Tracer l’exécution du code de l’agent

Vous avez ajouté de la mémoire à votre agent d’assistance voyage, et il a bien retenu votre numéro de confirmation de vol. Vous vous demandez maintenant comment il a calculé ou stocké cette information.

Pour le découvrir, vous allez examiner l’intégralité du code exécuté par l’agent sur les deux étapes grâce à sa mémoire intégrée.

Cet exercice fait partie du cours

Agents IA avec Hugging Face smolagents

Afficher le cours

Instructions

Appelez la méthode .return_full_code() sur la mémoire de l’agent pour récupérer tout le code exécuté.
Affichez le code retourné pour voir tout ce que l’agent a exécuté pendant la session.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Inspect the code executed by the agent
executed_code = travel_agent.memory.____()

print("Executed code during session:")
print("=" * 50)
print(executed_code)

Modifier et exécuter le code

Cet exercice fait partie du cours

Agents IA avec Hugging Face smolagents

AvancéNiveau de compétence

4.9+

135 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 ?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

Exercice en cours

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 !