Gérer la mémoire de l'agent

Agents IA avec Hugging Face smolagents

Adel Nehme

VP of AI Curriculum, DataCamp

Sans état par défaut

Chaque appel à .run() repart de zéro.

Exemple :

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?

Conserver la mémoire entre les échanges

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.

Passer 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
...

La mémoire aide aussi à déboguer

User: What's the expected salary?

Agent: It's $80,000

User: Wait, that seems wrong...

Agent: Sorry, I'm not sure what you mean

Examinez 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'usage des outils
Déboguer les réponses erronées ou la logique défaillante

Quel code l'agent a-t-il exécuté ?

La méthode .return_full_code() affiche tout le code exécuté.

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

# ...other steps omitted for brevity

salary = 80000  # <- hardcoded?

# script continues...

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

Enregistrer les sessions 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)

# Save memory to a file
save_agent_memory(career_advisor)

Les journaux peuvent aider pour :

Analyses a posteriori
Tests de régression
Améliorer le comportement de l'agent au fil du temps

Corriger les échecs de l'agent : quoi ajuster

Problèmes de mémoire : utilisez reset=False ou réinitialisez volontairement
Problèmes de raisonnement : essayez un modèle plus puissant
Comportement incohérent : améliorez l'invite système
Confusion d'outil : clarifiez les docstrings des outils

Passons à la pratique !

Agents IA avec Hugging Face smolagents