Agenttien päättelyprosessien virheenkorjaus
Soveltakaa järjestelmällisiä lähestymistapoja agenttienne päättely- ja toimintaketjujen ongelmien tunnistamiseen ja ratkaisemiseen.
Agenttien päättelyprosessien virheenkorjaus on ilmainen Tekoälyagentit LangChainilla ja autonomiset työnkulut-oppitunti CoddyKitissä. Tämä on oppitunti 2/4. Voit lukea koko oppitunnin alta ilmaiseksi ja harjoitella sen jälkeen käytännössä selaimessa sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla. Oppitunti kuuluu Tekoälyagentit LangChainilla ja autonomiset työnkulut-oppimispolkuun, ja edistymisesi synkronoituu verkon ja CoddyKit-sovelluksen välillä. Tekoälyagentit LangChainilla ja autonomiset työnkulut-kurssilla on yhteensä 4 oppituntia.
Agentin ajatusten virheenkorjaus
Onko tekoälyagenttisi joskus antanut oudon vastauksen tai jäänyt jumiin? Agenttien virheenkorjaus ei vastaa tavallisen koodin virheenkorjausta. Pelkkien syntaksivirheiden etsimisen sijaan meidän on ymmärrettävä agentin "päättelyprosessi".
Tässä oppitunnissa opit tarkastelemaan agenttisi toimintaa ja selvittämään, miksi se tekee tiettyjä päätöksiä ja miten sen päättelyä voidaan korjata.
Agentin sisäinen ääni
Tekoälyagentti ei ainoastaan tuota lopullista vastausta. Sisäisesti se käy läpi joukon "ajatuksia". Näihin ajatuksiin kuuluu:
- Päättely: mikä on paras seuraava vaihe?
- Työkalun valinta: mitä työkalua pitäisi käyttää?
- Työkalun syöte: mitä syötettä työkalulle pitäisi antaa?
- Havainto: mikä oli työkalun käytön tulos?
Tätä etenemisjärjestystä tarkastelemalla voimme paikantaa, missä agentin logiikka saattaa pettää.
Agenttien yleiset ongelmat
Agentit voivat epäonnistua monin tavoin yksinkertaisten koodivirheiden lisäksi:
- Väärä työkalu: tehtävään sopimattoman työkalun valitseminen.
- Virheellinen työkalun syöte: vääränlaisen tai virheellisesti muotoillun syötteen antaminen työkalulle.
- Päättelyvirheet: ongelman tai työkalun havaintojen tulkitseminen väärin.
- Äärettömät silmukat: juuttuminen toistuvaan ajatusten ja toimintojen kehään.
- Hallusinaatiot: tosiasioiden keksiminen tai itsevarmasti esitetyn virheellisen tiedon tuottaminen.
Kun ymmärrät nämä ongelmat, tiedät, mitä etsiä.
Agentin vaiheiden tarkasteleminen Verbosen avulla
LangChain tarjoaa yksinkertaisen tavan tarkastella agentin sisäisiä vaiheita: verbose=True-parametrin. Kun asetat tämän parametrin, agentti tulostaa koko päättelyprosessinsa konsoliin suorituksen aikana.
Tämä "loki" sisältää jokaisen Thought-, Action-, Action Input- ja Observation-vaiheen, joten saat kattavan kuvan agentin päätöksenteon etenemisestä.
Perusagentin jäljittäminen
Katsotaan verbose=True-parametria käytännössä. Tämä agentti käyttää yksinkertaista työkalua tietojen hakemiseen. Kiinnitä huomiota konsolin tulosteeseen!
Huomautus: tämä koodi edellyttää OpenAI API-avainta. Aseta OPENAI_API_KEY ympäristömuuttujaksi tai poista kommentit kohdasta "YOUR_KEY" ja korvaa se omalla avaimellasi.
import os
from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_react_agent, Tool
from langchain import hub # For standard prompts
# 1. Define a simple tool
def get_info(topic: str) -> str:
"""Provides info on simple topics."""
if "python" in topic.lower():
return "Python is a popular language."
elif "agent" in topic.lower():
return "An agent uses an LLM to decide actions."
return f"No specific info for '{topic}'."
tools = [
Tool(
name="info_tool",
func=get_info,
description="Useful for getting basic info on a topic.",
),
]
# 2. Set up the LLM (requires OPENAI_API_KEY)
# os.environ["OPENAI_API_KEY"] = "YOUR_KEY"
llm = ChatOpenAI(temperature=0, model="gpt-3.5-turbo")
# 3. Get the standard ReAct prompt
prompt = hub.pull("hwchase17/react")
# 4. Create the agent
agent = create_react_agent(llm, tools, prompt)
# 5. Create an agent executor with verbose logging
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# 6. Run the agent to see its thought process
agent_executor.invoke({"input": "What is an agent?"})Agentin lokien tulkitseminen
Verbose-tuloste näyttää selkeän etenemisjärjestyksen:
> Entering new AgentExecutor chain...: agentti käynnistyy.Thought:: LLM:n päättely seuraavaa vaihetta varten.Action:: valitun työkalun nimi.Action Input:: työkalulle välitetyt argumentit.Observation:: työkalun palauttama tulos.Final Answer:: agentin lopullinen vastaus päättelyn jälkeen.
Tämä rakenne toimii virheenkorjauksen tiekarttana!
Väärä työkalu tehtävään?
Yksi yleinen ongelma on, että agentti valitsee väärän työkalun tai antaa sille virheellisen syötteen. Tarkastele rivejä Action: ja Action Input:.
- Valitsiko agentti työkalun, joka ei sovi kyselyyn?
- Poimiko se kyselystä väärät tiedot välitettäväksi työkalulle?
Jos näin kävi, sinun on ehkä tarkennettava työkalun description-kuvausta tai muokattava agentin pääkehotetta, jotta se ohjaisi agenttia paremmin.
Agentin logiikan korjaaminen
Jos agentin Thought:-vaihe vaikuttaa itsessään virheelliseltä, kyse on päättelyongelmasta. LLM saattaa:
- ymmärtää kokonaistavoitteen väärin
- jättää aiemmat
Observations:-havainnot huomioimatta - kamppailla monimutkaisten ohjeiden kanssa
Voit korjata ongelman selkeyttämällä agentin järjestelmäkehotetta, antamalla enemmän kontekstia tai jakamalla monimutkaiset tehtävät yksinkertaisemmiksi alitehtäviksi.
Silmukan katkaiseminen
Äärettömään silmukkaan juuttunut agentti tuottaa toistuvasti samankaltaisia Thought:-, Action:- ja Observation:-sarjoja etenemättä Final Answer:-vaiheeseen.
Yleisiä syitä ovat:
- epäselvät työkalukuvaukset
- työkalut, jotka palauttavat hyödyttömiä tai keskenään samanlaisia tuloksia
- kehotteet, joissa "valmis"-tilaa ei määritellä selkeästi
Tarkenna työkalukuvauksia, varmista työkalujen tuottavan toisistaan poikkeavia tuloksia tai lisää kehotteeseen selkeät pysäytysehdot.
Etsi virhe!
Agentti on suunniteltu tiivistämään tekstiä. Tässä on katkelma sen verbose-jäljityksestä, kun sitä pyydettiin tiivistämään "The quick brown fox jumps over the lazy dog":
Thought: I need to summarize the text.
Action: text_summarizer_tool
Action Input: What is the weather like?
Observation: The weather is sunny.
Thought: I need to summarize the text.
Action: text_summarizer_tool
Action Input: What is the weather like?
Observation: The weather is sunny.Mikä on tässä ensisijainen virheenkorjausongelma?
Agenttien virheenkorjaus: tärkeimmät opit
Onnittelut! Olet oppinut korjaamaan tekoälyagenttien virheitä järjestelmällisesti. Keskeiset opit:
- Käytä
verbose=True-parametria agentin sisäisen päättelyprosessin tuomiseen näkyviin. - Tarkastele vaiheita Thought, Action, Action Input ja Observation.
- Tunnista työkalun valintaan, työkalun syötteeseen tai LLM:n päättelyyn liittyvät ongelmat.
- Ratkaise äärettömät silmukat tarkentamalla kehotteita, työkalukuvauksia tai työkalujen tulosteita.
Onnistunutta virheenkorjausta ja entistä vankempien agenttien rakentamista!
Opi Tekoälyagentit LangChainilla ja autonomiset työnkulut tekoälytuutorin avulla — ilmaiseksi
Kirjoita ja suorita oikeaa koodia selaimessa, saa välitöntä apua tekoälytuutorilta ympäri vuorokauden ja jatka siitä, mihin jäit, verkossa tai sovelluksessa.
- Kurssit
- 12
- Oppitunnit
- 50
Usein kysytyt kysymykset
Onko oppitunti ”Agenttien päättelyprosessien virheenkorjaus” ilmainen?
Kyllä – oppitunnin ”Agenttien päättelyprosessien virheenkorjaus” koko tekstin voi lukea täällä verkossa ilmaiseksi. Jos haluat harjoitella interaktiivisesti sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla sekä avata koko Tekoälyagentit LangChainilla ja autonomiset työnkulut-kurssin, päivitä CoddyKit PROhon. Tekoälyagentit LangChainilla ja autonomiset työnkulut-kurssilla on yhteensä 4 oppituntia.
Mitä opin oppitunnilla ”Agenttien päättelyprosessien virheenkorjaus”?
Soveltakaa järjestelmällisiä lähestymistapoja agenttienne päättely- ja toimintaketjujen ongelmien tunnistamiseen ja ratkaisemiseen. Harjoittelet Tekoälyagentit LangChainilla ja autonomiset työnkulut-aihetta koodilla, jonka suoritat suoraan selaimessa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori vastaa kysymyksiisi oppitunnin aikana.
Tarvitsenko kokemusta aloittaakseni Tekoälyagentit LangChainilla ja autonomiset työnkulut-opiskelun?
Aiempi kokemus ei ole tarpeen. CoddyKitin Tekoälyagentit LangChainilla ja autonomiset työnkulut-oppimispolku sopii vasta-alkajista edistyneisiin, joten voit aloittaa tästä tai alusta ja edetä omaan tahtiisi. Tämä on oppitunti 2/4.
Kuinka kauan ”Agenttien päättelyprosessien virheenkorjaus”-oppitunnin suorittaminen kestää?
Useimmat CoddyKitin oppitunnit kestävät noin 5–10 minuuttia. Jokainen oppitunti on lyhyt ja interaktiivinen, joten edistyt tasaisesti ja voit jatkaa siitä, mihin jäit – sekä verkossa että sovelluksessa.
Voinko kirjoittaa ja suorittaa koodia tällä Tekoälyagentit LangChainilla ja autonomiset työnkulut-oppitunnilla?
Kyllä. Jokainen Tekoälyagentit LangChainilla ja autonomiset työnkulut-oppitunti sisältää sisäänrakennetun koodieditorin, joten voit kirjoittaa ja suorittaa oikeaa koodia suoraan selaimessa ja saada välitöntä palautetta tekoälyltä – paikallista asennusta ei tarvita.
Kaikki tämän kurssin oppitunnit
- LangSmith jäljitykseen ja valvontaan
- Agenttien päättelyprosessien virheenkorjaus
- Agentin suorituskyvyn arviointi
- Tokenien käytön ja kustannusten seuranta