Formation LLM et agents dans les flux de travail DevOps

Introduction aux LLM et aux cadres d'agents

• Aperçu des grands modèles de langage dans l'automatisation des infrastructures
• Concepts clés des flux de travail multi-agents
• AutoGen, CrewAI et LangChain : cas d'usage en DevOps

Configuration des agents LLM pour les tâches DevOps

• Installation d'AutoGen et configuration des profils d'agents
• Utilisation de l'API OpenAI et d'autres fournisseurs de LLM
• Configuration des espaces de travail et des environnements compatibles CI/CD

Automatisation des flux de travail de tests et de qualité du code

• Utilisation de prompts pour générer des tests unitaires et d'intégration via LLM
• Utilisation d'agents pour appliquer le linting, les règles de commit et les lignes directrices de revue de code
• Résumé et étiquetage automatiques des demandes de tirage (pull requests)

Agents LLM pour la gestion des alertes et la détection des modifications

• Conception d'agents de réponse pour les alertes d'échec de pipeline
• Analyse des journaux et des traces à l'aide de modèles de langage
• Détection proactive des modifications à haut risque ou des erreurs de configuration

Coordination multi-agents en DevOps

• Orchestration d'agents par rôle (planificateur, exécuteur, relecteur)
• Boucles de messagerie entre agents et gestion de la mémoire
• Conception « l'homme dans la boucle » pour les systèmes critiques

Sécurité, gouvernance et observabilité

• Gestion de l'exposition des données et de la sécurité des LLM dans les infrastructures
• Audit des actions des agents et restriction de leur périmètre
• Suivi du comportement du pipeline et des retours sur le modèle

Cas d'usage concrets et scénarios personnalisés

• Conception de flux de travail d'agents pour la réponse aux incidents
• Intégration des agents avec GitHub Actions, Slack ou Jira
• Bonnes pratiques pour la mise à l'échelle de l'intégration LLM en DevOps

Conclusion et prochaines étapes