Geheugenbeheer van Agent

AI-agents met Hugging Face smolagents

Adel Nehme

VP of AI Curriculum, DataCamp

Standaard Zonder Status

Elke .run() oproep is een nieuwe start.

Voorbeeld:

career_advisor.run("Welke carrièrevaardigheden moet ik benadrukken?")

Je moet Python, SQL, datavisualisatie, 
machine learning basisprincipes en communicatievaardigheden gericht op bedrijfsresultaten benadrukken.

career_advisor.run("Kun je die vaardigheden als opsommingstekens formatteren?")

Sorry, ik weet niet zeker welke vaardigheden je bedoelt. Kun je verduidelijken?

Geheugen Behouden Tussen Interacties

career_advisor.run("Welke carrièrevaardigheden moet ik benadrukken?")

Je moet Python, SQL, datavisualisatie, 
machine learning basisprincipes en communicatievaardigheden gericht op bedrijfsresultaten benadrukken.

Pass reset=False:

career_advisor.run("Kun je die vaardigheden als opsommingstekens formatteren?", reset=False)

Zeker! Hier zijn de vaardigheden als opsommingstekens:
- Python
- SQL
- Datavisualisatie
...

Geheugen Helpt Ook Bij Debuggen

Gebruiker: Wat is het verwachte salaris?

Agent: Het is $80,000

Gebruiker: Wacht, dat lijkt niet te kloppen...

Agent: Sorry, ik weet niet zeker wat je bedoelt

Inspecteer wat er gebeurde in de run van de agent:

Alle gegenereerde code van de agent bekijken
Zijn redenering, acties en hulpmiddelgebruik traceren
Foute antwoorden of gebroken logica debuggen

Welke Code Voerde de Agent Uit?

De methode .return_full_code() laat je alle uitgevoerde code zien.

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

# ...andere stappen weggelaten voor beknoptheid

salary = 80000  # <- hardcoded?

# script gaat verder...

Wat Dacht de 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 vond 15 relevante vaardigheden voor overgang",
  "token_usage": {"total_tokens": 334},
  ...
}

Agent Sessies Opslaan voor 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)

# Sla geheugen op in een bestand
save_agent_memory(career_advisor)

Logboeken kunnen helpen bij:

Achteraf analyse
Regressietesten
Verbeteren van agentgedrag in de tijd

Agent Fouten Oplossen: Wat Aanpassen

Geheugenproblemen: Gebruik reset=False of reset bewust
Redeneerproblemen: Probeer een sterker model
Inconsistent gedrag: Verbeter systeem prompt
Hulpmiddelverwarring: Verduidelijk hulpmiddel docstrings

Laten we oefenen!

AI-agents met Hugging Face smolagents