Day 14: Week 2 Capstone: Multi-Agent Research System — AI System Engineer

Celkový progres 47%

🎯 Cieľ dňa

Buildni multi-agent systém kde 3+ agenty spolupracujú na výskume, analýze a tvorbe reportu.

project core

📚 Study Resources

DEV Community — Build Multi-Agent Systems (2026)

End-to-end guide od architektúry po deployment.

Anthropic — Building Agents with Claude Agent SDK

Ako Anthropic stavia produkčných agentov. Architektúra za Claude Code.

Google Codelabs — Multi-Agent System

Google oficiálny codelab: distributed multi-agent s ADK a A2A protocol.

💡 Key Concepts

Full Agent Lifecycle — Input → Query analysis → Tool selection → Execution → Observation → Response

Memory Integration — Short-term context + long-term retrieval naprieč agentmi

Production Concerns — Tracing, monitoring, cost management, error propagation

🔧 Praktické cvičenie

Buildni Multi-Agent Research & Analysis System.

Supervisor Agent: prijíma otázku, vytvára plán, deleguje, syntetizuje
Research Agent: web search + document retrieval tools
Analysis Agent: calculator, data processing, pattern identification
Writer Agent: structured Markdown report s citations
Použi LangGraph pre orchestration graf
Pridaj persistent memory naprieč runmi
Napíš eval suite s min 5 test cases cez DeepEval
Zdokumentuj architectural decisions a trade-offs

🧠 Self-Assessment Questions

Nakresli ReAct loop a vysvetli kedy sa zastaví.
Prečo LangGraph nahradil LangChain agents?
Kedy je single-agent lepší než multi-agent systém?
Aký je rozdiel medzi episodic a semantic memory?
Prečo je tool description quality kritická pre agent behavior?
Čo je LLM-as-Judge a aké sú jeho limity?