Tumpukan Tujuan dan Pelacakan Mundur
Dorong subtujuan ke dalam tumpukan, keluarkan setelah selesai, dan lakukan penelusuran mundur saat menemui jalan buntu—perencanaan kecerdasan buatan klasik.
Tumpukan Tujuan dan Pelacakan Mundur adalah pelajaran AI Agents gratis di CoddyKit. Ini adalah pelajaran 2 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar AI Agents, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus AI Agents mencakup 4 pelajaran total.
Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.
Tumpukan Tujuan
Perencanaan AI klasik menggunakan tumpukan tujuan: lakukan push pada sub-tujuan saat Anda menemukannya, lalu lakukan pop ketika selesai. Agen dapat menggunakan struktur data yang sama:
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()Pelacakan Mundur
Ketika tujuan gagal:
- Tandai sebagai gagal
- Lakukan pop kembali ke induknya
- Coba pendekatan yang berbeda (sub-tujuan yang berbeda)
Backtracking Example
def attempt(goal):
for approach in [oauth, saml, custom_token]:
try:
return run_with(goal, approach)
except FailedException:
continue
raise NoApproachWorked(goal)Lacak Pendekatan yang Telah Dicoba
Hindari mencoba kembali pendekatan gagal yang sama. Lacak apa saja yang telah dicoba untuk setiap tujuan:
{
'goal_id': 'refactor-auth',
'tried': ['oauth', 'saml'],
'remaining_options': ['custom_token']
}LLM sebagai Pemilih Tujuan
Gunakan LLM untuk menentukan hal yang akan di-push berikutnya:
next_goal = llm.invoke(f'Current goal: {current()}. Done so far: {done_list}. What sub-goal next?').content
push(next_goal)Prasyarat dan Dampak
Ambil dari perencanaan STRIPS: setiap tindakan memiliki prasyarat (hal yang harus benar) dan dampak (hal yang menjadi benar):
action = {
'name': 'replace_login',
'preconditions': ['oauth_dep_installed'],
'effects': ['login_endpoint_replaced']
}Perulangan Perencanaan vs Tindakan
Pendekatan dua fase:
- Rencanakan — perencana simbolis membangun tumpukan tujuan
- Bertindak — agen menjalankan bagian teratas tumpukan, memperbarui keadaan dunia, dan menyusun ulang rencana jika diperlukan
Simbolis + LLM Hibrida
Untuk tugas dengan prasyarat yang jelas (operasi berkas, penerapan), gunakan perencana simbolis. Untuk bagian yang samar, gunakan LLM. Gabungkan keduanya untuk meningkatkan ketangguhan.
Jalan Buntu
Terkadang agen mencapai keadaan ketika tidak ada tindakan yang membantu. Kenali jalan buntu dan lakukan pelacakan mundur lebih jauh:
if no_progress_in_n_steps(5):
pop_to_parent()
try_different_approach()Batasi Kedalaman Pelacakan Mundur
Pelacakan mundur tanpa batas dapat berulang selamanya. Batasi kedalaman dan jumlah iterasi:
MAX_BACKTRACKS = 10
if backtrack_count >= MAX_BACKTRACKS:
escalate_to_human()Tampilkan Pelacakan Mundur kepada Pengguna
Saat agen melakukan pelacakan mundur, beri tahu pengguna: "OAuth tidak berhasil, mencoba SAML." Hal ini menjaga kepercayaan dan memungkinkan mereka melakukan intervensi lebih awal.
Pemicu Pelacakan Mundur
Kapan agen harus melakukan pelacakan mundur dari suatu sub-tujuan?
Ringkasan
Tumpukan tujuan melacak "di mana saya berada?" bagi agen. Lakukan push pada sub-tujuan, pop pada tujuan yang selesai, dan lakukan pelacakan mundur saat menemui jalan buntu. Gabungkan perencanaan simbolis dengan penilaian LLM.
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Tumpukan Tujuan dan Pelacakan Mundur” gratis?
Ya — teks lengkap “Tumpukan Tujuan dan Pelacakan Mundur” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus AI Agents, upgrade ke CoddyKit PRO. Kursus AI Agents mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Tumpukan Tujuan dan Pelacakan Mundur”?
Dorong subtujuan ke dalam tumpukan, keluarkan setelah selesai, dan lakukan penelusuran mundur saat menemui jalan buntu—perencanaan kecerdasan buatan klasik. Kamu berlatih AI Agents dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai AI Agents?
Tidak diperlukan pengalaman sebelumnya. AI Agents di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 2 dari 4.
Berapa lama pelajaran “Tumpukan Tujuan dan Pelacakan Mundur” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran AI Agents ini?
Ya. Setiap pelajaran AI Agents menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Dekomposisi Tugas Hierarkis
- Tumpukan Tujuan dan Pelacakan Mundur
- Model Dunia dan Prediksi Langkah Berikutnya
- Siklus Refleksi dan Kritik Mandiri