Piles d’objectifs et retour en arrière
Empilez les sous-objectifs, retirez-les de la pile une fois terminés et revenez en arrière dans les impasses : la planification classique de l’IA.
Piles d’objectifs et retour en arrière est une leçon AI Agents gratuite sur CoddyKit. Ceci est la leçon 2 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage AI Agents, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours AI Agents comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
Une pile d’objectifs
La planification classique en IA utilise une pile d’objectifs : utilisez push pour empiler les sous-objectifs au fur et à mesure qu’ils apparaissent, puis pop lorsqu’ils sont terminés. Les agents peuvent utiliser la même structure de données :
goal_stack = []
def push(goal):
goal_stack.append(goal)
def pop():
return goal_stack.pop() if goal_stack else None
def current():
return goal_stack[-1] if goal_stack else None
# --- demo ---
push('write the report')
push('collect the data')
print(f'Current goal: {current()}')
print(f'Popped: {pop()}')
print(f'Current goal after pop: {current()}')
Example: Refactoring Workflow
push('Refactor auth')
while current():
g = current()
if g == 'Refactor auth':
if not done('add_oauth_dep'):
push('Add OAuth dependency')
elif not done('replace_login'):
push('Replace login endpoint')
else:
pop() # done
elif g == 'Add OAuth dependency':
# ...actually do the work...
mark_done('add_oauth_dep')
pop()Retour en arrière
Lorsqu’un objectif échoue :
- Marquez-le comme échoué
- Revenez au parent avec pop
- Essayez une autre approche (d’autres sous-objectifs)
Backtracking Example
def attempt(goal):
for approach in [oauth, saml, custom_token]:
try:
return run_with(goal, approach)
except FailedException:
continue
raise NoApproachWorked(goal)Suivre les approches essayées
Évitez de réessayer la même approche qui a échoué. Notez ce qui a été tenté pour chaque objectif :
{
'goal_id': 'refactor-auth',
'tried': ['oauth', 'saml'],
'remaining_options': ['custom_token']
}Le LLM comme sélectionneur d’objectifs
Utilisez le LLM pour décider quel élément empiler ensuite avec push :
next_goal = llm.invoke(f'Current goal: {current()}. Done so far: {done_list}. What sub-goal next?').content
push(next_goal)Préconditions et effets
Inspirez-vous de la planification STRIPS : chaque action possède des préconditions (ce qui doit être vrai) et des effets (ce qui devient vrai) :
action = {
'name': 'replace_login',
'preconditions': ['oauth_dep_installed'],
'effects': ['login_endpoint_replaced']
}Boucle planification-action
Approche en deux phases :
- Planifier — le planificateur symbolique construit la pile d’objectifs
- Agir — l’agent exécute l’élément au sommet de la pile, met à jour l’état du monde et replanifie si nécessaire
Approche hybride symbolique + LLM
Pour les tâches avec des préconditions précises (opérations sur les fichiers, déploiements), utilisez un planificateur symbolique. Pour les parties floues, utilisez le LLM. Combinez les deux pour plus de robustesse.
Impasses
L’agent atteint parfois un état où aucune action n’est utile. Reconnaissez les impasses et revenez plus haut dans l’arbre :
if no_progress_in_n_steps(5):
pop_to_parent()
try_different_approach()Limiter la profondeur du retour en arrière
Un retour en arrière sans limite peut entraîner une boucle infinie. Fixez une profondeur et un nombre total d’itérations maximaux :
MAX_BACKTRACKS = 10
if backtrack_count >= MAX_BACKTRACKS:
escalate_to_human()Signaler les retours en arrière aux utilisateurs
Lorsque l’agent revient en arrière, dites-le à l’utilisateur : « OAuth n’a pas fonctionné, j’essaie SAML. » Cela maintient la confiance et lui permet d’intervenir rapidement.
Déclencheur du retour en arrière
Quand l’agent doit-il revenir en arrière depuis un sous-objectif ?
Récapitulatif
La pile d’objectifs indique où en est l’agent. Utilisez push pour empiler les sous-objectifs et pop pour retirer ceux qui sont terminés. Revenez en arrière dans les impasses. Combinez planification symbolique et jugement du LLM.
Apprends AI Agents avec un tuteur IA — gratuit
Écris et exécute du vrai code dans ton navigateur, obtiens de l'aide instantanée d'un tuteur IA disponible 24h/24, et reprends là où tu t'es arrêté sur le web ou dans l'app.
- Cours
- 60
- Leçons
- 239
Questions Fréquemment Posées
La leçon « Piles d’objectifs et retour en arrière » est-elle gratuite ?
Oui — le texte complet de « Piles d’objectifs et retour en arrière » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours AI Agents, passe à CoddyKit PRO. Le cours AI Agents comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Piles d’objectifs et retour en arrière » ?
Empilez les sous-objectifs, retirez-les de la pile une fois terminés et revenez en arrière dans les impasses : la planification classique de l’IA. Tu pratiques AI Agents avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer AI Agents ?
Aucune expérience préalable n'est requise. AI Agents sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 2 sur 4.
Combien de temps prend la leçon « Piles d’objectifs et retour en arrière » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon AI Agents ?
Oui. Chaque leçon AI Agents inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Décomposition hiérarchique des tâches
- Piles d’objectifs et retour en arrière
- Modèles du monde et anticipation
- Boucles de réflexion et d’autocritique