Agentenspeicher verwalten

AI-Agents mit Hugging Face smolagents

Adel Nehme

VP of AI Curriculum, DataCamp

Standardmäßig zustandslos

Jeder .run()-Aufruf ist ein Neustart.

Beispiel:

career_advisor.run("Welche Karrierefähigkeiten sollte ich hervorheben?")

Du solltest Python, SQL, Datenvisualisierung, 
Grundlagen des maschinellen Lernens und Kommunikationsfähigkeiten hervorheben, die auf Geschäftsergebnisse abgestimmt sind.

career_advisor.run("Kannst du diese Fähigkeiten als Aufzählungspunkte formatieren?")

Entschuldigung, ich bin mir nicht sicher, auf welche Fähigkeiten du dich beziehst. Kannst du das klären?

Speicher zwischen Interaktionen behalten

career_advisor.run("Welche Karrierefähigkeiten sollte ich hervorheben?")

Du solltest Python, SQL, Datenvisualisierung, 
Grundlagen des maschinellen Lernens und Kommunikationsfähigkeiten hervorheben, die auf Geschäftsergebnisse abgestimmt sind.

reset=False übergeben:

career_advisor.run("Kannst du diese Fähigkeiten als Aufzählungspunkte formatieren?", reset=False)

Klar! Hier sind die Fähigkeiten als Aufzählungspunkte:
- Python
- SQL
- Datenvisualisierung
...

Speicher hilft auch beim Debuggen

Benutzer: Wie hoch ist das erwartete Gehalt?

Agent: Es sind 80.000 $

Benutzer: Moment, das scheint falsch zu sein...

Agent: Entschuldigung, ich bin mir nicht sicher, was du meinst

Untersuche, was im Lauf des Agenten passiert ist:

Überprüfen des gesamten generierten Codes
Nachverfolgen von Überlegungen, Aktionen und Tool-Nutzung
Debuggen falscher Antworten oder fehlerhafter Logik

Welchen Code hat der Agent ausgeführt?

Die Methode .return_full_code() zeigt dir den gesamten ausgeführten Code.

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

# ...andere Schritte ausgelassen

salary = 80000  # <- fest codiert?

# Skript geht weiter...

Was dachte der Agent?

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 fand 15 relevante Fähigkeiten für den Übergang",
  "token_usage": {"total_tokens": 334},
  ...
}

Agentensitzungen für Analyse speichern

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)

# Speicher in Datei sichern
save_agent_memory(career_advisor)

Logs helfen bei:

Nachträglicher Analyse
Regressionstests
Verbesserung des Agentenverhaltens über die Zeit

Agentenfehler beheben: Was anpassen

Speicherprobleme: reset=False verwenden oder gezielt zurücksetzen
Denkprobleme: Stärkeres Modell ausprobieren
Inkonsistentes Verhalten: System-Prompt verbessern
Tool-Verwirrung: Tool-Dokstrings klären

Lass uns üben!

AI-Agents mit Hugging Face smolagents