Pelajari apa yang membuat code agent istimewa dan bagaimana agen menggunakan Python untuk bernalar dan bertindak. Bangun agen pertama Anda dengan smolagents, tambahkan tool bawaan dan komunitas untuk akses web, serta buat tool kustom untuk menghubungkan agen dengan data.

Pengantar Hugging Face smolagents

Biarkan Agen Menghitung: Wawasan Pengeluaran

Tunggu, Anda Tidak Menulis Fungsi Apa Pun?

Membuat Agen dengan Tools

Menulis Kode Melalui Prompt: Bunga Majemuk

Biarkan Agent Menelusuri Web

Membuat Agen dengan Alat Kustom

Cukup Tambahkan @tool: Menulis Tool Kustom

Permisi, Tagihannya! Memberi Akses Data kepada Agen

Satu Prompt, Banyak Tool

Pengenalan Hugging Face smolagents

Ubah pipeline RAG tradisional Anda menjadi sistem agentic yang mengambil informasi secara iteratif dan bernalar lintas beberapa langkah. Bangun tool stateful untuk mendukung pengambilan tingkat lanjut, pandu agen dengan interval perencanaan untuk meningkatkan hasil, dan gunakan callback untuk melacak serta menyesuaikan perilaku agen saat runtime.

Pengingat RAG

Langkah demi Langkah Pipeline RAG

RAG Berurutan: Dari Manual ke Jawaban

Jadi, Apa yang Sebenarnya Terjadi dalam RAG?

Langkah yang Menambahkan Makna

Pengantar Agentic RAG

Bertahan dengan Status: Bangun Alat Pencarian RAG

Sambungkan Tool, Aktifkan Agentic RAG

Bekerja dengan Agen Multi-Langkah

Lacak Langkah Agen, Pantau Aksi

Waktunya Bertanding: Jalankan Agen Lengkap

Agentic RAG dan Agen Multi-Langkah

Tangani alur kerja kompleks dengan mengorkestrasi tim agen spesialis di bawah koordinasi seorang manajer. Tambahkan memori untuk mempertahankan konteks antarinteraksi, debug perilaku agen menggunakan jejak eksekusi dan langkah penalaran, serta terapkan strategi validasi yang andal guna memastikan respons yang berkualitas tinggi dan tepercaya.

Pengantar Sistem Multiagen

Divide and Conquer: Membuat Agen Spesialis

Kenalkan Tim: Koordinasi Agen

Mengelola Memori Agen

Jangan Lupa: Menjaga Memori Antar Pemanggilan

Melacak Eksekusi Kode Agen

Validasi Jawaban Akhir Agen

Katakan Lebih Banyak, Agen: Menerapkan Batas Panjang Jawaban

Agent yang Lebih Cerdas: Validasi dan Coba Ulang

Selamat!

Sistem Multi-Agen, Memori, dan Validasi

Orders

Agen AI mengubah cara kita bekerja dengan data dan perangkat lunak. Dari mengotomatisasi alur kerja hingga membantu pengguna menavigasi tugas yang kompleks, agen dapat melakukan pencarian, bernalar, dan bertindak atas nama Anda. Dalam kursus ini, Anda akan mempelajari cara membangun agen menggunakan smolagents, sebuah kerangka kerja Python ringan yang dikembangkan oleh Hugging Face.

Praktik Langsung dengan Code Agent dan Tool

Anda akan mulai dengan memahami apa yang membedakan code agent dan mengapa agen ini sangat kuat. Selanjutnya, Anda akan membangun agen pertama dari nol, menggunakan smolagents untuk menghasilkan dan mengeksekusi kode Python. Anda juga akan belajar cara menyambungkan tool bawaan dan membuat tool kustom untuk memperluas kemampuan agen Anda.

Buat Agen Lebih Cerdas dengan RAG dan Memori

Berikutnya, Anda akan menggunakan retrieval-augmented generation (RAG) untuk membantu agen mengambil informasi dari koleksi dokumen yang besar. Anda akan melangkah lebih jauh dengan membangun sistem agentic RAG—agen yang bernalar dalam beberapa langkah untuk mendapatkan jawaban yang lebih baik. Anda juga akan mempelajari cara menambahkan memori agar agen dapat menangani pertanyaan lanjutan secara alami dan melacak pekerjaan yang sudah dilakukan.

Koordinasikan Sistem Multi-Agen dan Validasi Hasil

Di bab terakhir, Anda akan membangun sistem multi-agen yang mengoordinasikan agen spesialis melalui seorang manajer. Anda akan menambahkan interval perencanaan, menggunakan callback untuk memahami perilaku agen, dan memvalidasi jawaban akhir, sehingga agen Anda tetap andal dan mudah digunakan.

Pada akhir kursus, Anda akan memahami cara membangun agen yang berpikir ke depan, bekerja sama, dan menyelesaikan tugas.

Working with Hugging Face

Retrieval Augmented Generation (RAG) with LangChain

Pelajari cara membangun agen cerdas yang berpikir, bertindak, dan menyelesaikan tugas nyata dengan Python.

Agen AI dengan Hugging Face smolagents

Pelajari cara membangun agen cerdas yang dapat berlogika, bertindak, dan menyelesaikan tugas-tugas dunia nyata menggunakan Python.

Dasar-Dasar Hugging Face

Bangun indeks semantik: bagi dokumen menjadi potongan, lakukan embedding, dan simpan vektor.

Cari dalam indeks dan pilih potongan paling relevan teratas.

Susun konteks: gabungkan potongan yang diambil dengan pemisah dan metadata.

Hasilkan jawaban: kirim pertanyaan dan konteks ke LLM untuk mendapatkan respons.

RAG Berurutan: Dari Manual ke Jawaban

Agen AI dengan Hugging Face smolagents

Latihan interaktif praktis