Cunoaște echipa: Coordonarea agenților

Imaginează-ți că ai creat un CodeAgent numit application_manager, care delegă sarcini celor doi sub-agenți definiți anterior:

school_research_agent: „Expert în cercetarea universităților, programelor de studiu și cerințelor de admitere"
essay_writing_agent: „Expert în redactarea eseurilor convingătoare pentru admitere la facultate și a scrisorilor de intenție"

Managerul are următoarele instrucțiuni: „Coordonezi asistența pentru dosarele de admitere la facultate. Folosește school_research_agent pentru informații despre universități și essay_writing_agent pentru eseurile de admitere. Combină expertiza lor pentru a oferi îndrumare completă."

Acum îi transmiți managerului următoarea solicitare:

"Aș vrea să știu care universități canadiene au programe solide de știința datelor și am nevoie de ajutor pentru a scrie o scrisoare de intenție."

Care agenți vor fi implicați în generarea răspunsului final?

Acest exercițiu face parte din cursul

Agenți AI cu Hugging Face smolagents

Exercițiu interactiv practic

Transformă teoria în practică cu unul dintre exercițiile noastre interactive

Începe exercițiul

Acest exercițiu face parte din cursul

Agenți AI cu Hugging Face smolagents

SkillTag.level.advancedSkillTag.label

4.8+

Începe cursul gratuit

Descoperă ce face agenții de cod speciali și cum folosesc Python pentru a raționa și a acționa. Construiește primul tău agent cu smolagents, adaugă instrumente predefinite și din comunitate pentru acces la web și creează instrumente personalizate pentru a conecta agenții la date.

Exercise 1: Introducere în Hugging Face smolagents Exercise 2: Lasă agentul să facă calculele: analiză cheltuieli Exercise 3: Stai, Nu Ai Scris Nicio Funcție?Exercise 4: Crearea unui agent cu instrumente Exercise 5: Scriere de cod prin prompturi: dobândă compusă Exercise 6: Lasă agenții să caute pe web Exercise 7: Crearea unui agent cu instrumente personalizate Exercise 8: Doar adaugă @tool: scrierea unui instrument personalizat Exercise 9: Nota de plată! Oferă agenților acces la date Exercise 10: Un prompt, mai multe unelte

Transformă un pipeline RAG tradițional într-un sistem agentic care recuperează informații iterativ și raționează în mai mulți pași. Construiește instrumente cu stare pentru a susține recuperarea avansată, ghidează agenții cu intervale de planificare pentru rezultate mai bune și folosește callback-uri pentru a urmări și personaliza comportamentul agenților în timp real.

Exercise 1: Recapitulare RAG Exercise 2: RAG în ordine: de la manuale la răspunsuri Exercise 3: Deci, ce se întâmplă de fapt în RAG?Exercise 4: Pasul Care Adaugă Semnificație Exercise 5: Introducere în RAG agentic Exercise 6: Proiectat cu stare: construiește un instrument RAG de căutare Exercise 7: Conectează instrumentul și activează RAG-ul agențial Exercise 8: Lucrul cu agenți cu mai mulți pași Exercise 9: Urmărește pașii agentului și monitorizează acțiunea Exercise 10: Momentul adevărului: rulează agentul complet

Abordează fluxuri de lucru complexe prin orchestrarea unor echipe de agenți specializați, coordonați de un manager. Adaugă memorie pentru a păstra contextul între interacțiuni, depanează comportamentul agenților folosind trasee de execuție și pași de raționament și implementează strategii robuste de validare pentru a obține răspunsuri de calitate și fiabile.

Exercise 1: Introducere în sistemele multi-agent Exercise 2: Divide și Cucerește: Crearea Agenților Specializați Exercise 3: Cunoaște echipa: Coordonarea agenților

Exercițiul curent

Exercise 4: Gestionarea memoriei agentului Exercise 5: Nu uita: Păstrarea memoriei între apeluri Exercise 6: Urmărirea execuției codului agentului Exercise 7: Validarea răspunsului final al agentului Exercise 8: Răspunde mai mult, agent: impunerea unei lungimi minime Exercise 9: Agenți mai inteligenți: validare și reîncercare Exercise 10: Felicitări!