Цикл ReAct над моковыми инструментами
Снимите маркетинговую оболочку и "ИИ агент" это loop. Модель не совершает действия магическим образом; это делает ваш код. Паттерн ReAct: Reason о том что делать, совершите Action путем вызова инструмента, Observe результат, затем loop до завершения задачи. Модель всегда производит только текст; loop вокруг нее превращает этот текст в реальные вызовы инструментов и возвращает результаты обратно.
Шаг рассуждения это LLM, и он недетерминирован, поэтому мы не можем протестировать его юнит-тестом. Но все вокруг него is детерминировано и это именно то, что ломается в продакшене: диспетчеризация, обработка наблюдений, условие остановки. Поэтому мы тестируем цикл с заменой задачи модели на scripted plan - фиксированный список (tool, args)actions. Именно так вы на самом деле тестируете агента юнит-тестом: фиксируете план, проверяете trace.
Вы построите run_agent(plan, tools, max_steps). plan - это список шагов, таких как ("lookup", {"country": "France"}). tools - это словарь, сопоставляющий имя инструмента с Python функцией, которая принимает словарь args и возвращает observation. Для каждого шага вы вызываете соответствующий инструмент и добавляете тройку (tool, args, observation) в trace - журнал аудита того, что сделал агент.
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 traceПравила:
- Для каждого шага вызовите
tools[action](args)и запишите(action, args, observation)по порядку. - A
"finish"действие завершает цикл немедленно и не записывается в trace (это сигнал, а не вызов инструмента). - Остановись, как только trace уже содержит
max_stepsзаписей, даже если в плане больше steps - эта защита останавливает разбегающегося агента. - Если у шага нет args, считай его пустым dict.
В реальном приложении LLM выдавала бы каждое следующее действие как JSON и тот же loop запускал бы его, так что вы могли бы заменить сценарий плана на живой вывод модели, не трогая loop. Обучающий помощник на устройстве может управлять этим самым loop в реальном времени, но оценка всегда смотрит только на детерминированный trace. Нажмите Run, чтобы увидеть выполнение двухшагового плана: найти столицу, затем выполнить арифметику, затем завершить.
У того, что вы только что построили, есть название в индустрии. Этот цикл observe-think-act является основой каждого фреймворка агентов: LangGraph и подобные библиотеки дают вам этот цикл как граф узлов, hosted agent APIs запускают его на стороне провайдера, а MCP клиент - это на самом деле просто этот цикл, подключенный к инструментам, которые он обнаруживает через протокол. Они добавляют streaming, retries, persistence и tracing, но движок - это именно тот цикл, который вы написали. Построение его с нуля один раз делает эти фреймворки понятными, а не магическими: вы будете точно знать, какую часть автоматизирует каждый из них.
Напишите run_agent(plan, tools, max_steps=10), который выполняет сценарий из (tool, args) шагов против мок-реестра инструментов. Для каждого шага вызывайте tools[action](args) и добавляйте (action, args, observation) в список trace. Действие "finish" останавливает цикл и не записывается; остановитесь, когда в trace будет max_steps записей. Верните trace.
Заметили проблему в этом уроке? Сообщите о ней · Спросить об этом уроке
Это упражнение откроется скоро
Закончи предыдущий урок, чтобы открылся этот. Весь курс бесплатный, аккаунт не нужен, и ты можешь прочитать этот урок прямо сейчас.
Этот браузер блокирует cookies для learn.floati.life, поэтому завершенные здесь уроки не могут открыться по порядку. Разрешите cookies для этого сайта и перезагрузите страницу.