Arbeiten mit mehrstufigen Agenten

AI-Agents mit Hugging Face smolagents

Adel Nehme

VP of AI Curriculum, DataCamp

Beispiel: Reiseassistent

Planungsintervalle: Agenten neu denken lassen

agent = CodeAgent(
    tools=[document_search_tool],
    model=model,
    planning_interval=3,
    max_steps=12
)

planning_interval=3: Agent pausiert nach jedem 3. Schritt.

Agentenlauf mit Planungsintervallen

"Plane einen zweiwöchigen Familienurlaub in Europa mit historischen Stätten für Erwachsene und Spaßaktivitäten für Kinder, unter 5000 $."

[Schritt 1] Suche "Hotels in Paris" -> Luxushotels gefunden (~4000 $ gesamt)

[Schritt 2] Suche "Attraktionen in Paris für Familien" -> Eiffelturm, Louvre, Freizeitpark-Tickets gefunden

[Schritt 3] Pause und neu denken (Planungsintervall) Hotels sind zu teuer -> Budget überschritten. Ich sollte günstigere Optionen + kinderfreundliche Aktivitäten suchen.

[Schritt 4] Suche "günstige Familienhotels in Europa" -> Mittelklasseoptionen in mehreren Städten gefunden

Callbacks: Einblicke in den Agentenprozess

Einfache Callback-Funktion

def callback_function(agent_step, agent):
    # Mach etwas mit dem Agentenschritt oder dem Agenten selbst
    pass

agent_step: Details zum Schritt (Plan, Schrittnummer, etc.)
agent: das vollständige Agentenobjekt (Zustand + Methoden)

Planungsschritt-Callbacks

def planning_callback(agent_step, agent):
    print("AGENTENPLANUNG")
    print("=" * 50)
    print(agent_step.plan[:300])
    if len(agent_step.plan) > 300:
        print("\n... (Plan gekürzt)")
    print("=" * 50)

AGENTENPLANUNG
==================================================
Suche günstige Hotels + Kinderaktivitäten
Dann erstelle ausgewogenen Reiseplan...
... (Plan gekürzt)
==================================================

Aktionsschritt-Callbacks

def action_callback(agent_step, agent):
    step_num = agent_step.step_number
    print(f"Schritt {step_num}: Aktion ausführen")

    if agent_step.is_final_answer:
        total_tokens = agent_step.token_usage.total_tokens
        print(f"Verwendete Tokens insgesamt: {total_tokens}")

Schritt 2: Aktion ausführen!
Schritt 3: Aktion ausführen!
Schritt 4: Aktion ausführen!
Verwendete Tokens insgesamt: 4,218

Callbacks zu Agenten hinzufügen

from smolagents import ActionStep, PlanningStep

agent = CodeAgent(
    tools=[document_search_tool],
    model=model,
    step_callbacks={PlanningStep: planning_callback, ActionStep: action_callback}
)

Was kann man mit Callbacks machen?

Suchprotokolle führen, um zu verstehen, wonach Nutzer am meisten suchen
Menschliche Genehmigungspunkte hinzufügen
Fortschrittsupdates an Dashboards oder Apps senden
Agentenverhalten während des Laufs basierend auf Leistung anpassen
Und mehr...

Lass uns üben!

AI-Agents mit Hugging Face smolagents