Создайте рабочие процессы AgentScope с помощью ReAct агентов
В этом руководстве мы создаем полный рабочий процесс AgentScope с нуля и запускаем все в Colab. Мы начинаем с подключения OpenAI через AgentScope и проверки базового вызова модели, чтобы понять, как обрабатываются сообщения и ответы. Затем мы определяем функции пользовательских инструментов, регистрируем их в наборе инструментов и изучаем автоматически сгенерированные схемы, чтобы увидеть, как инструменты представлены агенту.
Далее мы переходим к агенту на основе ReAct, который динамически решает, когда вызывать инструменты, а затем настраиваем многопользовательские дебаты с использованием MsgHub для моделирования структурированного взаимодействия между агентами. Наконец, мы обеспечиваем структурированные выходные данные с помощью Pydantic и выполняем параллельный многопользовательский конвейер, в котором несколько специалистов анализируют проблему параллельно, а синтезатор объединяет их выводы.
Мы устанавливаем все необходимые зависимости и настраиваем цикл событий, чтобы обеспечить корректное выполнение асинхронного кода в Colab. Мы безопасно захватываем ключ API OpenAI и настраиваем модель через вспомогательную функцию для повторного использования. Затем мы выполняем базовый вызов модели, чтобы проверить настройку и изучить ответ и использование токенов.
Мы определяем пользовательские функции инструментов для математической оценки и получения текущей даты и времени с использованием контролируемого выполнения. Мы регистрируем эти инструменты в наборе инструментов и изучаем их автоматически сгенерированные JSON-схемы, чтобы понять, как AgentScope их представляет. Затем мы моделируем прямой вызов инструмента, чтобы подтвердить, что конвейер выполнения инструмента работает корректно.
Мы создаем агента ReAct, который рассуждает о том, когда использовать инструменты, и динамически их выполняет. Мы передаем запросы пользователей и наблюдаем, как агент сочетает рассуждения с использованием инструментов для получения ответов. Мы также сбрасываем память между запросами, чтобы обеспечить независимые и чистые взаимодействия.
IBM запускает Granite 4.0 3B Vision для извлечения данных из документов
Участвуйте в SAP Sapphire 2026 и узнайте о будущем ИИ
Похожие статьи
Оптимизируйте обучение моделей с помощью Amazon SageMaker HyperPod
TGS оптимизирует обучение моделей SFM с помощью Amazon SageMaker HyperPod, сокращая время обучения с 6 месяцев до 5 дней.
Изучаем, как обрабатывать классические данные в квантовых моделях
Изучите, как квантовые вычисления могут изменить подход к машинному обучению.
Создайте надежные ИИ-агенты с Amazon Bedrock
Узнайте, как Amazon Bedrock AgentCore Evaluations помогает оценивать ИИ-агентов.