Conheça a equipe: coordenação de agentes

Imagine que você criou um CodeAgent chamado application_manager, que delega tarefas para dois subagentes nomeados que você criou antes:

school_research_agent: "Especialista em pesquisar universidades, cursos e requisitos de admissão"
essay_writing_agent: "Especialista em criar redações envolventes para candidatura e personal statements"

O gerente tem as seguintes instruções: "Você coordena a assistência a candidaturas universitárias. Use school_research_agent para informações sobre universidades e essay_writing_agent para redações de candidatura. Combine a expertise de ambos para uma orientação completa."

Agora, você envia ao gerente este prompt do usuário:

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

Quais agentes serão envolvidos na geração da resposta final?

Este exercício faz parte do curso

Agentes de IA com Hugging Face smolagents

Exercício interativo prático

Transforme a teoria em ação com um de nossos exercícios interativos

Começar o exercício

Este exercício faz parte do curso

Agentes de IA com Hugging Face smolagents

AvançadoNível de habilidade

4.9+

Iniciar curso de graça

Descubra o que torna os code agents especiais e como eles usam Python para raciocinar e agir. Crie seu primeiro agente com o smolagents, adicione ferramentas nativas e da comunidade para acesso à web e crie ferramentas personalizadas para conectar agentes a dados.

Exercise 1: Introdução ao Hugging Face smolagents Exercise 2: Deixe o agente fazer as contas: insights sobre despesas Exercise 3: Ué, você não escreveu nenhuma função?Exercise 4: Criando um agente com ferramentas Exercise 5: Escrevendo código por meio de prompts: Juros compostos Exercise 6: Permita que agentes pesquisem na web Exercise 7: Criando um agente com ferramentas personalizadas Exercise 8: Só adicionar @tool: criando uma ferramenta personalizada Exercise 9: A conta, por favor! Dando acesso dos agentes aos dados Exercise 10: Um prompt, várias ferramentas

Transforme sua pipeline de RAG tradicional em um sistema agentic que recupera informações de forma iterativa e raciocina em múltiplas etapas. Construa ferramentas com estado para dar suporte a recuperações avançadas, guie agentes com intervalos de planejamento para melhorar os resultados e use callbacks para acompanhar e personalizar o comportamento do agente em tempo de execução.

Exercise 1: Revisão de RAG Exercise 2: RAG em Ordem: Dos Manuais às Respostas Exercise 3: Então, o que realmente acontece no RAG?Exercise 4: A etapa que adiciona significado Exercise 5: Introdução ao Agentic RAG Exercise 6: Com estado por design: construa uma ferramenta de busca RAG Exercise 7: Conecte a ferramenta e desbloqueie o Agentic RAG Exercise 8: Trabalhando com agentes de múltiplas etapas Exercise 9: Acompanhe os passos do agente, monitore a ação Exercise 10: Hora do jogo: execute o agente completo

Enfrente fluxos de trabalho complexos orquestrando equipes de agentes especializados sob a coordenação de um gerente. Adicione memória para manter o contexto entre interações, depure o comportamento do agente usando rastros de execução e etapas de raciocínio e implemente estratégias robustas de validação para garantir respostas confiáveis e de alta qualidade.

Exercise 1: Introdução a sistemas multiagentes Exercise 2: Dividir para conquistar: criando agentes especialistas Exercise 3: Conheça a equipe: coordenação de agentes

Exercício atual

Exercise 4: Gerenciando a memória do agente Exercise 5: Não Esqueça: Mantendo a Memória Entre Chamadas Exercise 6: Rastreando a execução de código do agente Exercise 7: Validação da Resposta Final do Agente Exercise 8: Diga Mais, Agente: Impor Comprimento das Respostas Exercise 9: Agentes mais inteligentes: validar e tentar novamente Exercise 10: Parabéns!