Conoce al equipo: coordinación de agentes

Imagina que has creado un CodeAgent llamado application_manager, que delega tareas a los dos subagentes que creaste antes:

school_research_agent: "Experto en investigar universidades, programas y requisitos de admisión"
essay_writing_agent: "Experto en redactar ensayos de solicitud universitaria y declaraciones personales convincentes"

El manager tiene las siguientes instrucciones: "Coordinas la asistencia para solicitudes universitarias. Usa school_research_agent para información sobre universidades y essay_writing_agent para los ensayos de solicitud. Combina su experiencia para ofrecer una guía completa."

Ahora le das al manager este prompt del usuario:

"I'd like to know which Canadian universities have strong data science programs, and I need help writing a personal statement."

¿Qué agentes participarán en la generación de la respuesta final?

Este ejercicio forma parte del curso

Agentes de IA con Hugging Face smolagents

Ejercicio interactivo práctico

Pon en práctica la teoría con uno de nuestros ejercicios interactivos

Empezar ejercicio

Este ejercicio forma parte del curso

Agentes de IA con Hugging Face smolagents

AvanzadoNivel de habilidad

4.9+

Comienza el curso gratis

Descubre qué hace especiales a los code agents y cómo usan Python para razonar y actuar. Crea tu primer agente con smolagents, añade herramientas integradas y de la comunidad para acceder a la web y crea herramientas personalizadas para conectar los agentes con los datos.

Exercise 1: Introducción a Hugging Face smolagents Exercise 2: Deja que el agente haga las cuentas: análisis de gastos Exercise 3: ¿Cómo? ¿No escribiste ninguna función?Exercise 4: Crear un agente con herramientas Exercise 5: Escribir código mediante prompts: Interés compuesto Exercise 6: Permite que los agentes busquen en la web Exercise 7: Crear un agente con herramientas personalizadas Exercise 8: Solo añade @tool: crea una herramienta personalizada Exercise 9: ¡La cuenta, por favor! Dar acceso a datos a los agentes Exercise 10: Un único prompt, muchas herramientas

Transforma tu pipeline de RAG tradicional en un sistema agentic que recupera información de forma iterativa y razona a lo largo de múltiples pasos. Crea herramientas con estado para admitir recuperación avanzada, guía a los agentes con intervalos de planificación para mejorar los resultados y usa callbacks para seguir y personalizar el comportamiento del agente en tiempo de ejecución.

Exercise 1: Repaso de RAG Exercise 2: RAG en orden: de los manuales a las respuestas Exercise 3: Entonces, ¿qué está pasando realmente en RAG?Exercise 4: El paso que aporta significado Exercise 5: Introducción al Agentic RAG Exercise 6: Con estado desde el diseño: crea una herramienta de búsqueda RAG Exercise 7: Conecta la herramienta y activa Agentic RAG Exercise 8: Trabajar con agentes de múltiples pasos Exercise 9: Sigue los pasos del agente y monitoriza la acción Exercise 10: Hora de jugar: ejecuta el agente completo

Aborda flujos de trabajo complejos orquestando equipos de agentes especializados bajo la coordinación de un manager. Añade memoria para mantener el contexto entre interacciones, depura el comportamiento del agente usando trazas de ejecución y pasos de razonamiento, e implementa estrategias sólidas de validación para garantizar respuestas fiables y de alta calidad.

Exercise 1: Introducción a los sistemas multiagente Exercise 2: Divide y vencerás: creando agentes especialistas Exercise 3: Conoce al equipo: coordinación de agentes

Ejercicio actual

Exercise 4: Gestión de la memoria del agente Exercise 5: Que no se te olvide: mantener la memoria entre llamadas Exercise 6: Trazar la ejecución del código del agente Exercise 7: Validación de la respuesta final del agente Exercise 8: Di más, agente: imponer longitud de las respuestas Exercise 9: Agentes más inteligentes: validar y reintentar Exercise 10: ¡Enhorabuena!