Gestion de la mémoire de l'agent

Agents IA avec Hugging Face smolagents

Adel Nehme

VP of AI Curriculum, DataCamp

Sans état par défaut

Chaque appel .run() est un nouveau départ.

Exemple :

career_advisor.run("Quelles compétences professionnelles devrais-je mettre en avant ?")

Vous devriez mettre en avant Python, SQL, visualisation de données, 
les bases de l'apprentissage automatique et les compétences en communication adaptées aux résultats commerciaux.

career_advisor.run("Pouvez-vous formater ces compétences en puces ?")

Désolé, je ne suis pas sûr des compétences auxquelles vous faites référence. Pourriez-vous préciser ?

Conserver la mémoire entre les interactions

career_advisor.run("Quelles compétences professionnelles devrais-je mettre en avant ?")

Vous devriez mettre en avant Python, SQL, visualisation de données, 
les bases de l'apprentissage automatique et les compétences en communication adaptées aux résultats commerciaux.

Passez reset=False :

career_advisor.run("Pouvez-vous formater ces compétences en puces ?", reset=False)

Bien sûr ! Voici les compétences sous forme de puces :
- Python
- SQL
- Visualisation de données
...

La mémoire vous aide aussi à déboguer

Utilisateur : Quel est le salaire attendu ?

Agent : C'est 80 000 $

Utilisateur : Attendez, cela semble incorrect...

Agent : Désolé, je ne suis pas sûr de ce que vous voulez dire

Inspectez ce qui s'est passé lors de l'exécution de l'agent :

Revoir tout le code généré par l'agent
Suivre son raisonnement, ses actions et l'utilisation des outils
Déboguer les réponses incorrectes ou la logique défaillante

Quel code l'agent a-t-il exécuté ?

La méthode .return_full_code() vous permet de voir tout le code exécuté.

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

# ...autres étapes omises pour la concision

salary = 80000  # <- codé en dur ?

# le script continue...

À quoi pensait l'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 a trouvé 15 compétences pertinentes pour la transition",
  "token_usage": {"total_tokens": 334},
  ...
}

Sauvegarder les sessions de l'agent pour analyse

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)

# Sauvegarder la mémoire dans un fichier
save_agent_memory(career_advisor)

Les journaux peuvent aider à :

Analyse a posteriori
Tests de régression
Amélioration du comportement de l'agent au fil du temps

Corriger les échecs de l'agent : que modifier

Problèmes de mémoire : Utilisez reset=False ou réinitialisez intentionnellement
Problèmes de raisonnement : Essayez un modèle plus puissant
Comportement incohérent : Améliorez l'invite système
Confusion d'outils : Clarifiez les docstrings des outils

Passons à la pratique !

Agents IA avec Hugging Face smolagents