Non molto tempo fa, gli agenti di intelligenza artificiale erano ancora in fase di nascita.La maggior parte dell'industria non era abbastanza sicura di cosa fossero, cosa potevano fare in modo realistico, o se fossero solo un altro buzzword di marketing. Quasi tutti gli altri ingegneri sembrano costruire, sperimentare con, o almeno parlare di AI agente in qualche forma. Mi ricordo quando ho iniziato a sentire il termine “agenti di intelligenza artificiale”, mi sembrava uno di quei concetti a cui tutti si sforzavano, ma molto pochi potevano spiegare chiaramente. Anche io non ero sicuro se fosse un vero cambiamento o solo un altro buzzword nel mercato. ma con il passare del tempo e più ho esplorato; più mi sono reso conto che questo è qualcosa che rimarrà intorno e qualcosa che ogni ingegnere di dati dovrebbe imparare e capire. Una cosa che ho notato durante la mia fase di apprendimento è che molti dei blog esistenti, le spiegazioni su questo argomento si concentrano sia sulla base teorica che su framework e strumenti pratici. Agentic AI esiste in primo luogo e quando ha davvero senso usarlo. Perché In questo articolo cercherò di rispondere a queste domande fondamentali per un pubblico mirato che Ma . already have a tech background haven’t worked with AI agents yet Entro la fine, potrete: 
 
 
 
 Comprendere cosa significa in realtà Agentic AI Imparare i concetti e i termini fondamentali Costruisci un semplice progetto “Hello World” che puoi eseguire localmente Che cosa è Agentic AI? di È un sistema che non solo Ma può anche di , e AI agent rispondere alle domande take actions make decisions work toward a goal. Pensa a un normale Come qualcuno che chiede: AI chatbot 
 
 Qual è il ristorante più vicino? Qual è il ristorante più vicino? E risponde con suggerimenti. Ma un è come un vero assistente che può fare molto più di semplici suggerimenti; come AI agent 
 
 
 
 
 
 Guarda i ristoranti Controlla le rating Libro a tavola Aggiungilo al tuo calendario Set ricordi Invece di fornire informazioni, è . acts on your behalf Un modo semplice di pensarci sarebbe con la seguente analogia: 
 
 
 LLM = cervello Agente = cervello + memoria + strumenti + ciclo decisionale LLM = Brain Agent = Brain + Memory + Tools + Decision Loop Se un LLM risponde a domande, un . agent gets things done Perché abbiamo bisogno di agenti? In seguito all'esempio che abbiamo visto nella sezione precedente, ecco un altro esempio per chiarire le cose su come gli agenti AI sono diversi per il solito sistema AI e quali esigenze specifiche o lacune soddisfano. Supponiamo di dover sapere come è il tempo di oggi e, in base a questo, decidere se andare a correre o meno. Ciò richiederebbe: 
 
 
 
 
 Raccogliere dati Il ragionamento a riguardo Fare una decisione Produzione di un’azione Un agente in questo caso può essere utile con: 
 
 
 
 
 Decidere quale strumento chiamare Gestione dei passaggi intermedie Ritorno se qualcosa fallisce Stop quando il compito è finito Concepiti di Core Agent Spero che adesso tu sia abbastanza chiaro su cosa sono gli agenti di intelligenza artificiale e perché ne avremmo anche bisogno. 1 Agente di È un sistema che: agent 
 
 
 
 
 Hai un obiettivo Può intraprendere azioni Può ragionare sui passaggi o gli elementi di azione Puoi usare gli strumenti Pensa a questo come a Non è un chatbot. long-running task executor Obiettivo / Objective Questo è il per l’agente Stella del Nord Esempi di: 
 
 
 
 “Risegnare un documento” “Rispondere a una domanda del cliente utilizzando documenti interni” “Logger di monitoraggio e avviso sulle anomalie” Gli agenti non solo rispondono - essi . work towards a goal 3 Gli strumenti Gli strumenti sono L’agente può chiamare. external capabilities Esempi di: 
 
 
 
 
 API (metodo meteorologico, pagamenti e ricerca) Database Sistema di file Funzioni che scrivi in Python/JS Gli agenti decidono e per usarli. Quando come 4 La memoria Gli agenti hanno spesso bisogno di un contesto al di là di un prompt. La memoria può essere: 
 
 
 Storia della conversazione (Conversation History) a lungo termine (fatti memorizzati, incorporazioni, DB vettoriali) Per un agente di base, la memoria a breve termine è sufficiente. 5. pianificazione / ragionamento loop Questo è il cuore del comportamento agente. Il tipico loop: 
 
 
 
 
 
 
 Osservare lo stato attuale Pensa al prossimo passo Scegli un’azione Eseguire l’azione osservare il risultato Ripetere o fermare Lo vedrete spesso chiamato o . ReAct Plan-Act-Observe 
 
 Sistemi multi-agenti a Si tratta di una struttura in cui , ognuno con il proprio ruolo e responsabilità, per risolvere un problema collaborativamente come un team. multi-agent system multiple AI agents work together 
 
 Ambiente Un ambiente è l'ambiente in cui l'agente opera, come ad esempio: 
 
 
 
 
 
 Il browser Sistema di file Calendario Strumenti di business App di 
 
 Quadro agente Questi sono gli strumenti utilizzati per costruire agenti. Alcuni dei framework più comunemente utilizzati sono come di seguito 
 
 
 
 
 Il LangChain Autogp equipaggio L’indice È il momento di mettere le mani sporche... Basta la teoria, saltiamo avanti per costruire un agente di base AI che aiuterebbe a chiarire eventuali dubbi che potresti ancora avere. Vogliamo costruire un Questo è: Task Agent 
 
 
 
 
 Prende un compito dall'utente Decide se ha bisogno di uno strumento Usare lo strumento Ritorna la risposta finale Cosa farà questo agente Esempio di compito: 
 
 “Qual è l’ora attuale e devo prendere un caffè?” “Qual è l’ora attuale e devo prendere un caffè?” L’agente sarà: 
 
 
 
 
 Decidi che ha bisogno del tempo attuale Chiamare uno strumento di tempo La ragione del caffè Rispondi Passo 1: Impostazione di base Utilizzeremo Python e un'API compatibile con OpenAI. Esegui il seguente comando nel tuo terminale o prompt di comando: pip install openai
 Passo 2: definire uno strumento Definiremo lo strumento come una semplice funzione di Python in un singolo file, diciamo agente_hello_world.py. Per un progetto reale, probabilmente organizzeresti gli strumenti in moduli separati, ma tenendo tutto insieme rende più facile vedere come funziona il ciclo di agenti fine a fine. from datetime import datetime

def get_current_time():
    return datetime.now().strftime("%H:%M")
 Passo 3: Definisci l'Agente Prompt Questo è dove il comportamento dell'agente è Aggiungi questo al tuo file python creato nel passaggio precedente. Progettato SYSTEM_PROMPT = """
You are a simple AI agent.

You can:
- Think step by step
- Decide when to call tools
- Use the tool: get_current_time

When the task is complete, respond with a final answer.
"""
 Passo 4: Agent Reasoning Loop Successivamente, aggiungeremo la logica del ragionamento al nostro codice. Il sottoscritto inizia inviando l'attività dell'utente, insieme a un prompt del sistema, a GPT-4 tramite l'API ChatCompletion. Si entra poi in un ciclo in cui continua a ricevere le risposte del modello. , l'agente chiama una funzione di aiuto per ottenere l'ora corrente. Aggiunge sia la richiesta di strumento che il risultato dello strumento indietro nella cronologia dei messaggi e continua la conversazione. Se la risposta non richiede uno strumento, l'agente presume che la attività sia completa e restituisce la risposta finale. USE_TOOL:get_current_time import os
import openai
from openai import 

openai.api_key = "YOUR_API_KEY"

def run_agent(task):
    messages = [
        {"role": "system", "content": SYSTEM_PROMPT},
        {"role": "user", "content": task}
    ]

    while True:
        response = openai.ChatCompletion.create(
            model="gpt-4",
            messages=messages
        )

        reply = response["choices"][0]["message"]["content"]

        if "USE_TOOL:get_current_time" in reply:
            time = get_current_time()
            messages.append({"role": "assistant", "content": reply})
            messages.append({"role": "tool", "content": time})
        else:
            return reply
 Passo 5: Prova tutto Infine, aggiungi sotto le righe di codice nel tuo script e esegui per testarlo. task = "What time is it right now, and should I grab a coffee?"
result = run_agent(task)
print(result)
 Complimenti! hai appena costruito un . basic agent Non una fantasia, ma una vera e propria. Abbiamo appena implementato un agente AI locale di base con: 
 
 
 
 
 Comportamento mirato Strumento di utilizzo Il ragionamento loop Decisione statale Questo è il fuori da lì. core of every agent framework LangChain, AutoGen, CrewAI - tutti loro astratto . Questo modello esatto I pensieri finali Per me, l'IA agente non è una rivoluzione in una notte, ma è più come un cambiamento lento e costante nella stessa direzione in cui ci stiamo muovendo per anni, che è quello di automatizzare e rendere i sistemi più intelligenti.Quando si toglie le buzzwords, è ancora solo un sistema che funziona in un ciclo, mantenendo il contesto, prendendo decisioni e chiamando strumenti quando necessario. "Il pezzo può ora essere fatto da un LLM. thinking Ho scoperto che gli agenti hanno molto più senso quando li tratti come un altro componente di ingegneria e non come un concetto di fantascienza futuristico. , a volte il flusso di lavoro più semplice è ancora il migliore. not every problem needs an agent

This story contains new, firsthand information uncovered by the writer.

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

Read My Stories

Questo audio è prodotto nella lingua originale della storia!

Come iniziare con l'AI agenzica: concetti, terminologia e un mondo di Python

About Author

COMMENTI

CARTELLINI

QUESTO ARTICOLO È STATO PRESENTATO IN

Related Stories

I Tried Perplexity For a Week, And I Don't Think AI Search Engines Can Replace Google.. Yet

10 Reasons Why Publishing on HackerNoon Will Skyrocket Your Reach and Impact

Link-To-Earn Incentive Model: A Blueprint For Mass Adoption?

Meet Dealscard, Winner of Startups of The Year 2024 in Ghaziabad/Deal Aggregator

I Tried Perplexity For a Week, And I Don't Think AI Search Engines Can Replace Google.. Yet

10 Reasons Why Publishing on HackerNoon Will Skyrocket Your Reach and Impact

Link-To-Earn Incentive Model: A Blueprint For Mass Adoption?

Meet Dealscard, Winner of Startups of The Year 2024 in Ghaziabad/Deal Aggregator

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps