La boucle ReAct sur les outils fictifs
Enlève le marketing et un "AI agent" est une boucle. Le modèle ne prend pas d'actions par magie; ton code le fait. Le schéma est ReAct: Reason sur ce qu'il faut faire, prends une Action en appelant un outil, Observe le résultat, puis boucle jusqu'à ce que la tâche soit finie. Le modèle ne produit que du texte; la boucle autour de lui transforme ce texte en vrais appels d'outils et renvoie les résultats.
L'étape de raisonnement est le LLM, et elle est non-déterministe, donc nous ne pouvons pas la tester unitairement. Mais tout ce qui l'entoure est déterministe et c'est exactement ce qui casse en production : le dispatch, la gestion de l'observation, la condition d'arrêt. Alors nous testons la boucle avec le travail du modèle remplacé par un plan scripté - une liste fixe d'(tool, args)actions. C'est ainsi que tu testes réellement un agent unitairement : fixe le plan, affirme la trace.
Tu vas construire run_agent(plan, tools, max_steps). plan est une liste d'étapes comme ("lookup", {"country": "France"}). tools est un dictionnaire qui mappe un nom d'outil à une fonction Python qui prend le dictionnaire args et retourne une observation. Pour chaque étape, tu appelles l'outil correspondant et tu ajoutes un triple (tool, args, observation) à une trace - le journal d'audit de ce que l'agent a fait.
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 traceLes règles :
- Pour chaque étape, appelle
tools[action](args)et enregistre(action, args, observation)dans l'ordre. - A
"finish"action termine la boucle immédiatement et n'est pas enregistrée dans la trace (c'est un signal, pas un appel d'outil). - Arrête dès que la trace contient déjà
max_stepsentrées, même si le plan a plus d'étapes - cette garde empêche un agent incontrôlable. - Si une étape n'a pas d'args, traite-la comme un dictionnaire vide.
Dans une application réelle, le LLM émettrait chaque action suivante en JSON et la même boucle l'exécuterait, donc tu pourrais remplacer le plan scripté par la sortie du modèle en direct sans toucher à la boucle. Le tuteur sur l'appareil peut piloter cette boucle en direct, mais la notation ne regarde jamais que la trace déterministe. Appuie sur Run pour regarder un plan en deux étapes s'exécuter : cherche une capitale, puis fais de l'arithmétique, puis termine.
Ce que tu viens de construire a un nom dans l'industrie. Cette boucle observe-pense-agit est le cœur de chaque framework d'agent : LangGraph et les bibliothèques similaires te donnent cette boucle comme un graphe de nœuds, les API d'agent hébergées l'exécutent côté fournisseur, et un client MCP est vraiment juste cette boucle reliée aux outils qu'il découvre via un protocole. Ils ajoutent le streaming, les tentatives, la persistance et le traçage, mais le moteur est exactement la boucle que tu as écrite. Le construire de zéro une fois est ce qui rend ces frameworks lisibles au lieu de magiques : tu sauras précisément quelle partie chacun d'eux automatise.
Écris run_agent(plan, tools, max_steps=10) qui exécute un plan scripté de (tool, args) étapes contre un registre d'outils fictif. Pour chaque étape, appelle tools[action](args) et ajoute (action, args, observation) à une liste de trace. Une action "finish" arrête la boucle et n'est pas enregistrée; arrête une fois que la trace contient max_steps entrées. Retourne la trace.
Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon
Cet exercice s'ouvre bientôt
Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.
Ce navigateur bloque les cookies pour learn.floati.life, donc les leçons que tu as terminées ici ne peuvent pas s'ouvrir dans l'ordre. Autorise les cookies pour ce site et recharge la page.