Szkolenie: Budowanie aplikacji opartych na AI z wykorzystaniem biblioteki PydanticAI
Szkolenie z budowy aplikacji AI w Pythonie uczy integracji modeli językowych za pomocą PydanticAI (z dostępem do wielu dostawców modeli przez OpenRouter), tworzenia agentów z ustrukturyzowanym wyjściem, zaawansowanego użycia narzędzi (w tym MCP), wyszukiwania informacji w dokumentach i bazach danych (RAG), budowy systemów wieloagentowych oraz testowania i ewaluacji jakości odpowiedzi AI
Trenerzy praktycy
Kameralne grupy
Czas trwania szkolenia:2 dni (16h)
Poziom zaawansowania:
Kod kursu:AI/PYDANTIC-AI
ragagenci-aiai-w-pythoniellm
Dostępne terminy szkolenia
Termin
Trener
Cena
Lokalizacja
Zapis
Termin:
8 października - 9 października
Trwają zapisy na szkolenie
Dostępne w Bazie Usług Rozwojowych
online_payments
Trener:
Trener-Sages
Cena:
2450 PLN netto
Dowiedz się więcej o cenach szkoleń - zapraszamy do kontaktu
+23% VAT
Lokalizacja:
Zdalne
Zdalne
Zapytaj o inne lokalizacje - w tym celu skorzystaj z chatu
Budowanie aplikacji opartych na AI z wykorzystaniem biblioteki PydanticAI
Cele szkolenia
Szkolenie przygotowuje do samodzielnego projektowania i implementowania aplikacji AI w Pythonie z wykorzystaniem biblioteki PydanticAI oraz modeli językowych LLM dostępnych przez OpenRouter
Szkolenie uczy budowy agentów AI zwracających ustrukturyzowane dane z wykorzystaniem Pydantic BaseModel oraz obsługujących multimodalne wejście i wyjście, w tym obrazy
Szkolenie uczy projektowania, testowania i kontrolowania narzędzi (tools) wykorzystywanych przez agentów AI, w tym integracji z serwerami MCP, dependency injection, toolsets i mechanizmem human-in-the-loop
Szkolenie pokazuje, jak budować systemy RAG wykorzystujące embeddings, wyszukiwanie semantyczne, BM25, parent document retrieval, HyDE oraz SQL, a także projektować systemy wieloagentowe
Szkolenie uczy testowania i ewaluacji działania agentów AI, w tym wykorzystania LLM as a Judge, własnych ewaluatorów, judge alignment, oceny jakości wyszukiwania danych oraz testów wieloturowych
Dla kogo?
Programistów Pythona z doświadczeniem w budowie aplikacji, chcących wdrażać rozwiązania AI w swoich projektach
Specjalistów IT realizujących integracje systemów z modelami językowymi i narzędziami AI
Efekty kształcenia
Uczestnik projektuje i implementuje agentów AI w Pythonie z wykorzystaniem PydanticAI, Pydantic BaseModel oraz modeli językowych dostępnych przez OpenRouter
Uczestnik buduje systemy RAG wykorzystujące wyszukiwanie semantyczne, embeddings, BM25 oraz zaawansowane strategie wyszukiwania danych, takie jak parent document retrieval i HyDE
Uczestnik implementuje systemy RAG z bazami danych SQL, wykorzystując agenta do dynamicznego wyszukiwania informacji o schemacie oraz bezpiecznego generowania i wykonywania zapytań SQL
Uczestnik projektuje systemy wieloagentowe AI, wykorzystując delegację zadań między agentami, subagentów oraz agentów doradczych (advisor)
Uczestnik integruje agentów AI z zewnętrznymi usługami i narzędziami za pomocą protokołu MCP oraz projektuje narzędzia z wykorzystaniem dependency injection, toolsets i human-in-the-loop
Uczestnik testuje i ewaluje jakość działania agentów AI, wykorzystując LLM as a Judge, własne ewaluatory, ocenę jakości wyszukiwanych danych, judge alignment oraz testy wieloturowe
Wymagania
Znajomość Pythona na poziomie wystarczającym do zaimplementowania REST API oraz połączenia z bazą danych
Podstawowa znajomość biblioteki Pydantic (modele danych) będzie pomocna, ale nie jest wymagana
W cenie otrzymasz:
Materiały szkoleniowe
Certyfikat ukończenia szkolenia
W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki
Agent, model, wywołania synchroniczne i asynchroniczne
Ustrukturyzowane wyjście przy użyciu Pydantic BaseModel
Walidacja i automatyczne ponawianie (ModelRetry)
Generowanie obrazów
Łączenie ustrukturyzowanych danych z generowaniem obrazów
Zależności (dependency injection) i RunContext
Kontrola liczby ponowień na poziomie narzędzia
Warunkowa dostępność narzędzi
Limity użycia i grupowanie narzędzi (toolsets)
Dobre praktyki projektowania narzędzi i integracji z MCP
Human-in-the-loop: zatwierdzanie wywołań narzędzi przez człowieka
Wbudowane ewaluatory (pydantic-evals)
LLM jako sędzia (LLM as a Judge) i dobór kryteriów oceny
Ocena zgodności sędziego z oceną człowieka (judge alignment)
Własne ewaluatory dopasowane do domeny
Testowanie i ewaluacja rozmów wieloturowych z wywołaniami narzędzi
Delegacja zadań między agentami
Subagenci i agent doradczy (advisor)
Wyszukiwanie w Internecie (DuckDuckGo)
Rozumowanie (thinking) i planowanie wieloetapowych zadań
Wyszukiwanie narzędzi na żądanie (tool search)
Pamięć długoterminowa agenta
Guardrails - kontrola danych wejściowych i wyjściowych
Embeddings i wektorowe bazy danych (Chroma)
Wyszukiwanie semantyczne oraz BM25
Parent document retrieval i Hypothetical Document Embeddings (HyDE)
Ewaluacja jakości wyszukiwania (MRR@3) i jakości generowanych odpowiedzi
Dynamiczne wyszukiwanie dokumentacji schematu bazy danych
Generowanie i bezpieczne wykonywanie zapytań SQL przez agenta
Autorem szkolenia jest Bartosz Mikulski
Inżynier danych, MLOps engineer. W pracy zawodowej zajmuje się budowaniem zautomatyzowanej platformy wdrażania modeli uczenia maszynowego na produkcji.
Specjalizuje się w inżynierii danych z użyciem AWS.
Od 2017 roku pisze bloga o inżynierii danych, uczeniu maszynowym i sztucznej inteligencji.
Napisał jeden z rozdziałów książki "97 Things Every Data Engineer Should Know".
Występuje na konferencjach i meetupach w roli prelegenta gdzie dzieli się swoim doświadczeniem ze społecznością programistów.…
Wybrane opinie
Przeczytaj pozytywne opinie pochodzące z ankiet satysfakcji z naszych szkoleń wypełnianych wyłącznie przez ich uczestników po realizacji usługi
Bardzo doceniam dostosowanie przebiegu szkolenia do stopnia zaawansowania grupy i dostosowania się w miarę możliwości do każdego :)
13.09.2026
Grzegorz Trzeciak, SII sp. z o.o.
Oceniam szkolenie jako rewelacyjne, bo celnie trafiało w sedno codziennych problemów i było wypełnione praktycznymi wskazówkami, które mogę od razu wykorzystać. Dwudniowa forma dała czas na przećwiczenie materiału, a nie tylko jego wysłuchanie.
13.09.2026
Szymon Rutkowski, SII sp. z o.o.
Czas szkolenia był wykorzystany do maksimum ze świetnie dopasowanym materiałem mimo że poziom i potrzeby uczestników były mocno zróżnicowane. Dzięki!
13.09.2026
Janusz Rogowski, SII sp. z o.o.
Indywidualne podejście, rozmowa o live przykładach, dostosowanie, modyfikowanie przebiegu szkolenia żeby dopasować się jak najlepiej do uczestników
13.09.2026
Małgorzata Ignaczak, SII sp. z o.o.
Jako osoba początkująca, z tego szkolenia wyciągnęłam dla siebie ogromną dawkę wiedzy. Całe spotkanie mocno zainspirowało mnie do dalszego poszerzania wiedzy w obszarze AI
11.09.2026
Uczestnik szkolenia “Nowoczesna Java”
Piotr Szczypior, Capgemini Polska Sp. z o.o.
Examples were very interesting
9.09.2026
Uczestnik szkolenia “AI - Powered Development z Claude Code i GitHub Copilot”