Setelah jalur ini Anda bisa Menjelaskan loop agen: berpikir, memanggil tool, mengamati, ulangi Merancang tool dan harness yang bisa diaudit Membedakan tindakan yang boleh jalan dan yang butuh konfirmasi Mengevaluasi agen sebelum ia menyentuh sistem nyata Sebuah agen adalah model di dalam sebuah harness: loop, tool, memori, dan batas. Jalur ini tentang harness-nya — bagaimana loop agen berjalan langkah demi langkah, merancang tool yang bisa dipakai model dengan benar, mengelola konteks yang terus bertambah, sistem multi-agen, dan bagian yang paling sering dilewati: guardrail. Sebuah agen yang boleh memanggil API adalah sistem yang bisa salah dengan konsekuensi nyata.
Baca pelajaran gratis: Apa yang Membuat Sesuatu Menjadi Agent
Yang akan Anda pelajari, modul demi modul 6 modul · 20 pelajaran Setiap modul dan pelajaran di jalur ini. Pelajaran bertanda gratis terbuka untuk semua; sisanya terbuka setelah Anda memiliki jalurnya.
Semua pelajaran di jalur ini, lengkap dengan ringkasannya 01 Apa itu agent, apa itu harness, dan kapan sebuah masalah memang butuh agent — dan kapan tidak.
1 pelajaran gratis 4 pelajaran 1j 13m 4 simulasi1 Apa yang Membuat Sesuatu Menjadi Agent Gratis 2 Mendesain Alat untuk Agent 3 Workflow versus Agent 4 Membangun Agent dari Nol 02 Konteks, izin, sandbox, error, dan tracing — semua yang membuat agent bisa dipercaya di luar demo.
4 pelajaran 1j 2m 5 simulasi1 Manajemen Konteks di Loop Agent 2 Izin dan Sandboxing 3 Penanganan Error dan Pemulihan 4 Observabilitas dan Tracing 03 Menghubungkan agent ke API, database, dan file — dengan MCP sebagai antarmuka standar.
3 pelajaran 50 min 2 simulasi1 Antarmuka Alat yang Bekerja 2 Model Context Protocol (MCP) 3 Agent di Atas Database dan API 04 Orchestrator dan worker, subagent, dan isolasi konteks — kapan membagi pekerjaan membantu, dan kapan merugikan.
3 pelajaran 42 min 3 simulasi1 Pola Orchestrator-Worker 2 Subagent dan Isolasi Konteks 3 Kapan Multi-Agent Merugikan 05 Evaluasi tingkat tugas, analisis lintasan, dan metrik keandalan dan biaya.
3 pelajaran 46 min 3 simulasi1 Evaluasi Tingkat Tugas 2 Membaca Lintasan Agent 3 Metrik Biaya dan Keandalan 06 Human-in-the-loop, keamanan, dan satu proyek akhir: agent yang menyelesaikan tugas nyata dengan aman.
3 pelajaran 1j 15m 3 simulasi1 Human-in-the-Loop 2 Keamanan Agent dan Prompt Injection 3 Proyek Akhir: Agent Riset
Coba simulasi dari jalur ini Simulasi asli dari pelajarannya — berjalan di browser Anda. Tanpa akun.
Lebih hemat dengan paket jalur karier Jalur ini bagian dari jalur karier yang lebih besar. Beli seluruh jalur karier sebagai paket dan setiap jalur di dalamnya 40% lebih murah.
Paket jalur karier hemat 40%
1 Python untuk Data Science 2 Pengantar Deep Learning & Neural Network 3 LLM, Prompt Engineering & Context Engineering 4 Membangun AI Agent: Harness Engineering 5 MLOps: Deploy Model Machine Learning & Deep Learning 6 Computer Vision dengan Deep Learning 7 Natural Language Processing (NLP)