Nu uita: Păstrarea memoriei între apeluri

Planifici o excursie de absolvire și folosești un asistent de călătorie bazat pe smolagents pentru a urmări date importante și informații relevante.

Însă agentul uită totul dacă nu îi păstrezi explicit memoria. Scopul tău este să îl împiedici să se reseteze între întrebări, astfel încât să poată reține detalii cheie despre călătorie de-a lungul mai multor interacțiuni.

Ai acces la travel_agent, deja configurat cu un model și fără unelte.

Acest exercițiu face parte din cursul

Agenți AI cu Hugging Face smolagents

Instrucțiuni pentru exercițiu

Modifică al doilea apel .run() astfel încât agentul să rețină memoria, folosind parametrul reset.
Setează valoarea lui reset la False pentru a împiedica agentul să își reseteze starea.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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)

Editează și rulează codul

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 Exercise 4: Gestionarea memoriei agentului Exercise 5: Nu uita: Păstrarea memoriei între apeluri

Exercițiul curent

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!