Nie zapomnij: zachowywanie pamięci między wywołaniami

Planujesz wyjazd na zakończenie studiów i korzystasz z asystenta podróży opartego na smolagents, który ma śledzić ważne daty i informacje.

Problem w tym, że agent zapomina wszystko, jeśli nie zachowasz jego pamięci w odpowiedni sposób. Twoim celem jest zapobieżenie resetowaniu stanu agenta między kolejnymi pytaniami, tak aby pamiętał kluczowe szczegóły podróży w trakcie wielu interakcji.

Masz dostęp do travel_agent, skonfigurowanego już z modelem i bez narzędzi.

To ćwiczenie jest częścią kursu

Agenty AI z Hugging Face smolagents

Instrukcje do ćwiczenia

Zmodyfikuj drugie wywołanie metody .run() tak, aby agent zachowywał pamięć — użyj do tego parametru reset.
Ustaw wartość reset na False, aby zapobiec resetowaniu stanu agenta.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Step 1: Tell the agent your flight date
travel_agent.run("My Tokyo flight confirmation code is ZX9Q2L.")

# Step 2: Confirm the agent remember when passing the correct reset parameter
follow_up = "What’s my Tokyo flight confirmation code?"
response = travel_agent.run(follow_up, ____=____)

print(response)

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Agenty AI z Hugging Face smolagents

SkillTag.level.advancedSkillTag.label

4.8+

Rozpocznij kurs za darmo

Dowiedz się, co wyróżnia agenty kodu i jak używają Pythona do wnioskowania i działania. Zbuduj swojego pierwszego agenta przy użyciu smolagents, dodaj wbudowane narzędzia i narzędzia społeczności umożliwiające dostęp do internetu, a następnie stwórz własne narzędzia, by połączyć agenty z danymi.

Exercise 1: Wprowadzenie do Hugging Face smolagents Exercise 2: Niech agent policzy: analiza wydatków Exercise 3: Chwila, ale ty nie napisałeś żadnych funkcji?Exercise 4: Tworzenie agenta z narzędziami Exercise 5: Pisanie kodu za pomocą promptów: procent składany Exercise 6: Daj agentowi dostęp do internetu Exercise 7: Tworzenie agenta z użyciem własnych narzędzi Exercise 8: Wystarczy @tool: tworzenie własnego narzędzia Exercise 9: Rachunek poproszę! Daj agentowi dostęp do danych Exercise 10: Jedno polecenie, wiele narzędzi

Przekształć tradycyjny potok RAG w system agentowy, który iteracyjnie pobiera informacje i wnioskuje wieloetapowo. Zbuduj narzędzia ze stanem, by wspierać zaawansowane wyszukiwanie, steruj agentami za pomocą interwałów planowania w celu poprawy wyników, a następnie użyj callbacków do śledzenia i dostosowywania zachowania agentów w czasie działania.

Exercise 1: Przypomnienie RAG Exercise 2: RAG krok po kroku: od instrukcji do odpowiedzi Exercise 3: Co tak właściwie dzieje się w RAG?Exercise 4: Krok, który nadaje znaczenie Exercise 5: Wprowadzenie do agentowego RAG Exercise 6: Projektowanie ze stanem: tworzenie narzędzia RAG do wyszukiwania Exercise 7: Podłącz narzędzie i uruchom agentic RAG Exercise 8: Praca z agentami wieloetapowymi Exercise 9: Śledzenie kroków agenta i monitorowanie akcji Exercise 10: Czas na grę: uruchom pełnego agenta

Zmierz się ze złożonymi procesami, koordynując zespoły wyspecjalizowanych agentów pod nadzorem menedżera. Dodaj pamięć, aby zachować kontekst między interakcjami, debuguj zachowanie agentów przy użyciu śladów wykonania i kroków wnioskowania, a następnie wdróż solidne strategie walidacji, które zapewnią wysoką jakość i niezawodność odpowiedzi.

Exercise 1: Wprowadzenie do systemów wieloagentowych Exercise 2: Dziel i rządź: tworzenie wyspecjalizowanych agentów Exercise 3: Poznaj zespół: koordynacja agentów Exercise 4: Zarządzanie pamięcią agenta Exercise 5: Nie zapomnij: zachowywanie pamięci między wywołaniami

Bieżące ćwiczenie

Exercise 6: Śledzenie wykonania kodu przez agenta Exercise 7: Walidacja ostatecznej odpowiedzi agenta Exercise 8: Więcej szczegółów: wymuszanie długości odpowiedzi Exercise 9: Sprytniejsze agenty: walidacja i ponowna próba Exercise 10: Gratulacje!