Mock Araçlar Üzerindeki ReAct Döngüsü
Pazarlama kısımlarını çıkarırsak bir "AI agent" bir döngüdür. Model sihirli bir şekilde aksiyon almaz; senin kodun alır. Kalıp ReAct şudur: Reason ne yapılacağını düşün, bir araç çağırarak Act al, Observe sonucu gözle ve görev bitene kadar döngüyü sürdür. Model sadece metin üretir; etrafındaki döngü bu metni gerçek araç çağrılarına dönüştürür ve sonuçları geri besler.
Akıl yürütme adımı LLM'dir ve deterministik değildir, bu yüzden onu birim testi yapamayız. Ancak çevresindeki her şey is deterministiktir ve üretim ortamında tam olarak bozulan şeyler bunlardır: dağıtım, gözlem işleme, durdurma koşulu. Bu yüzden döngüyü, modelin görevi yerine bir scripted plan ile, yani sabit bir (tool, args)actionsZ listesiyle test ederiz. Bir ajanı gerçekte birim test etme yolu budur: planı sabitle, trace'i doğrula.
run_agent(plan, tools, max_steps) oluşturacaksın. plan ("lookup", {"country": "France"}) gibi adımlardan oluşan bir listedir. tools bir araç adını args sözlüğünü alan ve bir observation döndüren bir Python fonksiyonuna eşleyen bir dict'tir. Her adım için ilgili aracı çağır ve bir (tool, args, observation) üçlüsünü trace kısmına ekle. Bu, ajanın ne yaptığının denetim günlüğüdür.
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 traceKurallar:
- Her adım için
tools[action](args)çağır ve(action, args, observation)değerini sırayla kaydet. - A
"finish"döngüyü hemen bitirir ve not izlemede kaydedilmez (bir sinyaldir, bir araç çağrısı değildir). - Trace zaten
max_stepskayıtlarını içerdiğinde dur, planın daha fazla adımı olsa bile. Bu koruma, kontrolden çıkan bir ajanı durdurur. - Eğer bir adımın argümanı yoksa, onu boş bir dict olarak kabul et.
Gerçek bir uygulamada LLM her bir sonraki eylemi JSON olarak gönderir ve aynı döngü bunu çalıştırır, böylece döngüye dokunmadan senaryolu planı canlı model çıktısıyla değiştirebilirsin. Cihazdaki eğitmen bu döngüyü canlı olarak yönetebilir, ancak notlandırma sadece deterministik izleme (trace) kısmına bakar. İki adımlık bir planın çalışmasını izlemek için Run tuşuna bas: bir başkenti ara, sonra bir aritmetik işlem yap ve bitir.
Yeni kurduğun şeyin sektörde bir adı var. Bu gözlemle-düşün-eyle döngüsü her agent framework'ün çekirdeğidir: LangGraph ve benzeri kütüphaneler sana bu döngüyü düğümlerden oluşan bir grafik olarak sunar, hosted agent API'leri bunu sağlayıcının tarafında çalıştırır ve bir MCP client aslında sadece bir protokol üzerinden keşfettiği araçlara bağlanmış bu döngüdür. Bunlar streaming, retries, persistence ve tracing ekler ama motor tam olarak senin yazdığın döngüdür. Onu bir kez sıfırdan inşa etmek, bu frameworkleri sihir yerine okunabilir kılan şeydir: her birinin tam olarak hangi kısmı otomatize ettiğini bileceksin.
Sahte bir araç kayıt defterine karşı (tool, args) adımlık bir senaryo planını çalıştıran run_agent(plan, tools, max_steps=10) yaz. Her adım için tools[action](args) çağır ve (action, args, observation) değerini bir izleme listesine ekle. Bir "finish" eylemi döngüyü durdurur ve kaydedilmez; izleme max_steps girdi içerdiğinde dur. İzlemeyi döndür.
Bu derste bir sorun mu fark ettin? Bildir · Bu ders hakkında soru sor
Bu alıştırma yakında açılacak
Bu dersi bitirince bu ders açılacak. Kursun tamamı ücretsiz, hesap gerekmiyor ve bu dersi hemen şimdi okuyabilirsin.
Bu tarayıcı learn.floati.life için çerezleri engelliyor, bu yüzden burada bitirdiğin dersler sırasıyla açılamıyor. Bu site için çerezlere izin ver ve sayfayı yenile.