Знайомство з командою: координація агентів

Уявіть, що ви створили CodeAgent з ім'ям application_manager, який делегує завдання двом названим підагентам, створеним раніше:

school_research_agent: "Експерт з дослідження університетів, програм і вимог до вступу"
essay_writing_agent: "Експерт зі створення переконливих есе для вступних заяв і мотиваційних листів"

Менеджер має такі інструкції: "Ви координуєте допомогу з поданням до коледжу. Використовуйте school_research_agent для інформації про університети та essay_writing_agent для есе до заяв. Поєднуйте їхню експертизу для всебічних порад."

Тепер ви даєте менеджеру такий запит користувача:

"Я хотів би дізнатися, які канадські університети мають сильні програми з data science, і мені потрібна допомога з написанням мотиваційного листа."

Які агенти будуть залучені до формування фінальної відповіді?

Ця вправа є частиною курсу

AI-агенти з Hugging Face smolagents

Переглянути курс

Практична інтерактивна вправа

Перетворіть теорію на практику за допомогою однієї з наших інтерактивних вправ

Почати вправу

Ця вправа є частиною курсу

AI-агенти з Hugging Face smolagents

SkillTag.level.advancedSkillTag.label

4.8+

Почніть курс безкоштовно

Дізнайтеся, що робить агентів коду особливими та як вони використовують Python для міркувань і дій. Створіть свого першого агента зі smolagents, додайте вбудовані та спільнотні інструменти для доступу до вебу й створіть власні інструменти, щоб підключати агентів до даних.

Exercise 1: Вступ до Hugging Face smolagents Exercise 2: Нехай агент порахує: аналіз витрат Exercise 3: Зачекайте, ви ж не писали жодних функцій?Exercise 4: Створення агента з інструментами Exercise 5: Написання коду через підказки: складні відсотки Exercise 6: Дозвольте агентам шукати в інтернеті Exercise 7: Створення агента з кастомними інструментами Exercise 8: Просто додайте @tool: створюємо власний інструмент Exercise 9: Рахунок, будь ласка! Надаємо агентам доступ до даних Exercise 10: Один запит — багато інструментів

Перетворіть традиційний конвеєр RAG на agentic‑систему, яка ітеровано вилучає інформацію та міркує в кілька кроків. Створіть станні інструменти для підтримки просунутого пошуку, скеровуйте агентів інтервалами планування для кращих результатів і використовуйте зворотні виклики (callbacks), щоб відстежувати та налаштовувати поведінку агентів під час виконання.

Exercise 1: Оновлення знань про RAG Exercise 2: RAG по порядку: від інструкцій до відповідей Exercise 3: То що ж насправді відбувається в RAG?Exercise 4: Крок, що додає зміст Exercise 5: Вступ до агентного RAG Exercise 6: Становість за задумом: створіть інструмент пошуку RAG Exercise 7: Під'єднайте інструмент — розблокуйте Agentic RAG Exercise 8: Робота з багатокроковими агентами Exercise 9: Відстежуйте кроки агента, контролюйте дії Exercise 10: Час гри: запустіть повного агента

Опановуйте складні робочі процеси, оркеструючи команди спеціалізованих агентів під керуванням координуючого менеджера. Додайте пам'ять для збереження контексту між взаємодіями, налагоджуйте поведінку агентів за допомогою трас виконання та кроків міркування, а також упроваджуйте надійні стратегії валідації, щоб гарантувати якісні й стабільні відповіді.

Exercise 1: Вступ до мультиагентних систем Exercise 2: Розділяй і володарюй: створення спеціалізованих агентів Exercise 3: Знайомство з командою: координація агентів

Поточна вправа

Exercise 4: Керування пам'яттю агента Exercise 5: Не забудьте: збереження памʼяті між викликами Exercise 6: Трасування виконання коду агентом Exercise 7: Валідація фінальної відповіді агента Exercise 8: Скажіть більше, агенте: контроль довжини відповідей Exercise 9: Розумніші агенти: валідація та повторна спроба Exercise 10: Вітаємо!