LLMs revolutionieren verschiedene Felder und bewegen sich über webbasierte Chatbots hinaus, um sich in Unternehmen und Regierung zu integrieren. Ein wesentlicher Fortschritt ist die Erstellung von benutzerdefinierten Tools für KI -Agenten, die smolagents verwenden und ihre Fähigkeiten erweitern. smolagents ermöglichen KI -Agenten, Tools zu nutzen, Aktionen in definierten Umgebungen auszuführen und sogar mit anderen Agenten zu interagieren.
Dieser Ansatz verbessert die Autonomie der LLM-gestützten KI-Systeme und verbessert ihre Zuverlässigkeit für die vollständige Ausführung von End-to-End-Aufgaben.
smolagents für reale Szenarien.smolagents zu erstellen und zu integrieren.*Dieser Artikel ist Teil des *** Data Science Blogathon.
smolagents -BibliothekDieses Tutorial zielt auf intermediäre Entwickler und Datenprofis ab, die mit grundlegenden LLMs vertraut sind. Das Folgende wird angenommen:
transformers Library in Python.Weiterer empfohlener Hintergrund für optimales Lernen:
Betrachten Sie ChatGPT: Es beantwortet Fragen, schreibt Code und mehr. Diese Funktion erstreckt sich auf den Abschluss der Aufgabe - Sie stellen eine Anfrage an und führt die gesamte Aufgabe aus.
Zum Beispiel kann ein LLM das Web und die Vernunft durchsuchen. Wenn Sie diese kombinieren, kann es eine Reiseroute erstellen. Sie könnten sich fragen: "Planen Sie vom 1. bis 7. April einen Himachal Pradesh -Urlaub und konzentrieren sich auf Schnee, Skifahren, Seile und grüne Landschaften. Finden Sie die billigsten Flüge von Kolkata."
Die KI würde dann die Flugkosten vergleichen, Standorte vorschlagen und Hotels finden, wodurch ein Agentenansatz in der KI gezeigt wird.
Ein Agent verwendet ein LLM, das nur durch Text mit der externen Welt interagiert.
Der Agent empfängt Eingaben als Text, Gründe mit Sprache und Ausgabe von Text. Die Tools sind hier von entscheidender Bedeutung und bieten Werte, die der Agent verwendet, um seine Textantwort zu generieren. Aktionen können von Markttransaktionen bis zur Bildgenerierung reichen.
Der Workflow lautet: Verständnis -> Grund -> Interagieren oder im weiteren Sinne: Gedanken -> Aktion -> Beobachtung.
Ein AI -Agent umfasst:
smolagents können Sie eine Python -Funktion mit einem LLM erstellen, das für Funktionsaufrufe abgestimmt ist. Unser Beispiel umfasst Werkzeuge für Hundefakten, Timezone -Abruf und Bildgenerierung unter Verwendung eines Qwen LLM.
LLMs sind nicht mehr nur Text-Abschluss-Tools. Sie sind Komponenten in größeren Systemen, die häufig Eingaben von nicht generativen KI-Teilen benötigen.
Werkzeuge überbrücken die Lücke zwischen Genai und anderen Systemkomponenten. LLMs haben Einschränkungen:
Deterministische Tools befassen sich mit diesen Problemen.
smolagents -Bibliothek smolagents (umarmendes Gesicht) ist ein Rahmen für Bauherren. Im Gegensatz zu einigen Bibliotheken, die JSON ausgeben, gibt smolagents den Python -Code direkt aus und verbessert die Effizienz.
Das Github -Repository enthält:
Gradio_UI.py : Gradio UI -Code für die Benutzerinteraktion.agent.json : Agentenkonfiguration.requirements.txt : Projektabhängigkeiten.prompts.yaml : Beispielaufforderungen und Antworten (mit Jinja Templating).app.py : Die Kernanwendungslogik.Wir werden eine Hundefakten -API verwenden ( https://www.php.cn/link/0feaf58e2a12936c84c2510541b6e75a ). Um eine Python -Funktion vom AI -Agenten verwendbar zu machen:
@tool Decorator. @Werkzeug
Def get_amazing_dog_fact ()-> str:
"" "Holt eine zufällige Hunde -Tatsache von einer öffentlichen API." "" "
# ... (API -Anruf- und Fehlerbehandlung) ...Ein Zeitzone -Werkzeug:
@Werkzeug
Def get_current_time_in_timezone (timezone: str) -> str:
"" "Erhält die aktuelle Zeit in einer bestimmten Zeitzone." "" "
# ... (Timezone -Handling) ...Ein Tool für Bildgenerierung kann auch integriert werden:
Image_Generation_tool = load_tool ("Agents-Course/Text-to-Image", Trust_Remote_Code = true)Das QWEN2.5-CODER-32B-ISTRECT-Modell wird verwendet (erfordert die Anwendung für den Zugriff):
Modell = hfapimodel (
max_tokens = 2096,
Temperatur = 0,5,
model_id = 'qwen/qwen2.5-coder-32b-instruct',
# ...
) Eingabeaufforderungen werden von prompts.yaml geladen.Yaml. Der Agent wird erstellt:
Agent = CodeAnt (
Modell = Modell,
Tools = [get_amazing_dog_fact, get_current_time_in_timezone, image_generation_tool],
# ...
) Das tools -Argument listet die verfügbaren Funktionen auf.
Der Agent kann auf umarmenden Gesichtsräumen eingesetzt werden.
KI -Agenten verbessern die LLM -Funktionen durch Integration der Tools, erhöhen die Autonomie und ermöglichen die Erfüllung komplexer Aufgaben. smolagents vereinfachen die Erstellung von Agenten und benutzerdefinierte Tools erweitern die Funktionalität über die Standard -LLMs hinaus. Die Bereitstellung auf Plattformen wie dem Umarmung von Gesichtsräumen erleichtert das Teilen und Interaktion einfach.
Q1. Was ist ein AI -Agent? Ein AI-Agent ist ein LLM-System, das mit Tools interagiert, um Aufgaben auszuführen.
Q2. Warum benötigen benutzerdefinierte Tools? Sie ermöglichen Echtzeit-Datenzugriff, Befehlsausführung und Aktionen über LLM-Funktionen hinaus.
Q3. Was ist smolagents ? Ein umarmendes Gesichtsgerüst zum Erstellen von KI -Agenten mit benutzerdefinierten Tools.
Q4. Wie erstelle ich benutzerdefinierte Tools? Definieren Sie Funktionen, dekorieren Sie mit @tool und in den Agenten integrieren.
Q5. Wo können Sie bereitstellen? Plattformen wie umarme Gesichtsräume.
(Hinweis: Es wird angenommen, dass Bilder wie in der ursprünglichen Eingabe aufgenommen werden.)
Das obige ist der detaillierte Inhalt vonErstellen von benutzerdefinierten Werkzeugen für KI -Agenten mit Smolagents. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
![[Web-Frontend] Node.js-Schnellstart](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
