Smolagents를 사용하는 AI 에이전트를위한 맞춤형 도구 구축-일체 포함-php.cn

LLM은 다양한 분야에 혁명을 일으켜 웹 기반 챗봇을 넘어서 기업과 정부에 통합됩니다. 상당한 발전은 smolagents 사용하는 AI 에이전트를위한 맞춤형 도구를 만들어 기능을 확장하는 것입니다. smolagents AI 에이전트가 도구를 활용하고, 정의 된 환경 내에서 행동을 수행하며, 다른 에이전트와 상호 작용할 수 있도록합니다.

이 접근법은 LLM 기반 AI 시스템의 자율성을 향상시켜 완전한 엔드 투 엔드 작업 실행에 대한 신뢰성을 향상시킵니다.

학습 목표

AI 에이전트, 전통적인 LLM과의 구별 및 사용자 정의 도구를 사용한 최신 AI 애플리케이션에서의 역할을 이해하십시오.
AI 에이전트가 실시간 데이터 액세스, 작업 실행 및 개선 된 의사 결정을위한 사용자 정의 도구가 필요한 이유를 살펴보십시오.
실제 시나리오를 위해 smolagents 사용하여 AI 에이전트를 통합하고 배포하는 데 실질적인 경험을 얻습니다.
smolagents 사용하여 향상된 AI 에이전트 기능을위한 사용자 정의 도구를 작성하고 통합하는 법을 배웁니다.
사용자 정의 도구를 사용하는 AI 에이전트와의 마스터 호스팅 및 상호 작용으로보다 대화식적이고 지능적인 챗봇 경험을 만듭니다.

*이 기사는 *** Data Science Blogathon의 일부입니다.

전제 조건

이 튜토리얼은 기본 LLM에 익숙한 중간 개발자 및 데이터 전문가를 대상으로합니다. 다음은 다음과 같이 가정합니다.

중간 파이썬 프로그래밍 기술.
코드의 기본 LLM 사용.
Genai 생태계에 대한 친숙 함.
Python의 Hugging Face 플랫폼 및 transformers Library에 대한 기본적인 이해.

최적의 학습을위한 추가 권장 배경 :

Langchain 또는 Ollama와 같은 LLM 라이브러리에 대한 경험.
기본 기계 학습 이론 지식.
API 사용 및 API 응답으로 문제 해결.

생성 AI의 에이전트 이해

Chatgpt를 고려하십시오 : 질문에 답하고 코드를 작성합니다. 이 기능은 작업 완료로 확장됩니다. 요청을 제공하고 전체 작업을 실행합니다.

예를 들어, LLM은 웹과 이유를 검색 할 수 있습니다. 이것들을 결합하면 여행 일정을 만들 수 있습니다. "4 월 1 일부터 7 일까지 히 마찰 프라데시 휴가를 계획하여 눈, 스키, 로프웨이 및 녹색 풍경에 중점을 둡니다. 콜카타에서 가장 저렴한 항공편을 찾으십시오."

AI는 비행 비용을 비교하고, 위치를 제안하며, 호텔을 찾아 AI에서 에이전트 접근법을 보여줍니다.

에이전트 워크 플로

에이전트는 텍스트를 통해서만 외부 세계와 상호 작용하는 LLM을 사용합니다.

Smolagents를 사용하는 AI 에이전트를위한 맞춤형 도구 구축

에이전트는 입력을 텍스트로, 언어를 사용하는 이유 및 텍스트를 출력합니다. 에이전트가 텍스트 응답을 생성하는 데 사용하는 값을 제공하는 도구는 여기에 중요합니다. 행동은 시장 거래에서 이미지 생성에 이르기까지 다양합니다.

Smolagents를 사용하는 AI 에이전트를위한 맞춤형 도구 구축

워크 플로는 : 이해 -> 이성 -> 상호 작용 또는 더 광범위하게 : 생각 -> 액션 -> 관찰입니다.

AI 에이전트의 구성 요소

AI 에이전트는 다음과 같습니다.

에이전트의 "뇌"(llama3, phi4 또는 gpt4와 같은 LLM).
에이전트가 호출 할 수있는 외부 도구 (API, 기타 에이전트, 계산기 등).

smolagents 사용하면 기능 호출을 위해 LLM이 조정 된 Python 기능을 만들 수 있습니다. 이 예에는 Qwen LLM을 사용하여 개 사실, 시간대 검색 및 이미지 생성 도구가 포함됩니다.

도구의 필요성

LLM은 더 이상 텍스트 완성 도구가 아닙니다. 이들은 더 큰 시스템의 구성 요소이며 종종 비 생식 AI 부품의 입력이 필요합니다.

Smolagents를 사용하는 AI 에이전트를위한 맞춤형 도구 구축

도구는 Genai와 다른 시스템 구성 요소 간의 간격을 연결합니다. LLM에는 제한 사항이 있습니다.

지식 차단 날짜.
환각.
예측할 수없는 대답 거부.
차선책 선택.

결정 론적 도구는 이러한 문제를 해결합니다.

`smolagents` 도서관

smolagents (Hugging Face)는 건물 요원을위한 프레임 워크입니다. JSON을 출력하는 일부 라이브러리와 달리 smolagents Python 코드를 직접 출력하여 효율성을 향상시킵니다.

코드베이스

Github 저장소에는 다음이 포함됩니다.

Gradio_UI.py : 사용자 상호 작용을위한 Gradio UI 코드.
agent.json : 에이전트 구성.
requirements.txt : 프로젝트 종속성.
prompts.yaml : 예제 프롬프트 및 응답 (Jinja 템플릿 사용).
app.py : 핵심 응용 프로그램 논리.

첫 번째 도구 구축

우리는 Dog Facts API ( https://www.php.cn/link/0feaf58e2a12936c84c2510541b6e75a )를 사용합니다. AI 에이전트가 파이썬 기능을 사용할 수 있도록 :

@tool 데코레이터를 사용하십시오.
명확한 문서를 작성하십시오.
유형 주석을 추가하십시오.
명확한 반환 값을 확인하십시오.
충분한 댓글을 포함하십시오.

 @도구
def get_amazing_dog_fact ()-> str :
    "" "공개 API에서 임의의 개 사실을 가져옵니다." ""
    # ... (API 호출 및 오류 처리) ...

로그인 후 복사

시간대 도구 :

 @도구
def get_current_time_in_timezone (Timezone : str) -> str :
    "" "지정된 시간대로 현재 시간을 얻습니다." ""
    # ... (시간대 처리) ...

로그인 후 복사

이미지 생성 도구를 통합 할 수도 있습니다.

im

로그인 후 복사

QWEN2.5-CODER-32B-비 구역 모델이 사용됩니다 (액세스 용 응용 프로그램) :

 model = hfapimodel (
    max_tokens = 2096,
    온도 = 0.5,
    model_id = 'qwen/qwen2.5-coder-32b-instruct',
    # ...
))

로그인 후 복사

프롬프트는 prompts.yaml 에서로드됩니다. 에이전트가 생성됩니다.

 에이전트 = CodeAgent (
    모델 = 모델,
    도구 = [get_amazing_dog_fact, get_current_time_in_timezone, image_generation_tool],
    # ...
))

로그인 후 복사

tools 인수는 사용 가능한 기능을 나열합니다.

최종 단계 : 배포

에이전트는 포옹 페이스 공간에 배치 될 수 있습니다.

요약

AI 에이전트는 도구 통합을 통해 LLM 기능을 향상시켜 자율성을 높이고 복잡한 작업 완료를 가능하게합니다. smolagents 에이전트 생성을 단순화하고 사용자 정의 도구는 표준 LLM 이상의 기능을 확장합니다. 포옹 페이스 공간과 같은 플랫폼에 배치하면 쉽게 공유하고 상호 작용할 수 있습니다.