Kurrikulum Leson 172 van 250 · Bou Agents (Tool-Use & ReAct)
Bou Agents (Tool-Use & ReAct)

Die ReAct-lus oor Mock Tools

Verwyder die bemarking en 'n "AI agent" is 'n loop. Die model neem nie magic aksies nie; jou kode doen dit. Die patroon is ReAct: Reason oor wat om te doen, neem 'n Action deur 'n tool te roep, Observe die resultaat, en loop dan tot die taak klaar is. Die model produseer net teks; die loop daaromheen verander daardie teks in werklike tool calls en voer die resultate terug.

Die redeneringstap is die LLM, en dit is nie-deterministies, so ons kan dit nie eenheid-toets nie. Maar alles rondom dit is deterministies en dit is presies wat in produksie breek: die dispatch, die observation handling, die stop-kondisie. So toets ons die loop met die model se werk vervang deur 'n scripted plan - 'n vaste lys van (tool, args)aksies. Dit is hoe jy werklik 'n agent eenheid-toets: pin die plan, assert die trace.

Jy gaan run_agent(plan, tools, max_steps) bou. plan is 'n lys van stappe soos ("lookup", {"country": "France"}). tools is 'n dict wat 'n tool naam na 'n Python funksie kaart wat die args dict neem en 'n observation teruggee. Vir elke stap roep jy die ooreenstemmende tool en voeg jy 'n (tool, args, observation) drie-tuifel by aan 'n trace - die ouditlog van wat die agent gedoen het.

def run_agent(plan, tools, max_steps=10):
    trace = []
    for action, args in plan:
        if len(trace) >= max_steps:
            break
        if action == "finish":
            break
        observation = tools[action](args)
        trace.append((action, args, observation))
    return trace

Die reëls:

  • Vir elke stap, roep tools[action](args) aan en rekord (action, args, observation) in volgorde.
  • A "finish" aksie beëindig die loop onmiddellik en word not in die trace aangeteken (dit is 'n sein, nie 'n tool call nie).
  • Stop sodra die trace reeds max_steps entries bevat, selfs al het die plan meer stappe. Daardie bewaking stop 'n agent wat uitmekaar loop.
  • As indien 'n stap geen args het nie, behandel dit as 'n leë dict.

In 'n regte toepassing sal die LLM elke volgende aksie as JSON uitstoot en dieselfde loop sal dit hardloop, so jy kan die geskripte plan vir lewendige model-uitset ruil sonder om die loop aan te raak. Die on-device tutor kan hierdie loop lewendig bestuur, maar gradering kyk net altyd na die deterministiese trace. Druk Run om te sien hoe 'n twee-stappige plan uitvoer: soek 'n hoofstad op, doen dan 'n paar berekeninge, en dan klaar.

Wat jy nou net gebou het het 'n naam in die bedryf. Hierdie waarneem-dink-werk lus is die kern van elke agent framework: LangGraph en soortgelyke biblioteke gee vir jou hierdie lus as 'n graf van nodes, gehuisvese agent APIs hardloop dit aan die verskaffer se kant, en 'n MCP client is eintlik net hierdie lus wat verbind is aan gereedskap wat dit oor 'n protokol ontdek. Hulle voeg streaming, retries, persistence en tracing by, maar die enjin is presies die lus wat jy geskryf het. Om dit een keer van nuut te bou is wat daardie frameworks verstaanbaar maak in plaas van towerkuns: jy sal presies weet watter deel elk daarvan outomatiseer.

Jou beurt

Skryf run_agent(plan, tools, max_steps=10) wat 'n geskripte plan van (tool, args) stappe teen 'n mock tool registry uitvoer. Roep vir elke stap tools[action](args) aan en voeg (action, args, observation) by 'n trace lys. 'n "finish" aksie stop die loop en word nie aangeteken nie; stop sodat die trace max_steps inskrywings bevat. Gee die trace terug.

Sien jy 'n probleem in hierdie les? Rapporteer dit · Vra oor hierdie les

Hierdie oefening open binnekort

Voltooi die lesie voor dit en hierdie een sal ontvanklik wees. Die hele kursus is gratis, geen rekening nodig nie, en jy kan hierdie les nou lees.