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 exercicio faz parte do curso

Agentes de IA com Hugging Face smolagents

exercicio interativo prático

Transforme teoria em prática com um dos nossos exercicio interativos

Iniciar exercicio

Este exercicio faz parte do curso

Agentes de IA com Hugging Face smolagents

AvançadoNível de habilidade

4.8+

Comece o curso gratuitamente

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

Exercicio 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!