Zarządzanie pamięcią agenta

Agenty AI z Hugging Face smolagents

Adel Nehme

VP of AI Curriculum, DataCamp

Domyślnie bezstanowy

Każde wywołanie .run() zaczyna od nowa.

Przykład:

career_advisor.run("What career skills should I highlight?")

You should highlight Python, SQL, data visualization, 
machine learning fundamentals, and communication skills tailored to business outcomes.

career_advisor.run("Can you format those skills as bullet points?")

Sorry, I'm not sure which skills you're referring to. Could you clarify?

Zachowywanie pamięci między interakcjami

career_advisor.run("What career skills should I highlight?")

You should highlight Python, SQL, data visualization, 
machine learning fundamentals, and communication skills tailored to business outcomes.

Przekaż reset=False:

career_advisor.run("Can you format those skills as bullet points?", reset=False)

Sure! Here are the skills as bullet points:
- Python
- SQL
- Data visualization
...

Pamięć pomaga też w debugowaniu

Użytkownik: Jakie jest oczekiwane wynagrodzenie?

Agent: Wynosi 80 000 USD

Użytkownik: Poczekaj, to chyba błąd...

Agent: Przepraszam, nie rozumiem, o co chodzi

Sprawdź, co działo się podczas działania agenta:

Przegląd całego wygenerowanego kodu
Śledzenie rozumowania, działań i użycia narzędzi
Debugowanie błędnych odpowiedzi lub logiki

Jaki kod wykonał agent?

Metoda .return_full_code() pokazuje cały wykonany kod.

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

# ...other steps omitted for brevity

salary = 80000  # <- hardcoded?

# script continues...

Co myślał 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 found 15 relevant skills for transition",
  "token_usage": {"total_tokens": 334},
  ...
}

Zapisywanie sesji agenta do analizy

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)

# Save memory to a file
save_agent_memory(career_advisor)

Logi przydają się do:

Analizy post-hoc
Testów regresji
Ulepszania zachowania agenta

Naprawianie błędów agenta: co dostosować

Problemy z pamięcią: Użyj reset=False lub zresetuj ręcznie
Błędy rozumowania: Wypróbuj mocniejszy model
Niespójne działanie: Popraw prompt systemowy
Mylenie narzędzi: Doprecyzuj docstringi narzędzi

Czas na ćwiczenia!

Agenty AI z Hugging Face smolagents