Gestionar la Memoria del Agente
Agentes de IA con Hugging Face smolagents
Adel Nehme
VP of AI Curriculum, DataCamp
Sin Estado por Defecto
Cada llamada a .run() es un nuevo comienzo.
- Ejemplo:
career_advisor.run("¿Qué habilidades profesionales debo destacar?")
Deberías destacar Python, SQL, visualización de datos,
fundamentos de aprendizaje automático y habilidades de comunicación adaptadas a resultados empresariales.
career_advisor.run("¿Puedes formatear esas habilidades como viñetas?")
Lo siento, no estoy seguro a qué habilidades te refieres. ¿Podrías aclararlo?
Retener Memoria Entre Interacciones
career_advisor.run("¿Qué habilidades profesionales debo destacar?")
Deberías destacar Python, SQL, visualización de datos,
fundamentos de aprendizaje automático y habilidades de comunicación adaptadas a resultados empresariales.
- Pasar
reset=False:
career_advisor.run("¿Puedes formatear esas habilidades como viñetas?", reset=False)
¡Claro! Aquí están las habilidades como viñetas:
- Python
- SQL
- Visualización de datos
...
La Memoria También Ayuda a Depurar
Usuario: ¿Cuál es el salario esperado?
Agente: Es $80,000
Usuario: Espera, eso parece incorrecto...
Agente: Lo siento, no estoy seguro a qué te refieres
Inspecciona qué pasó en la ejecución del agente:
- Revisar todo el código generado por el agente
- Rastrear su razonamiento, acciones y uso de herramientas
- Depurar respuestas incorrectas o lógica defectuosa
¿Qué Código Ejecutó el Agente?
El método .return_full_code() te permite ver todo el código ejecutado.
executed_code = career_advisor.memory.return_full_code()
print(executed_code)
# ...otros pasos omitidos por brevedad
salary = 80000 # <- ¿fijo?
# el script continúa...
¿Qué Pensaba el Agente?
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 encontró 15 habilidades relevantes para la transición",
"token_usage": {"total_tokens": 334},
...
}
Guardar Sesiones del Agente para Análisis
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)
# Guardar memoria en un archivo
save_agent_memory(career_advisor)
Los registros pueden ayudar con:
- Análisis posterior
- Pruebas de regresión
- Mejorar el comportamiento del agente con el tiempo
Corregir Fallos del Agente: Qué Ajustar
- Problemas de memoria: Usa
reset=Falseo reinicia intencionalmente - Problemas de razonamiento: Prueba un modelo más fuerte
- Comportamiento inconsistente: Mejora el mensaje del sistema
- Confusión de herramientas: Aclara las docstrings de las herramientas
¡Vamos a practicar!
Agentes de IA con Hugging Face smolagents
