Loop ReAct pada Mock Tools
Buang semua bahasa pemasarannya dan "AI agent" itu adalah sebuah loop. Model tidak melakukan tindakan secara ajaib; kode kamu yang melakukannya. Polanya adalah ReAct: Reason tentang apa yang harus dilakukan, lakukan Action dengan memanggil sebuah tool, Observe hasilnya, lalu looping sampai tugas selesai. Model hanya menghasilkan teks; loop di sekitarnya mengubah teks tersebut menjadi pemanggilan tool yang nyata dan memasukkan hasilnya kembali.
Langkah penalaran adalah LLM, dan itu tidak deterministik, jadi kita tidak bisa melakukan unit-test padanya. Tapi semua yang ada di sekitarnya adalah deterministik dan itulah yang rusak di produksi: dispatch, penanganan observasi, kondisi stop. Jadi kita menguji loop dengan tugas model diganti oleh rencana terprogram - daftar tetap dari (tool, args)aksi. Begitulah cara kamu benar-benar melakukan unit-test pada agent: kunci rencananya, asert trace-nya.
Kamu akan membangun run_agent(plan, tools, max_steps). plan adalah daftar langkah seperti ("lookup", {"country": "France"}). tools adalah dict yang memetakan nama tool ke fungsi Python yang menerima dict args dan mengembalikan observation. Untuk setiap langkah kamu memanggil tool yang sesuai dan menambahkan triple (tool, args, observation) ke trace - log audit tentang apa yang dilakukan agent.
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 traceAturannya:
- Untuk setiap langkah, panggil
tools[action](args)dan catat(action, args, observation)secara berurutan. - A
"finish"mengakhiri loop segera dan tidak tercatat dalam trace (ini adalah sinyal, bukan tool call). - Berhenti jika trace sudah berisi
max_stepsentries, meskipun plan punya lebih banyak langkah - guard itu menghentikan agent yang kebablasan. - Jika sebuah step tidak punya args, anggap itu sebagai dict kosong.
Di aplikasi nyata, LLM akan mengeluarkan setiap tindakan berikutnya sebagai JSON dan loop yang sama akan menjalankannya, jadi kamu bisa menukar rencana skrip dengan output model langsung tanpa menyentuh loop. Tutor di perangkat bisa menjalankan loop ini secara langsung, tapi penilaian hanya melihat trace yang deterministik. Tekan Run untuk melihat rencana dua langkah berjalan: cari huruf kapital, lalu lakukan aritmatika, lalu selesai.
Apa yang baru saja kamu buat punya nama di industri. Loop observe-think-act ini adalah inti dari setiap framework agent: LangGraph dan library serupa memberimu loop ini sebagai graph of nodes, hosted agent APIs menjalankannya di sisi provider, dan client MCP sebenarnya hanyalah loop ini yang dihubungkan ke tools yang ditemukan melalui protokol. Mereka menambahkan streaming, retries, persistence, dan tracing, tapi mesinnya adalah loop yang kamu tulis. Membangunnya dari awal sekali adalah apa yang membuat framework tersebut mudah dimengerti dan bukan sihir: kamu akan tahu dengan tepat bagian mana yang diotomatisasi oleh masing-masing framework.
Tulis run_agent(plan, tools, max_steps=10) yang menjalankan rencana skrip berisi (tool, args) langkah terhadap mock tool registry. Untuk setiap langkah, panggil tools[action](args) dan tambahkan (action, args, observation) ke daftar trace. Aksi "finish" menghentikan loop dan tidak dicatat; berhenti sekali trace berisi max_steps entri. Kembalikan trace.
Ada masalah di pelajaran ini? Laporkan · Tanya tentang pelajaran ini
Latihan ini akan segera dibuka
Selesaikan pelajaran sebelumnya agar pelajaran ini terbuka. Seluruh kursus ini gratis, tidak butuh akun, dan kamu bisa baca pelajaran ini sekarang.
Browser ini memblokir cookie untuk learn.floati.life, jadi pelajaran yang sudah kamu selesaikan di sini tidak bisa dibuka berurutan. Izinkan cookie untuk situs ini dan muat ulang.