O laço ReAct sobre ferramentas simuladas
Tire o marketing e um "agente de IA" é um laço. O modelo não executa ações magicamente; o seu código faz. O padrão é ReAct: Reason sobre o que fazer, execute um Action chamando uma ferramenta, Observe o resultado, depois faça um laço até a tarefa terminar. O modelo apenas produz texto; o laço ao redor dele transforma esse texto em chamadas de ferramentas reais e alimenta os resultados de volta.
O passo de raciocínio é o LLM, e ele é não-determinístico, então não podemos fazer unit-test nele. Mas tudo ao redor is é determinístico e é exatamente o que quebra em produção: o dispatch, o handling da observação, a condição de parada. Então nós testamos o loop com o trabalho do modelo substituído por um scripted plan - uma lista fixa de (tool, args)actions. É assim que você realmente faz o unit-test de um agente: fixe o plano, valide o trace.
Você vai construir run_agent(plan, tools, max_steps). plan é uma lista de passos como ("lookup", {"country": "France"}). tools é um dicionário mapeando um nome de ferramenta para uma função Python que recebe o dicionário de args e retorna uma observação. Para cada passo você chama a ferramenta correspondente e anexa um triplo (tool, args, observation) a um trace - o log de auditoria do que o agente fez.
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 traceAs regras:
- Para cada passo, chame
tools[action](args)e registre(action, args, observation)em ordem. - A
"finish"encerra o laço imediatamente e não é not registrado no trace (é um sinal, não uma chamada de ferramenta). - Pare assim que o trace já tiver
max_stepsentradas, mesmo que o plano tenha mais steps - esse guard evita um agente descontrolado. - Se um step não tiver args, trate como um dict vazio.
Em um app real, a LLM emitiria cada próxima ação como JSON e o mesmo loop a executaria, então você poderia trocar o plano roteirizado pela saída do modelo em tempo real sem mexer no loop. O tutor no dispositivo pode conduzir esse mesmo loop ao vivo, mas a correção sempre olha apenas para o traço determinístico. Pressione Run para ver um plano de dois passos executar: procure uma capital, depois faça um cálculo, depois termine.
O que você acabou de construir tem um nome na indústria. Esse laço observe-pense-aja é o núcleo de cada framework de agente: LangGraph e bibliotecas similares te dão esse laço como um grafo de nós, APIs de agentes hospedados o executam no lado do provedor, e um cliente MCP é realmente apenas esse laço conectado a ferramentas que ele descobre através de um protocolo. Eles adicionam streaming, retentativas, persistência e rastreamento, mas o motor é exatamente o laço que você escreveu. Construí-lo do zero uma vez é o que torna esses frameworks legíveis em vez de mágica: você saberá precisamente qual parte cada um está automatizando.
Escreva run_agent(plan, tools, max_steps=10) que executa um plano roteirizado de (tool, args) passos contra um registro de ferramentas fictício. Para cada passo, chame tools[action](args) e anexe (action, args, observation) a uma lista de rastreio. Uma ação "finish" para o laço e não é registrada; pare assim que o rastreio contiver max_steps entradas. Retorne o rastreio.
Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição
Este exercício abre em breve
Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.
Este navegador está bloqueando cookies para learn.floati.life, então as lições que você terminou aqui não podem abrir em ordem. Permita cookies para este site e recarregue.