Gerenciando a Memória do Agente

Agentes de IA com Hugging Face smolagents

Adel Nehme

VP of AI Curriculum, DataCamp

Sem Estado por Padrão

Cada chamada .run() é um novo começo.

Exemplo:

career_advisor.run("Quais habilidades de carreira devo destacar?")

Você deve destacar Python, SQL, visualização de dados, 
fundamentos de aprendizado de máquina e habilidades de comunicação voltadas para resultados de negócios.

career_advisor.run("Você pode formatar essas habilidades como tópicos?")

Desculpe, não tenho certeza de quais habilidades você está se referindo. Pode esclarecer?

Retendo Memória Entre Interações

career_advisor.run("Quais habilidades de carreira devo destacar?")

Você deve destacar Python, SQL, visualização de dados, 
fundamentos de aprendizado de máquina e habilidades de comunicação voltadas para resultados de negócios.

Passe reset=False:

career_advisor.run("Você pode formatar essas habilidades como tópicos?", reset=False)

Claro! Aqui estão as habilidades como tópicos:
- Python
- SQL
- Visualização de dados
...

A Memória Também Ajuda a Depurar

Usuário: Qual é o salário esperado?

Agente: É $80,000

Usuário: Espere, isso parece errado...

Agente: Desculpe, não tenho certeza do que você quer dizer

Inspecione o que aconteceu na execução do agente:

Revisando todo o código gerado pelo agente
Rastreando seu raciocínio, ações e uso de ferramentas
Depurando respostas incorretas ou lógica quebrada

Qual Código o Agente Executou?

O método .return_full_code() permite ver todo o código executado.

executed_code = career_advisor.memory.return_full_code()
print(executed_code)

# ...outros passos omitidos para brevidade

salary = 80000  # <- hardcoded?

# script continua...

O Que o Agente Estava Pensando?

conversation_steps = career_advisor.memory.get_succinct_steps()
print(conversation_steps[5])

{
  "step_number": 5,
  "tool_calls": [
    {"function": {"name": "python_interpreter"}},
    {"function": {"name": "web_search"}}
  ],
  "code_action": "import requests\nskills = requests.get('api.jobsearch.com').json()",
  "observations": "resume_agent encontrou 15 habilidades relevantes para transição",
  "token_usage": {"total_tokens": 334},
  ...
}

Salvar Sessões do Agente para Análise

import json

def save_agent_memory(agent):
    with open("agent_memory.json", "w") as f:
        json.dump(agent.memory.get_succinct_steps(), f, indent=2, default=str)

# Salvar memória em um arquivo
save_agent_memory(career_advisor)

Logs podem ajudar com:

Análise pós-fato
Testes de regressão
Melhorar o comportamento do agente ao longo do tempo

Corrigindo Falhas do Agente: O Que Ajustar

Problemas de memória: Use reset=False ou redefina intencionalmente
Problemas de raciocínio: Tente um modelo mais forte
Comportamento inconsistente: Melhore o prompt do sistema
Confusão de ferramentas: Esclareça as docstrings das ferramentas

Vamos praticar!

Agentes de IA com Hugging Face smolagents