobistego dziennika uwzględniającego cele krótko oraz długoterminowe
- Koncepcja wielowątkowej interakcji z modelem językowym
- Rola globalnego kontekstu i jego zawartość
- Współdzielenie kontekstu w ramach workflow
- Statyczny oraz dynamiczny kontekst
- Reguły budowania i aktualizacji wspólnego kontekstu
- Przykłady elementów kontekstu oraz struktury
- Złożoność i współdzielenie kontekstu agentów oraz workflow
- Aktualne wzorce budowania agentów AI
- Podział obowiązków i narzędzi pomiędzy agentami
- Komunikacja pomiędzy agentami oraz człowiekiem
- Koordynacja pracy agentów przez managerów
- Raportowanie rezultatów oraz błędów
Projektowanie agentów
CEL: Stworzenie agenta informującego o kluczowych aktywnościach i wydarzeniach na dany dzień
- Projektowanie instrukcji i zakresu odpowiedzialności
- Zasady projektowania instrukcji agenta
- Przykłady instrukcji i ich elementów
- Przypisywanie zestawu narzędzi oraz ustawień
- Przypisywanie wiedzy oraz kontekstu
- Dopasowanie wiedzy do dostępnych narzędzi
- Nadawanie uprawnień oraz ograniczeń
- Stosowanie promptów MCP jako umiejętności agentów
- Budowa pierwszych agentów AI
- Weryfikacja skuteczności agenta AI
- Wsparcie działań modelu przez programistyczne mechaniki
- Aktualne możliwości i ograniczenia agentów AI
Zarządzanie niedeterministyczną naturą modeli
Obserwowanie i ewaluacja
CEL: Skonfigurowanie narzędzi do obserwowania zachowań LLM w aplikacji
- Użyteczność obserwacji aplikacji w praktyce
- Zasady monitorowania zachowań modelu
- Odtwarzanie stanu interakcji i debugowanie
- Wersjonowanie instrukcji systemowych
- Generalizowanie problemu oraz potencjalnych rozwiązań
- Narzędzia do monitorowania aktywności aplikacji
- Narzędzia do ewaluacji skuteczności systemu
- Wartość i wyzwania związane z ewaluacją
- Wybór wskaźników sukcesu oraz zasad oceny
- Podstawy generowania zestawów danych testowych
- Ręczna weryfikacja skuteczności
- Weryfikacja skuteczności z wykorzystaniem LLM
- Aktywne monitorowanie i opisywanie interakcji
- Testowanie modyfikacji instrukcji i zmian modeli
- Automatyczne flagowanie naruszeń
Ograniczenia modeli na etapie założeń projektu
CEL: Stworzenie systemu raportującego, wykorzystującego LLM w ograniczonym stopniu
- Definiowanie roli i zaangażowania systemu AI
- Kontrolowanie poziomu trudności zakresu pracy modelu
- Ograniczenie obecności sytuacji brzegowych
- Utrzymanie zaangażowania ze strony człowieka
- Redukowanie negatywnego wpływu halucynacji
- Zmniejszanie ryzyka prompt injection
- Zarządzanie niską wydajnością modeli
- Zarządzanie dostępnością i stabilnością API
- Routing oraz równoległe zapytania
- Balansowanie kosztów oraz skuteczności
- Wsparcie po stronie programistycznej
- Wykluczanie zastosowania modeli na rzecz alternatyw
Kontekstowy feedback wspierający skuteczność modeli
CEL: Dopasowanie zachowania agentów AI w zależności od bieżącego kontekstu użytkownika
- Rola feedbacku w skuteczności działania modelu
- Przykłady odpowiedzi API z niewystarczającym kontekstem
- Zwiększanie precyzji zapytań i początkowych instrukcji
- Przestrzeń pomiędzy wywoływaniem narzędzi
- Łączenie akcji w celu wzbogacenia rezultatów narzędzi
- Metadane oraz informacje o postępach i statusy
- Dołączanie wskazówek oraz instrukcji obsługi
- Stosowanie Samplingu MCP przy wykonaniu akcji
- Wsparcie ze strony człowieka
Budowanie narzędzi na podstawie danych testowych
CEL: Stworzenie biblioteki instrukcji do generowania danych testowych na potrzeby narzędzi
- Koncepcja stosowania LLM przy tworzeniu narzędzi
- Dobre praktyki tworzenia specyfikacji
- Gromadzenie i generowanie zestawów danych testowych
- Wybór zestawu modeli w celu zwiększania efektywności
- Optymalizacja skuteczności przez zastosowanie słabszych modeli
- Weryfikowanie poprawności danych i dopasowania do założeń
- Generowanie interfejsu i formatów odpowiedzi
- Monitorowanie postępów oraz skuteczności
- Automatyczna optymalizacja schematu oraz odpowiedzi
Niedeterministyczna natura modeli jako przewaga
CEL: Stworzenie narzędzi wspierających eksplorację tematów, generowania wyjaśnień oraz dopasowanych przykładów
- Tworzenie przestrzeni do otwartej interpretacji
- Wykorzystanie rozległej wiedzy modelu w zadaniach
- Zróżnicowane perspektywy wielu modeli
- Nauka umiejętności w kontekście
- Sterowanie rozumowaniem modelu
- Elastyczne formy prezentacji danych
- Generatywne UI i dynamiczne elementy interfejsu
- Wsparcie procesów kreatywnych przy współpracy z człowiekiem
- Przykłady zalet nieprzewidywalności działania modeli
Aktywna i kontekstowa współpraca z AI
Wdrożenia rozwiązań AI
CEL: Projekt narzędzi działających w tle na skrzynce e-mail
- Oczekiwania vs rzeczywistość wdrożeń AI
- Różnice pomiędzy aktywnąi kontekstową współpracą z AI
- Proces eksplorowania możliwości nowych wersji modeli
- Mapowanie procesów w kontekście możliwości rozwiązań AI
- Weryfikowanie początkowych założeń przez proste testy
- Adresowanie ograniczeń narzędzi przez uzupełnianie kontekstu
- Wykorzystywanie AI do sprawnego wdrażania AI
- Unikanie i redukowanie złożoności zastosowania AI
- Generowanie oraz iterowanie pomysłów wspólnie z AI
- Obszary i problemy, które warto mieć na uwadze
- Źródła inspiracji oraz wiedzy
Aktywna współpraca z AI
CEL: Połączenie agentów AI bądź narzędzi pod wybrany interfejs czatu oraz interfejs głosowy
- Wybór interfejsu czatu ze wsparciem narzędzi MCP
- Spersonalizowany proces wyboru modeli
- Podłączenie modeli pod aktualny zestaw narzędzi
- Wybór zestawu nowych narzędzi przyjaznych AI
- Projektowanie własnych meta-promptów dla instrukcji
- Biblioteka podręcznych snippetów text-expander
- Zasady budowania własnej bazy wiedzy przy współpracy z modelem
- Specjalizowanie agentów i narzędzi w określonych zadaniach
- Zlecanie jednorazowych zadań realizowanych w tle
- Zaawansowane funkcje czatu, kontrola kontekstu
Kontekstowa współpraca z AI
CEL: Zbudowanie podstaw systemu własnej bazy wiedzy na potrzeby AI
- Kluczowe zasady kontekstowej współpracy z AI
- Definiowanie założeń zadań i procesów realizowanych w tle
- Kanały wymiany informacji i rozwiązywania problemów
- Proaktywne działania AI wspierające nasze procesy
- Ustawienie harmonogramu, powiadomieńi maili
- Reagowanie na zewnętrzne zdarzenia
Projektowanie własnej bazy wiedzy dla AI
CEL: Podłączenie własnego systemu bazy wiedzy do istniejących narzędzi oraz agentów AI
- Rola budowania i generowania prywatnej bazy wiedzy
- Różnice pomiędzy baząwiedzy a pamięcią długoterminową
- Stosowanie własnego kontekstu w pracy z modelami
- Korzystanie z modeli przy edycji notatek
- Zalety i ograniczenia formatu markdown
- Korzystanie z gotowych schematów i rozwiązań
- Generowanie serwerów MCP na własne potrzeby
- Przykłady prostych i użytecznych workflow
- Uniezależnienie od interfejsu
- Dostępność i hosting
Projektowanie rozwiązań wewnątrzfirmowych
CEL: Zdalny serwer MCP wykorzystujący narzędzia oraz meta-narzędzia w połączeniu z systemami CRM i wewnętrznymi bazami danych
- Stosowanie generatywnego AI wewnątrz firmy
- Przykłady narzędzi stosowanych w zespołach
- Zalety wynikające z zamkniętego środowiska i małej skali
- Praca z kontekstem wykorzystywanych usług i narzędzi
- Łączenie modelu z firmową bazą wiedzy
- Dopasowanie narzędzi do kontekstu klienta
- Prywatność danych i konsekwencje błędów
- Wdrażanie rozwiązań wpływających na styl pracy
- Utrzymanie oraz rozwój wewnętrznych narzędzi
Rozwój generatywnych aplikacji
Architektura
CEL: Stworzenie planu rozbudowy agenta AI oraz skalowania zakresu umiejętności
- Cechy aplikacji wykorzystującej generatywne AI
- Fundamentalna cecha produktów w dobie AI
- Architektura bazy danych dla czatbotów i agentów
- Struktury danych dla integracji z różnymi providerami
- Konfiguracja silników wyszukiwania i organizacja indeksów
- Struktura katalogów oraz system plików
- Wdrożenie Model Context Protocol
- Kontrolowanie uprawnień i limitów na produkcji
- Finansowe i pozafinansowe koszty ewaluacji
- Kluczowe zasady prywatności i bezpieczeństwa
Zestaw narzędzi
CEL: Skalowanie zakresu umiejętności i współpracy pomiędzy agentami / workflow
- Narzędzia front-endowe dla generatywnych aplikacji
- Przydatne narzędzia developerskie
- Biblioteki, generatory i frameworki
- Silniki wyszukiwania i bazy wektorowe
- Rozszerzenia dla klasycznych baz danych
- Platformy oferujące dostęp do modeli
- Hosting dla generatywnych aplikacji
- Własne rozwiązania i narzędzia
- Rekomendowany zestaw narzędzi
Rozwój funkcjonalności
CEL: Rozbudowanie i modyfikowanie istniejących umiejętności agenta w kontekście produkcyjnym
- Charakterystyka rozwoju generatywnych aplikacji
- Przygotowanie danych i integracja z istniejącymi systemami
- Pułapki frameworków i upadających narzędzi
- Praktyczne projektowanie logiki agentów AI
- Rola MCP w budowaniu obsługi narzędzi
- Budowanie natywnych narzędzi
- Wyzwania związane z debugowaniem elementów AI
- Balansowanie skuteczności z wydajnością oraz ceną
- Migracje na nowsze wersje modeli i zmiany API
- Przykłady porażek i sukcesów wdrożeń
Produkcja
CEL: Przygotowanie agentów AI do współpracy z użytkownikami w ustalonym kontekście oraz granicami interfejsu
- Doświadczenia z produkcji
- Wyzwania związane ze skalowaniem
- Modyfikacje logiki w kontekście danych użytkowników
- Przetwarzanie danych użytkowników
- Monitorowanie aktywności
- Wyzwania stabilności API oraz samych modeli
- Problemy wynikające z modeli
- Rozliczenia, koszty i BYOK
- Nadużycia, łamanie regulaminu i typowe błędy
- Generalne rekomendacje
*TOP SECRET*
AI_devs 4 w pigułce.

„Ile radości i satysfakcji może dać nauka nowych umiejętności, wie każdy, kto podjął 5 tygodniowe wyzwanie z AI Devs. Certyfikat to tylko część misji, ale nie ukrywam, że dumna jestem z jego zdobycia.”

„Szczególnie podobało mi się to, że kurs jest oparty na działaniach społeczności - uczysz się nie tylko od twórców, ale również od innych programistów, którzy uczestniczą w kursie.”

“Polecam 12/10 za ilość wiedzy i sposób jej przekazania.”
W życiu odbębniłem wiele kursów. I odbębniłem to dobre słowo. A AI_Devs3 skończyłem na 100% w pierwszym terminie. Inne kursy kojarzą mi się z gadającą głową, ścianą tekstu, czystą teorią ze szczyptą mikro małych snippetów i późniejszą walką, aby cokolwiek uruchomić z ciekawości. W AI_Devs3 jest na odwrót. W moim przypadku chłopacy trafili idealnie w złoty środek teorii/przykładów/praktyki. I jeszcze posypali to szczyptą fabuły i to dobrej fabuły. Pięć dynamicznych tygodni, w każdym po 5 lekcji. Co dzień duża piguła wiedzy z przykładami, które działają i można je uruchomić u siebie, przedebugować, przejść krok po kroku przez całość. Każda lekcja z zadaniem posypanym fabułą i elementami gamifikacji. Mój gadzi mózg to uwielbia i chce więcej, w kolejny poniedziałek będzie mi brakować kolejnej lekcji i zadania, kolejnej flagi i sekretów. I najważniejsze, będzie brakować wiedzy, czegoś nowego o LLMach, AGI, RAGach, bazach wektorowych czy grafowych. Tego, jak współpracować z LLMami i pisać prompty. Szczególnie że to ostatnie wydaje się proste, a wcale takie nie jest. W moim przypadku średnio prompt pisałem dłużej niż implementację zadania.
Startujemy już 9 marca!
Dostęp Indywidualny
45
dni
12
h
44
m
29
s
- 5 tygodni nauki w najnowszej edycji AI_devs 4 prowadzonej przez Adama Gospodarczyka, Jakuba Mrugalskiego i Mateusza Chroboka.
- Praktyczne lekcje, zadania i spotkania LIVE Q&A – możesz przejść całość lub wybrać najciekawsze elementy.
- Wspierająca społeczność – 10 000+ programistów, programistek i entuzjastów AI w poprzednich edycjach! (największy program AI w Polsce)
- Dostęp do wszystkich nagrań i materiałów na 12 miesięcy, więc wracasz do wiedzy kiedy tylko chcesz i uczysz się w swoim tempie.
- Certyfikat AI_devs, który potwierdza Twoje praktyczne umiejętności budowania, a nie tylko obecność na wykładach.
Dostęp dla Zespołu
- Zniżki dla zespołu w zależności od liczby uczestników.
- Faktura VAT i przelew tradycyjny zamiast płatności online na podstawie faktury proforma.
- Dłuższe terminy płatności. Możliwość wydłużenia terminu płatności do 30 dni.
- Gwarancja satysfakcji lub zwrot pieniędzy.


Gwarancja AI_Devs
Dołącz i przerób materiały z pierwszych dwóch tygodni, wykonaj zadania.
Jeśli w ciągu 14 dni od startu programu uznasz, że to nie jest najbardziej praktyczny program o budowaniu AI - lub z jakiegokolwiek innego powodu nie będziesz w 100% usatysfakcjonowany - napisz do nas jednego maila i zwrócimy Ci 100% wpłaconej kwoty. Bez pytań i bez haczyków.


Nie poprawialiśmy nawet literówek
Tona wiedzy. Albo i nawet 10 ton. Podanej w łatwo i przyjemnie przyswajalny sposób. Wspaniała podróż, która sprawia, że świat AI jest łatwiejszy do zrozumienia, ale też łatwiejszy w obcowaniu.
Moge serdecznie polecić każdemu, kto się wacha a chciałby wejść głebiej w tę dziedzinę, która będzie z nami przez bardzo długie lata.
10/10.
Po poprzedniej edycji wiedziałem, że udział w kolejnej będzie obowiązkowy, ale nie spodziewałem się jak wiele niespodzianek mnie czeka.
AI Devs jest najlepszym kursem w jakim kiedykolwiek brałem udział. Ilość i jakość materiału zdecydowanie na najwyższym poziomie. Prawie samo “mięsko” przez całe pięć tygodni.Adam Gospodarczyk, Jakub Mrugalski, Mateusz Chrobok przygotowali nawet pre-workout by przygotować wszystkich zanim wejdą z kopa z głównym materiałem. Uczyli “nie tylko budowania systemów agentowych”, ale również ich debugowania, optymalizacji i przygotowania na produkcję. Wskazali jakie aktualnie dostępne narzędzia mogą nam pomóc w developmencie (testowanie, debugowanie, wybór narzędzi, wzorce, dobre praktyki) jak i później utrzymaniu systemów produkcyjnych (observability, wycena kosztów, zabezpieczenie systemów, itp.). Pokazywali jak ewaluować różne modele i jak dobierać je pod różne problemy (zarówno na bazie opensource jak i płatnych rozwiązań). Pokazali jak łączyć różne narzędzia ze sobą by stworzyć semi-autonomiczne systemy będące w stanie podejmować decyzję o akcjach jakie należy podjąć, planować te akcje i wykonywać je. Nie skupiali się na konkretnych narzędziach a na wzoracach, zasadach, dobrych praktykach z przykładami na konkretnych rozwiązaniach…
Tak jak w poprzednich edycjach poza lekcjami czekały na nas zadania praktyczne ( i tym razem dodatkowe znajdźki znane z gier CTF). Tym razem prowadzący nie tylko dostarczyli ciekawych i wymagających zadań, ale okrasili wszystko fabułą. Żeby nie zdradzać zbyt wiele, każdy uczestnik był agentem, którego celem było uratowanie świata. Każde zadanie wprowadzało nas dalej w fabułę i z każdym zadaniem zbliżaliśmy się do naszego celu głównego. Wszelkie materiały do przetwarzania w ramach zadań były związane z fabułą. Same zadania były również bardzo wciągające i wymagały wykorzystania zdobytej wiedzy. Końcowe tygodnie gdzie łączyliśmy wiele różnych modeli i narzędzi tworząc system agentowy samodzielnie podejmujący decyzję o tym jakie narzędzie wybrać do wykonania zadania, było pięknym podsumowaniem całej przygody.
Adam Gospodarczyk, Jakub Mrugalski, Mateusz Chrobok Dziękuję za tak genialne 5 tygodni. To była nie tylko nauka, to było bardzo ciekawe i przyjemne doświadczenie, prawdziwa przygoda.
To już moja trzecia edycja i powiedzieć, że po dwóch poprzednich spełniła oczekiwania to jakby nic nie powiedzieć… bo rozwój na przestrzeni tych lat jest imponujący również, a działo się:
- Ogrom przekazanej wiedzy(a raczej podanej na tacy) i inspiracji·
- Nauka budowania narzędzi od samego początku, rozwijane w czasie szkolenia, żeby mieć dostępny komplet, kiedy stają się niezbędne
- Fabularna forma, która wciąga, motywuje i dostarcza mnóstwo zabawy
- Wymagające i bardzo praktyczne zadania, pozwalające teorię przekuć w realne działania
- Sekrety, które dawały popalić, rozwijały myślenie abstrakcyjne 😉, trenowały cierpliwość i uczyły, że czasem wszystko co potrzebne jest dokładnie przed nami
- Fenomenalna społeczność, na pomoc której można zawsze liczyć
- Prezent Mikołajkowy 😮 i inne bonusy
- To coś, co mają tylko tak doskonałe szkolenia, kiedy już się kończą – niedosyt, apetyt na więcej…
Dzięki za te wspólne pięć tygodni: Adam Gospodarczyk, Jakub Mrugalski Mateusz Chrobok oraz cała ekipa – doskonała robota !
“Kurs” to mało powiedziane. Tutaj zamiana “kawy w kod” już nie wystarcza. Płacisz 3 tysiące, dostajesz wiedzy i materiałów warte lekko 10x tyle. A przede wszystkim atmosfera warta 100x i community warte 1000x tyle. Czy warto? To rozbój, że ten “kurs” jest tak tani. Chłopaki powinni podnieść cenę żeby UOKiK się nie przyczepił!
AI_Devs nie przestaje zaskakiwać i pokazuje, że to coś więcej niż tylko zwykły kurs – to niesamowita społeczność, ciekawe zadania, które potrafią być wyzwaniem, a całość przedstawiona jest w przyjemnej formie.
…i zadania poboczne, które chcesz wszystkie znaleźć :D
Świetny kurs, ciekawa fabuła, mnóstwo pratycznej wiedzy oraz cały koszyk eastereggów dla prawdziwych informatycznych nerdów. Szeroka (niekoniecznie głęboka) wiedza informatyczna zdecydowanie pomaga w realizacji zadań, ale mając za sobą wsparcie AI nie ma przeszkód nie do pokonania! Polecam każdemu.
Ogromna dawka wiedzy przekazana w tak krótkim czasie i w tak skondensowanej formie to jest coś, czego brakuje na polskim, a nawet zagranicznym rynku! AI rozwija się w drastycznym tempie, a chłopaki przekazali ich najbardziej aktualną wiedzę i to teraz zależy tylko i wyłącznie od uczestnika czy będzie chciał być na bieżąco z nowymi możliwościami.
Mega dobra robota, dziękujemy!
Agent 5 kończy służbę. 🫡
Świetny kurs, mnóstwo wiedzy, mnóstwo wartościowych ludzi, 5 tygodni minęło na pstryk palca - a chciałoby się więcej :)
Forma kohortowa? Strzał w dziesiątkę. Pomoc od organizatorów czy innych kursantów, wspólne dyskusje, poszerzanie wiedzy, pomaganie innym - bezcenne doświadczenie które tylko cementuje wiedzę zdobytą w kursie (którą będę jeszcze szlifował przez następne tygodnie, korzystając szczególnie z niespodzianki od Adama na ostatni dzień).
To wszystko przewyższyło oczekiwania, które miałem przed kupnem kursu - jestem bardzo pozytywnie zaskoczony.
Na lepszym kursie nie byłem, długo będę dobrze wspominał, dzięki!
Brałem udział w poprzednim Aidevs 2 Reloaded.
Aidevs3 to kurs dla zaawansowanych. Moim zdaniem kurs dla zaawansowanych jest prowadzić dużo trudniej niż dla początkujących. Poruszana tematyka nie jest łatwa do nauczania, jest bardzo szybko-zmienna więc szczególny szacun dla całej trójki. Trudno mi dawać jakiekolwiek sugestie, nie czuję się kompetentny aby obiektywnie oceniać kurs, ale jako dość zaawansowany SI sporo się nauczyłem, więc to moim zdaniem jest najcenniejszym świadectwem.
Może przydałoby się jak lepiej korzystać z AI podczas kodowania, i.e. Cursor, aider, etc. No ale to osobny temat. Dzięki wielkei za kurs i… do zobaczenia w Aidevs 4 :)
Tak jak poprzednia tak też i obecna edycja AI_devs 3 to ogromna dawka wiedzy, na temat AI i nie tylko, bo przecież większość zadań wymagało znajomości programowania. Dla mnie osobiście, pomimo braku czasu i zmęczenia codziennymi obowiązkami ten kurs był bardzo wartościowy. Jeżeli powstanie AI_Devs 4 na 100% się na nim pojawię. Dziękuję chłopaki za dostarczenie wiedzy i mile spędzony czas. Pozdrawiam
Najlepszy kurs w jakim brałem udział. Z największych pozytywów - klimat, zadania ze storylinem, a także ogrom przykładów na różne elementy systemu agentowego.
Jedyny minus dla mnie - powtarzalność niektórych treści w lekcjach (choć redundancja ma to czasem też pewną wartość - wiedza się utrwala).
Mimo tego - 5/5, polecam z całego serca!
Doskonale opracowany kurs, z dużą dozą gamifikacji, bardzo wciągający i motywujący do pokonywania kolejnych etapów. Unikat.
Kurs AiDevs3 to sztos dla każdego, kto chce ogarnąć AI na serio! 🚀 Zero lania wody, same konkretne zadania, które uczą realnych zastosowań modeli językowych i pracy z danymi. Instruktorzy tłumaczą prosto, a wyzwania są wymagające, ale dzięki temu naprawdę wchodzisz na wyższy poziom. Jeśli chcesz nauczyć się AI nie tylko teoretycznie, ale też praktycznie – mega polecam! 💡🔥
Kurs AI devs 3 to prawdziwa gratka dla wszystkich, którzy chcą zgłębić tajniki sztucznej inteligencji i stworzyć własne, inteligentne systemy.
Ten kurs to naprawdę świetnie zainwestowane pieniądze i czas. Ogrom wiedzy i sposób w jaki ją przekazujecie jest niesamowity, a co najważniejsze zdobyta wiedza jest praktyczna i do zastosowania od strzała w codziennej pracy. Na pewno wrócę w przyszłości!
AI Devs to strzał w 10, zarówno pod względem merytorycznym, jak i społecznym! Materiały były nie tylko pełne praktycznej wiedzy, ale także dobrze przedstawione i przystępne, co ułatwiło efektywne przyswojenie nowych umiejętności. Format kohortowy zdecydowanie sprzyjał współpracy, angażującej atmosferze i tworzeniu niesamowitej społeczności uczestników. Wsparcie ze strony mentorów okazało się nieocenione, a ich zaangażowanie i chęć pomocy na każdym etapie edukacji przekroczyło moje oczekiwania. Szczerze polecam ten kurs każdemu, kto chce pogłębić swoją wiedzę w dziedzinie sztucznej inteligencji i nie boi się aktywnego uczestnictwa w grupie.

Najczęściej zadawane pytania

AI_devs wymaga programowania, sama obsługa narzędzi no-code może nie wystarczyć do ukończenia kursu.
Natomiast bez zmian pozostaje zastosowanie języka JavaScript w przykładach dołączonych do lekcji. Poprzednie edycje pokazały nam, że osoby programujące w innych technologiach odnalazły się w składni JS, więc przy tym pozostajemy.
Konieczne jest posiadanie konta na OpenRouter. Należy się zarejestrować i podłączyć metodę płatności oraz co KRYTYCZNE - ustawić twardy limit na kwotę, której nie chcesz przekroczyć.
W trakcie kursu można spodziewać się wydatków na poziomie $10 - $30. Trzeba jednak pamiętać że mówimy tutaj o rozliczeniu za zużycie, więc ostateczny koszt będzie kwestią indywidualną
Fundamentem AI_devs jest interakcja z LLM za pośrednictwem API, co można zrealizować praktycznie w dowolnym języku programowania. Przykłady są napisane w JavaScript, ale skupiamy się w nich na koncepcjach, a nie konkretnej implementacji.
W Pythonie pracuje się wygodnie, ponieważ np. LangChain jest w tym języku bardziej rozwinięty. Jeśli chodzi o C#, jeżeli potrafisz komunikować się z API i czujesz się dobrze w tej technologii, to prawdopodobnie nie ma przeszkód. Jest sporo bibliotek ułatwiających interakcje z API, również dla C#.
Przykładowo, oficjalne biblioteki OpenAI znajdziesz tutaj: https://platform.openai.com/docs/libraries
Społeczność AI_devs jest bardzo zróżnicowana! W poprzednich edycjach brali udział między innymi: Frontend Developerzy, Fullstack Developerzy, Backend Developerzy, Data Scientiści, liderzy zespołów programistycznych, specjaliści DevOps, administratorzy IT, programiści baz danych, Cloud Platform Engineers, Cloud Solution Architects, Application Architects, CTO, testerzy, iOS Developerzy, SRE, specjaliści QA, Web Developerzy, Automation Developerzy, Python Developerzy oraz .NET Developerzy pracujący z technologiami takimi jak React, WordPress, SQL, Databricks, Go, C#, NLP, Python, .NET i chmurą.
Staramy się tworzyć najlepszy i najbardziej aktualny program na rynku.
Agenda AI_devs 4 została stworzona na nowo. Zapraszamy zarówno osoby uczące się z nami pierwszy raz jak i wszystkich absolwentów poprzednich edycji!
Dokładny zakres tematyczny znajdziesz w sekcji z programem.
Zdecydowaliśmy się na interaktywny, kohortowy format zamiast klasycznego kursu opartego o samo oglądanie video na platformie lub zwykłego szkolenia stacjonarnego.
Program jest realizowany głównie poprzez platformę Circle, ale korzystamy również z autorskiego systemu do zadań.
Takie podejście zapewnia przyswojenie największej ilości wiedzy w krótkim czasie, a dzięki projektom zaliczeniowym wdrażasz to od razu w swojej pracy i szybciej widzisz konkretne efekty.
Nasi kursanci bardzo doceniają również bieżący kontakt z prowadzącym i społeczność skupioną w programie, która dzieli się wiedzą i technikami w zamkniętej, zaufanej grupie o podobnych celach i pasjach – w poprzednich edycjach wymieniliśmy ponad 40 000 komentarzy w społeczności!
Jeśli szukasz kursu AI realizowanego online, ale ze wsparciem mentorów i społeczności – AI_devs będzie doskonałym wyborem.
Aby uzyskać certyfikat należy zaliczyć minimum 80% zadań. Aktualny stan realizacji zadań będzie wskazywał pasek postępu.
Certyfikat jednym kliknięciem zintegrujesz z profilem na LinkedIn.
Na wykonanie zadań potrzebnych do certyfikacji masz czas do końca września 2026, ale w trakcie szkolenia będziemy mocno zachęcać do realizacji zadań na bieżąco, wraz z całą grupą.
O skuteczności tej metodyki świadczy to, że ponad 50% uczestników AI_devs realizuje te zadania i kończy cały kurs, co jest spektakularnym wynikiem dla kursów internetowych!
AI_devs jest sprawdzonym programem szkoleniowym, w którym wzięło udział ponad 10 000 developerów wystawiając setki pozytywnych opinii!
Wśród absolwentów znajdziesz osoby pracujące w Allegro, AirHelp, Orange, RAMP Network, PwC, Huuuge Games, Asseco i wielu innych!
Opinie o programie (130+ autentycznych recenzji).
LinkedIn z certyfikatami i dodatkowymi opiniami (5,5k+ obserwujących).
AI_devs prowadzą praktycy i pasjonaci:
Adam „overment” Gospodarczyk – co-founder EasyCart, twórca Alice, Head of Development w eduweb, JavaScript Hero of Community przyznany przez JS Poland.
Jakub „unknow” Mrugalski – twórca Serwerów VPS Mikr.us oraz newslettera UNKNOW NEWS (30k+ subskrybentów), wcześniej szkoleniowiec w Niebezpiecznik.pl.
Mateusz Chrobok – Head of Fraud Intelligence w Nethone, Security Officer w Air Space Intelligence, twórca popularnego kanału YouTube (160k+ subskrybentów), Twórca platformy edukacyjnej Uczmnie.pl.
Dodatkowo, w poprzednich edycjach gośćmi specjalnymi byli Bartek Pucek (inwestor Eleven Labs), Kacper Łukawski (Qdrant), Bartek Rozkrut (Edward.ai).
Tak! Kurs możesz zwrócić bez dodatkowych pytań do 14 dni po jego rozpoczęciu (czyli do 23 marca). Otrzymasz pełny zwrot kosztów wciągu 3 dni roboczych od wysłania do nas maila z prośbą o zwrot.
Sesje LIVE odbywają się w każdy czwartek od 20:00 do 21:00/21:30 (Zoom). Wszystkie spotkania będą nagrywane, wiec niczego nie przegapisz nawet jeśli nie będziesz uczestniczyć we wszystkich sesjach na żywo.
Bardzo zachęcamy do udziału LIVE, ponieważ energia tych spotkań w połączeniu z możliwością zadawania specyficznych pytań prowadzącym i gościom specjalnym jest wielką wartością tego szkolenia i czymś, co wyróżnia go od zwykłych kursów online.
AI_devs 4 startuje 9 marca i potrwa 5 tygodni.
Na wykonanie zadań potrzebnych do uzyskania certyfikatu masz czas do końca września 2026.
Tak! Kurs możesz zwrócić bez dodatkowych pytań do 14 dni po jego rozpoczęciu. Otrzymasz pełny zwrot kosztów wciągu 3 dni roboczych od wysłania do nas maila z prośbą o zwrot.
Oczywiście! Dla firm kupujących dostępy dla swoich zespołów, oferujemy atrakcyjne zniżki. Skontaktuj się z jednym z naszych przedstawicieli, aby otrzymać ofertę dla Twojej firmy.
Ania Piskorz-Nowak: a.piskorz@brave.courses, +48 600 539 306
Darek Drezno: d.drezno@brave.courses, +48 570 570 393
Na solidną realizację wszystkich zadań oraz przerobienie wszystkich materiałów potrzebnych do uzyskania certyfikatu należy przeznaczyć ~10 godzin tygodniowo w trakcie 5 tygodni kursu (~50 godzin w sumie).
Potrzebujesz ok. 10 godzin w tygodniu, żeby solidnie przerobić cały materiał i wszystkie zadania.
Nie oznacza to jednak, że każdy tydzień, każdemu uczestnikowi zajmie tyle czasu.
Dla kogoś to może być 8 godzin, dla kogoś innego 12, a być może Ty zrobisz to w 6.
W praktyce wiemy, że wiele osób angażuje się jeszcze mocniej, a niektórzy wybierają najciekawsze dla nich elementy lub przechodzą materiał w swoim czasie, poza „oficjalnym” kalendarzem kursu (i to jest również w porządku).
Lekcje będą miały formę rozbudowanych artykułów ~25 000 znaków (co sprawdziło się w poprzednich edycjach oraz dało możliwość aktualizacji o najnowsze rozwiązania). Przekłada się to na około 15-30 minut czytania. Do lekcji będą dołączone snippety kodu, na których przeczytanie potrzeba około 20 minut. W niektórych lekcjach będą pojawiać się nagrania wideo trwające do 30 minut.
Do każdej lekcji dołączone jest jedno zadanie, którego rozwiązanie może potrwać około 60-90 minut lub dłużej (ale jest to kwestia indywidualna). Daje to w teorii łącznie ~2-2,5h dziennie od poniedziałku do piątku / ~10h tygodniowo. Czas ten może się zmieniać zarówno w jedną jak i drugą stronę.
AI_devs wciąga 😈
Dostęp do wszystkich nagrań i materiałów masz na 12 miesięcy od startu kursu. Dostęp do społeczności AI_devs na Discordzie będzie dostępna bez ograniczeń czasowych!
Tak, dajemy możliwość zakupu na 2 raty 0%. Raty 0% są obsługiwane przez nas, a nie przez bank, więc nie wpływają na Twoją zdolność kredytową. Działamy w zaufaniu!
Jeśli chodzi o PayPo, masz możliwość odroczenia płatności 30 dni lub rozbicia ich na więcej rat. Raty PayPo są oprocentowane, ale jeśli chcesz – możesz skorzystać tej opcji w koszyku.
Tak, wielu uczestników dostaje finansowanie z budżetu szkoleniowego. W sekcji z cennikiem znajdziesz link do ulotki dla szefostwa w PDF, którą podepniesz pod wniosek o dofinansowanie.
Co więcej, dla zespołów oferujemy atrakcyjne rabaty od aktualnej ceny. Zachęcamy do zebrania się w większą grupę!
Tak, otrzymasz fakturę automatycznie po zakupie dostępu. Jeśli wybierzesz płatność na raty, również dostaniesz od razu fakturę (na kwotę równą wpłaconej racie).
W sekcji z cennikiem znajdziesz informację o najlepszej dostępnej teraz cenie oraz możliwościach finansowania.
Cena rośnie wraz ze zbliżaniem się do startu kursu. Warto nie czekać na ostatnią chwilę.
Zapraszamy!
Na ten moment skupiamy się na organizacji AI_devs 4 i nie planujemy jeszcze kolejnej edycji. Zapraszamy!
Zostań Builderem i zacznij budować nowy świat
To nie będzie łatwe, ale będzie tego warte. Dołącz do tysięcy AI Dev Builderów, którzy budują przyszłość. Kawałek po kawałku. Narzędzie po narzędziu.
45
Dni
12
Godzin
44
Minut
29
Sekund









