Agent'ın ReAct Loop'unu bağla
Şimdi projenin kalbi: ReAct döngüsü (Düşün -> Eylem -> Gözlem), esasen her ajan çerçevesinin arkasındaki kontrol döngüsü. Model tek seferde cevap vermez. Bir adım düşünür, bir araç seçer, onu çalıştırır, sonucu okur ve ancak o zaman bir sonraki adımda ne yapacağına karar verir. Senin görevin, LangChain'i siyah bir kutu gibi görmek yerine mekanizmayı anlaman için o döngüyü sahte araçlar üzerinde düz Python ile yazmak.
Gerçek bir dağıtımda "reason" adımı bir LLM çağrısıdır. Burada modeli küçük ve deterministik bir policy ile değiştiriyoruz, böylece her şey çevrimdışı test edilebilir (ağ yok, API yok). policy göreve ve şimdiye kadar toplanan gözlemlere bakar ve bir sonraki eylemi döndürür. Asıl ders bu ayrımda: loop geneldir; sadece policy akıllıdır.
bir görev, politikanın okuduğu küçük bir şartname:
task = {"need": ["team size", "office floors"], "op": "*"}
# "look up these facts, then combine them with this operator"run_agent(task, tools, max_steps=8)i inşa edeceksin. trace döndürür: her adım için birer adet (thought, tool, args, observation) tuple listesi. Bu trace, ajanın tüm akıl yürütme geçmişidir ve tam olarak senin kaydettiğin, tekrar oynattığın ve (gelecek derslerde) değerlendirdiğin şeydir.
Döngünün kodladığı mantık, her yinelemede:
- Eğer ihtiyaç duyulan herhangi bir bilgi hala bilinmiyor ise, bir sonraki aksiyon ilk eksik olan için
search. Gözlemi kaydet ve bilgiyi hatırla. - Tüm gerçekler toplandıktan ve görevin bir
opolduğunda, bir sonraki eylem iki gerçeği birleştirmek içincalc. Sonucu hatırla. - Yapılacak hiçbir şey kalmadığında, gözlemi cevap olan son bir
finisheylemi yayınla ve dur.
def run_agent(task, tools, max_steps=8):
trace, facts = [], {}
for _ in range(max_steps):
missing = [k for k in task["need"] if k not in facts]
if missing:
key = missing[0]
obs = tools["search"]({"query": key}) # ACT + OBSERVE
facts[key] = obs
trace.append(("need " + key, "search", {"query": key}, obs))
continue
... # compute if there is an op, else finish tools dict sözlüğü 1. dersteki kayıt defterinin ruhunu taşır: search(args) bir gerçeği çözer, calc(args) op ifadesini a ve b üzerine uygular. final answer, bir op olduğunda calc sonucu, olmadığında ise aranan tek gerçektir. Değerlendirici adım adım (tool, args, observation) sequence ve final cevabı kontrol eder, bu yüzden döngü tahmin yapmak yerine doğru şekilde yönlendirme yapmalıdır. Ayrıca bir second, different görev de çalıştırır, bu yüzden sabitlenmiş bir trace geçemez. İki gerçikli bir görevin cevaba giden mantığını izlemek için Run tuşuna bas.
make_tools() yaz: search(args) içeren bir dict döndürsün (args["query"]'yi başlangıçtaki FACTS tablosuna göre çöz; yoksa "not found"; ve calc(args) (args["a"] üzerine args["op"] uygula, + - * / için args["b"])). Sonra akıl-eylem-gözlem döngüsünü uygulayan run_agent(task, tools, max_steps=8) yaz: task["need"] içindeki her hala eksik anahtarı ara (ilk eksik olanı önce), sonra task["op"] ayarlıysa calc, sonra (thought, "finish", {"answer": answer}, answer) olarak yazılmış son finish adımı. (thought, tool, args, observation) demetlerinin sıralı listesini döndür; nihai cevap calc sonucudur veya op olmadığında tekil gerçektir.
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.