Мы расскажем о том, как представляются действия (с помощью JSON или кода), о важности подхода “остановить и разобрать”, а также представим различные типы агентов.
Действия - это конкретные шаги, которые AI агент предпринимает для взаимодействия с окружением.
Будь то просмотр информации в Интернете или управление физическим устройством, каждое действие - это целенаправленная операция, выполняемая агентом.
Например, агент, помогающий в службе поддержки клиентов, может получать данные о клиентах, предлагать статьи по поддержке или передавать проблемы представителю компании.
There are multiple types of Agents that take actions differently:
| Тип агента | Описание |
|---|---|
| JSON Агент | Действие, которое необходимо предпринять, указывается в формате JSON. |
| Агент кода (Code Agent) | Агент пишет блок кода, который интерпретируется извне. |
| Агент вызывающий функции (Function-calling Agent) | Это подкатегория агента JSON, который был дообучен генерировать новое сообщение для каждого действия. |
Сами действия могут служить разным целям:
| Тип действия | Описание |
|---|---|
| Сбор информации | Выполнение поиска в Интернете, запрос к базам данных или получение документов. |
| Использование инструментов | Выполнение вызовов API, вычислений и выполнение кода. |
| Взаимодействие с окружением | Манипулирование цифровыми интерфейсами или управление физическими устройствами. |
| Общение | Взаимодействие с пользователями через чат или сотрудничество с другими агентами. |
Одной из важнейших составляющих агента является возможность прекратить генерацию новых токенов после завершения действия, и это справедливо для всех форматов Агентов: JSON, код или вызов функций. Это предотвращает непреднамеренный вывод и гарантирует, что ответ агента будет ясным и точным.
LLM работает только с текстом и использует его для описания действий, которые она хочет выполнить, и параметров, которые нужно передать инструменту.
Одним из ключевых методов реализации действий является подход остановить и разобрать. Этот метод обеспечивает структурированность и предсказуемость выходных данных агента:
Агент выводит предполагаемое действие в четком, заранее определенном формате (JSON или код).
После завершения действия агент прекращает генерировать дополнительные токены. Это позволяет избежать лишнего или ошибочного вывода.
Внешний парсер считывает отформатированное действие, определяет, какой Инструмент следует вызвать, и извлекает необходимые параметры.
Например, агент, которому нужно проверить погоду, может вывести:
Thought: I need to check the current weather for New York.
Action :
{
"action": "get_weather",
"action_input": {"location": "New York"}
}Затем фреймворк может легко разобрать имя функции для вызова и аргументы для применения.
Такой понятный, машиночитаемый формат минимизирует ошибки и позволяет внешним инструментам точно обрабатывать команду агента.
Примечание: агенты вызова функций работают аналогичным образом, структурируя каждое действие так, чтобы вызывалась определенная функция с правильными аргументами. Мы подробнее рассмотрим эти типы агентов в одном из следующих разделов.
Альтернативный подход - использование Агентов Кода. Идея заключается в следующем: вместо того, чтобы выводить простой объект JSON, агент кода генерирует исполняемый блок кода - обычно на языке высокого уровня, таком как Python.
Этот подход имеет ряд преимуществ:
Например, Агент Кода, которому поручено получить информацию о погоде, может сгенерировать следующий фрагмент на языке Python:
# Пример Агента Кода: Получение информации о погоде
def get_weather(city):
import requests
api_url = f"https://api.weather.com/v1/location/{city}?apiKey=YOUR_API_KEY"
response = requests.get(api_url)
if response.status_code == 200:
data = response.json()
return data.get("weather", "No weather information available")
else:
return "Error: Unable to fetch weather data."
# Выполнение функции и подготовка окончательного ответа
result = get_weather("New York")
final_answer = f"The current weather in New York is: {result}"
print(final_answer)В этом примере Агент Кода:
Этот метод также следует подходу “остановись и разбери”, четко разграничивая блок кода и сигнализируя о завершении выполнения (здесь - выводом final_answer).
Мы узнали, что действия связывают внутренние рассуждения агента и его взаимодействие с реальным миром, выполняя четкие, структурированные задачи - через JSON, код или вызов функций.
Такое продуманное выполнение гарантирует, что каждое действие будет точным и готовым к внешней обработке с помощью подхода «остановить и разобрать». В следующем разделе мы рассмотрим Наблюдения, чтобы увидеть, как агенты улавливают и интегрируют обратную связь от своего окружения.
После этого мы будем окончательно готовы к созданию нашего первого агента!.
< > Update on GitHub