नक़ली tools पर ReAct loop
marketing हटा दें तो एक "AI agent" एक loop है। मॉडल जादू से काम नहीं करता; आपका कोड करता है। पैटर्न ReAct है: क्या करना है इस पर सोचें (Reason), tool बुलाकर एक काम करें (Act), नतीजा देखें (Observe), फिर काम पूरा होने तक दोहराएँ। मॉडल सिर्फ़ टेक्स्ट बनाता है; उसके चारों ओर का loop उस टेक्स्ट को असली tool calls में बदलता है और नतीजे वापस खिलाता है।
सोचने वाला क़दम LLM है, और वह अनिश्चित है, इसलिए हम उसका unit-test नहीं कर सकते। पर उसके चारों ओर सब कुछ निश्चित है और ठीक वही है जो production में टूटता है: भेजना, नतीजा सँभालना, रुकने की शर्त। इसलिए हम मॉडल के काम को एक लिखी योजना से बदलकर loop टेस्ट करते हैं - (tool, args) कामों की एक तय सूची। असल में agent का unit-test ऐसे ही होता है: योजना पक्की करें, trace assert करें।
आप run_agent(plan, tools, max_steps) बनाएँगे। plan ("lookup", {"country": "France"}) जैसे क़दमों की सूची है। tools एक dict है जो tool नाम को ऐसे Python फ़ंक्शन से जोड़ता है जो args dict लेकर एक observation लौटाए। हर क़दम के लिए आप मेल खाता tool बुलाते हैं और एक (tool, args, observation) तिकड़ी को एक trace में जोड़ते हैं - agent ने क्या किया उसका जाँच log।
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 traceनियम:
- हर क़दम के लिए
tools[action](args)बुलाएँ और क्रम से(action, args, observation)दर्ज करें। - एक
"finish"काम loop को तुरंत ख़त्म करता है और trace में दर्ज नहीं होता (यह एक संकेत है, tool call नहीं)। - जैसे ही trace में
max_stepsप्रविष्टियाँ हो जाएँ रुक जाएँ, भले ही योजना में और क़दम हों - वह पहरा बेक़ाबू agent को रोकता है। - अगर किसी क़दम में args नहीं हैं, तो उसे ख़ाली dict मानें।
एक असली ऐप में LLM हर अगला काम JSON के रूप में देता और वही loop उसे चलाता, इसलिए आप loop को छुए बिना लिखी योजना को live मॉडल आउटपुट से बदल सकते हैं। on-device ट्यूटर ठीक यही loop live चला सकता है, पर ग्रेडिंग सिर्फ़ निश्चित trace देखती है। दो-क़दम वाली योजना चलते देखने के लिए Run दबाएँ: एक राजधानी ढूँढें, फिर कुछ गणित करें, फिर ख़त्म करें।
आपने अभी जो बनाया उसका उद्योग में एक नाम है। यह देखो-सोचो-करो loop हर agent framework का केंद्र है: LangGraph और ऐसी libraries आपको यह loop nodes के graph के रूप में देती हैं, hosted agent APIs इसे प्रदाता की तरफ़ चलाती हैं, और एक MCP client असल में बस यही loop है जो protocol पर खोजे tools से जुड़ा है। वे streaming, retries, persistence और tracing जोड़ते हैं, पर इंजन ठीक वही loop है जो आपने लिखा। इसे एक बार शुरू से बनाना ही उन frameworks को जादू के बजाय समझने लायक बनाता है: आपको ठीक पता होगा कि हर एक कौन-सा हिस्सा स्वचालित कर रहा है।
run_agent(plan, tools, max_steps=10) लिखें जो एक नक़ली tool registry के सामने (tool, args) क़दमों की लिखी योजना चलाए। हर क़दम के लिए tools[action](args) बुलाएँ और (action, args, observation) को एक trace सूची में जोड़ें। एक "finish" काम loop रोकता है और दर्ज नहीं होता; जैसे ही trace में max_steps प्रविष्टियाँ हों रुक जाएँ। trace लौटाएँ।
इस पाठ में कोई समस्या दिखी? बताएँ · इस पाठ के बारे में पूछें
यह अभ्यास जल्द खुलेगा
इससे पहले वाला पाठ पूरा करें और यह खुल जाएगा। पूरा कोर्स मुफ़्त है, कोई खाता नहीं चाहिए, और आप यह पाठ अभी पढ़ सकते हैं।
यह ब्राउज़र learn.floati.life के लिए कुकी रोक रहा है, इसलिए यहाँ पूरे किए गए पाठ क्रम से नहीं खुल सकते। इस साइट के लिए कुकी की अनुमति दें और फिर से लोड करें।