AI-agenter med LangChain og autonome arbeidsflyter · leksjon

Feilsøking av agenters tankeprosesser

Bruk systematiske metoder for å identifisere og løse problemer i agentens resonnering og handlingssekvenser

Leksjon 2 av 411 trinn

Feilsøking av agenters tankeprosesser er en gratis leksjon i AI-agenter med LangChain og autonome arbeidsflyter på CoddyKit. Dette er leksjon 2 av 4. Du kan lese hele leksjonen gratis nedenfor – og deretter øve praktisk i nettleseren med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i AI-agenter med LangChain og autonome arbeidsflyter, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i AI-agenter med LangChain og autonome arbeidsflyter inneholder totalt 4 leksjoner.

Feilsøke agentens tanker

Har De noen gang opplevd at en AI-agent gir et merkelig svar eller setter seg fast? Feilsøking av agenter er ikke det samme som feilsøking av vanlig kode. I stedet for bare å lete etter syntaksfeil må vi forstå agentens «tankeprosess».

I denne leksjonen lærer De å se inn i agentens indre for å forstå hvorfor den tar bestemte avgjørelser, og hvordan De kan korrigere resonnementet.

Agentens indre stemme

En AI-agent gir ikke bare et endelig svar. Internt går den gjennom en rekke «tanker». Disse tankene omfatter:

Reasoning: Hva er det beste neste trinnet?
Tool Selection: Hvilket verktøy bør jeg bruke?
Tool Input: Hvilke inndata bør jeg gi verktøyet?
Observation: Hva ble resultatet av å bruke verktøyet?

Ved å undersøke denne sekvensen kan vi finne ut hvor agentens logikk kan svikte.

Vanlige agentproblemer

Agenter kan feile på flere måter utover vanlige kodefeil:

Feil verktøy: Velger et verktøy som ikke er relevant for oppgaven.
Feil verktøyinndata: Gir et verktøy feilaktige eller ugyldig formaterte inndata.
Resonneringsfeil: Tolker problemet eller verktøyobservasjonene feil.
Uendelige løkker: Setter seg fast i en repetitiv syklus av tanker og handlinger.
Hallusinasjoner: Finner på fakta eller gir informasjon som er overbevisende, men feil.

Hvis De forstår disse problemene, vet De hva De bør se etter.

Se agentens trinn med Verbose

LangChain tilbyr en enkel måte å se agentens interne trinn på: parameteren verbose=True. Når De angir denne, skriver agenten ut hele tankeprosessen til konsollen mens den kjører.

Denne «loggen» inneholder hver Thought, Action, Action Input og Observation, slik at De får et fullstendig bilde av beslutningsprosessen.

Trace en grunnleggende agent

La oss se verbose=True i praksis. Denne agenten bruker et enkelt verktøy for å hente informasjon. Følg med på utdataene i konsollen!

Merk: Denne koden krever en OpenAI API-nøkkel. Angi OPENAI_API_KEY som en miljøvariabel, eller fjern kommentaren og erstatt "YOUR_KEY".

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?"})

Tolke agentlogger

De detaljerte utdataene viser en tydelig sekvens:

> Entering new AgentExecutor chain...: Agenten starter.
Thought:: LLM-ens resonnement for neste trinn.
Action:: Navnet på det valgte verktøyet.
Action Input:: Argumentene som sendes til verktøyet.
Observation:: Resultatet som verktøyet returnerer.
Final Answer:: Agentens endelige svar etter tankeprosessen.

Denne strukturen er veikartet Deres for feilsøking!

Feil verktøy for oppgaven?

Et vanlig problem er at agenten velger feil verktøy eller oppgir feil inndata. Se på linjene Action: og Action Input:.

Valgte den et verktøy som ikke passer til forespørselen?
Hentet den ut feil informasjon fra forespørselen for å sende den til verktøyet?

I så fall kan De måtte forbedre verktøyets description eller justere agentens hovedprompt for å veilede den bedre.

Korrigere agentens logikk

Hvis selve agentens Thought: virker feil, er problemet knyttet til resonnementet. LLM-en kan:

Misforstå det overordnede målet.
Ikke ta hensyn til tidligere Observations:.
Ha problemer med komplekse instruksjoner.

For å løse dette kan De presisere agentens systemprompt, gi mer kontekst eller dele komplekse oppgaver opp i enklere deloppgaver.

Bryte løkken

En agent som sitter fast i en uendelig løkke, genererer gjentatte ganger lignende sekvenser med Thought:, Action: og Observation: uten å komme frem til et Final Answer:.

Vanlige årsaker er:

Utydelige verktøybeskrivelser.
Verktøy som returnerer lite nyttige eller identiske resultater.
Prompter som ikke tydelig definerer en «completion»-tilstand.

Forbedre verktøybeskrivelsene, sørg for at verktøyene gir ulike utdata, eller legg til eksplisitte stoppbetingelser i prompten.

Finn feilen!

En agent er utviklet for å oppsummere tekst. Her er et utdrag fra den detaljerte tracen når den blir bedt om å oppsummere «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.

Hva er det viktigste feilsøkingsproblemet her?

Besvar den i den interaktive leksjonen

Feilsøking av agenter: Viktige læringspunkter

Gratulerer! De har lært hvordan De systematisk kan feilsøke AI-agenter. Viktige punkter:

Bruk verbose=True for å synliggjøre agentens interne tankeprosess.
Undersøk Thought, Action, Action Input og Observation.
Finn problemer med verktøyvalg, verktøyinndata eller LLM-ens resonnement.
Håndter uendelige løkker ved å forbedre prompter, verktøybeskrivelser eller verktøyutdata.

Lykke til med feilsøkingen, og bygg mer robuste agenter!

Gratis å komme i gang

Lær deg AI-agenter med LangChain og autonome arbeidsflyter med en AI-veileder – gratis

Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.

Kurs: 12
Leksjoner: 50

Start læringen gratis Se hele kurset

Ofte stilte spørsmål

Er leksjonen «Feilsøking av agenters tankeprosesser» gratis?

Ja – hele teksten i «Feilsøking av agenters tankeprosesser» er gratis å lese her på nettet. For å øve interaktivt med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt, og for å låse opp resten av AI-agenter med LangChain og autonome arbeidsflyter-kurset, kan du oppgradere til CoddyKit PRO. Kurset i AI-agenter med LangChain og autonome arbeidsflyter inneholder totalt 4 leksjoner.

Hva lærer jeg i «Feilsøking av agenters tankeprosesser»?

Bruk systematiske metoder for å identifisere og løse problemer i agentens resonnering og handlingssekvenser Du øver på AI-agenter med LangChain og autonome arbeidsflyter med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.

Trenger jeg erfaring for å begynne med AI-agenter med LangChain og autonome arbeidsflyter?

Ingen tidligere erfaring er nødvendig. AI-agenter med LangChain og autonome arbeidsflyter på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 2 av 4.

Hvor lang tid tar leksjonen «Feilsøking av agenters tankeprosesser»?

De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.

Kan jeg skrive og kjøre kode i denne AI-agenter med LangChain og autonome arbeidsflyter-leksjonen?

Ja. Alle AI-agenter med LangChain og autonome arbeidsflyter-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.

Alle leksjonene i dette kurset

← Tilbake til AI-agenter med LangChain og autonome arbeidsflyter