Kết nối ReAct Loop của Agent
Bây giờ là phần cốt lõi của dự án: vòng lặp ReAct (Reason -> Act -> Observe), vòng lặp điều khiển đằng sau hầu hết mọi framework agent. Model không trả lời ngay lập tức. Nó suy nghĩ một bước, chọn một tool, chạy nó, đọc kết quả, và chỉ sau đó mới quyết định bước tiếp theo. Nhiệm vụ của bạn là viết vòng lặp đó bằng Python thuần trên các mock tools, để bạn hiểu được cơ chế thay vì coi LangChain như một hộp đen.
Trong một triển khai thực tế, bước "reason" là một lời gọi LLM. Ở đây chúng ta thay thế mô hình bằng một policy nhỏ mang tính xác định để toàn bộ hệ thống có thể kiểm thử ngoại tuyến (không mạng, không API). policy xem xét nhiệm vụ và các quan sát đã thu thập được, sau đó trả về hành động tiếp theo. Sự tách biệt đó là bài học thực sự: loop là tổng quát; chỉ có policy là thông minh.
A là một bản đặc tả nhỏ mà chính sách đọc:
task = {"need": ["team size", "office floors"], "op": "*"}
# "look up these facts, then combine them with this operator"Bạn sẽ xây dựng run_agent(task, tools, max_steps=8). Nó trả về một trace: một danh sách có thứ tự các (thought, tool, args, observation) tuples, mỗi cái cho một bước. Trace đó là toàn bộ lịch sử lập luận của agent, và đó chính là thứ bạn sẽ log, replay, và (các bài học tiếp theo) evaluate.
Lý do vòng lặp mã hóa, mỗi lần lặp:
- Nếu bất kỳ thông tin cần thiết nào vẫn còn chưa biết, hành động tiếp theo là
searchcho thông tin thiếu đầu tiên. Ghi lại quan sát và ghi nhớ thông tin đó. - Khi tất cả dữ kiện đã được thu thập và nhiệm vụ có một
op, hành động tiếp theo làcalcđể kết hợp hai dữ kiện. Hãy nhớ kết quả. - Khi không còn gì để làm nữa, hãy phát ra một hành động
finishcuối cùng với quan sát là câu trả lời, và dừng lại.
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 finishTừ điển tools là kho lưu trữ của bạn từ bài học 1 về mặt ý tưởng: search(args) giải quyết một sự thật, calc(args) áp dụng op cho a và b. câu trả lời cuối cùng là calckết quả khi có op, hoặc sự thật đơn lẻ được tra cứu khi không có. Bộ chấm điểm kiểm tra (tool, args, observation)trình tự từng bước và câu trả lời cuối cùng, vì vậy vòng lặp phải định tuyến đúng, không được đoán. Nó cũng chạy một nhiệm vụ thứ hai, khác biệt, nên một trace được viết cứng không thể vượt qua. Nhấn Run để xem một nhiệm vụ hai sự thật suy luận đến câu trả lời.
Viết make_tools() trả về một dict với search(args) (giải quyết args["query"] dựa trên bảng FACTS được cho ở phần khởi đầu; "not found" nếu không có) và calc(args) (áp dụng args["op"] lên args["a"], args["b"] cho + - * /). Sau đó viết run_agent(task, tools, max_steps=8) thực hiện vòng lặp reason-act-observe: tìm kiếm từng key còn thiếu trong task["need"] (cái nào thiếu trước thì tìm trước), sau đó calc nếu task["op"] được thiết lập, rồi bước finish cuối cùng được viết là (thought, "finish", {"answer": answer}, answer). Trả về danh sách có thứ tự các tuple (thought, tool, args, observation); kết quả cuối cùng là kết quả calc, hoặc sự thật đơn lẻ khi không có op.
Bạn thấy vấn đề gì trong bài học này? Hãy báo cáo nó · Hỏi về bài học này
Bài tập này sẽ sớm mở.
Hoàn thành bài học trước đó để mở khóa bài này. Toàn bộ khóa học là miễn phí, không cần tài khoản, và bạn có thể đọc bài học này ngay bây giờ.
Trình duyệt này đang chặn cookie cho learn.floati.life, nên các bài học bạn đã hoàn thành tại đây không thể mở theo thứ tự. Hãy cho phép cookie cho trang web này và tải lại trang.