Attendez, vous n’avez écrit aucune fonction ?

Après avoir vu un agent analyser vos dépenses, vous êtes impressionné par la façon dont il a calculé des totaux, identifié des tendances et proposé des recommandations de budget d’une seule traite.

Plus tard, votre colocataire vous demande : « Comment est-ce possible sans que vous lui ayez donné de fonctions directement ? »

Vous réalisez que l’agent ne faisait pas qu’appeler des fonctions : il écrivait et exécutait du code.

Quelle est la principale différence entre la manière dont un code agent et un agent basé sur l’appel de fonctions résoudraient une tâche ?

Cet exercice fait partie du cours

<cours>Agents IA avec Hugging Face smolagents</cours>

Voir le cours

Exercice interactif pratique

Transformez la théorie en action avec l’un de nos exercices interactifs

Commencer l’exercice

Cet exercice fait partie du cours

<cours>Agents IA avec Hugging Face smolagents</cours>

AvancéNiveau de compétence

4.8+

236 reviews

Commencer le cours gratuitement

Découvrez ce qui rend les code agents uniques et comment ils utilisent Python pour raisonner et agir. Créez votre premier agent avec smolagents, ajoutez des outils intégrés et communautaires pour l’accès au Web, et concevez des outils personnalisés pour connecter les agents à vos données.

Exercise 1: Introduction à Hugging Face smolagents Exercise 2: Laissez l’agent faire les calculs : analyse de dépenses Exercise 3: Attendez, vous n’avez écrit aucune fonction ?

Exercice actuel

Exercise 4: Créer un agent avec des outils Exercise 5: Écrire du code à partir de prompts : intérêts composés Exercise 6: Laisser les agents chercher sur le Web Exercise 7: Créer un agent avec des outils personnalisés Exercise 8: Ajoutez simplement @tool : créer un outil personnalisé Exercise 9: L’addition, s’il vous plaît ! Donner aux agents l’accès aux données Exercise 10: Une invite, plusieurs outils

Transformez votre pipeline RAG traditionnel en un système agentique qui récupère l’information de manière itérative et raisonne en plusieurs étapes. Créez des outils avec état pour des recherches avancées, guidez les agents avec des intervalles de planification pour améliorer les résultats et utilisez des callbacks pour suivre et personnaliser le comportement des agents à l’exécution.

Exercise 1: Rappel sur le RAG Exercise 2: RAG dans l’ordre : des manuels aux réponses Exercise 3: Alors, que se passe-t-il vraiment dans RAG ?Exercise 4: L’étape qui ajoute du sens Exercise 5: Introduction à l’Agentic RAG Exercise 6: Conçu avec état : créer un outil de recherche RAG Exercise 7: Connecter l’outil, activer l’Agentic RAG Exercise 8: Travailler avec des agents multi-étapes Exercise 9: Suivre les étapes de l’agent, surveiller l’action Exercise 10: À vous de jouer : exécuter l’agent complet

Abordez des workflows complexes en orchestrant des équipes d’agents spécialisés sous la direction d’un gestionnaire. Ajoutez de la mémoire pour conserver le contexte entre les interactions, déboguez le comportement des agents grâce aux traces d’exécution et aux étapes de raisonnement, et mettez en place des stratégies de validation robustes pour garantir des réponses fiables et de haute qualité.

Exercise 1: Introduction aux systèmes multi-agents Exercise 2: Diviser pour régner : créer des agents spécialistes Exercise 3: Faites connaissance avec l’équipe : coordination d’agents Exercise 4: Gérer la mémoire des agents Exercise 5: À ne pas oublier : conserver la mémoire entre les appels Exercise 6: Tracer l’exécution du code de l’agent Exercise 7: Validation de la réponse finale de l’agent Exercise 8: Plus de détails, Agent : imposer une longueur minimale de réponse Exercise 9: Des agents plus futés : valider et réessayer Exercise 10: Félicitations !