Det är ganska troligt att du har hört termen "AI Agent" eller "Agent" som används under de senaste månaderna, och för ett antal människor är det möjligt att du har använt en AI Agent tidigare. Jag är a om AI och Large Language Models (LLMs), och så har jag inte dykt för långt in i verktygen och arbetsflödena som några av mina kollegor har. Självutnämnd ”försiktig skeptiker” I slutet av förra året skrev Thomas Ptacek som väckte mitt intresse för att gräva in i hur de fungerar. Du borde skriva en agent I början av 2025 läste jag Thorsten Balls och även om jag inte hade gått och genomfört det efter Thorstens steg, blev jag lite förvånad över hur rakt det verkade. Hur bygger man en agent? Som en möjlighet att "kicka däcken" av vilka agenter som är och hur de fungerar, satte jag åt sidan ett par timmar för att se bygga en - och det blåste mig bort. Jag tyckte att det var en bra idé att dela detta med y'all, och upprepa hur du kan få något att fungera snabbt. Vad är renovering? För dem som inte är medvetna, (aka Renovate CLI aka Renovate) är ett öppet källkodsprojekt för att automatisera beroendeuppdateringar över dussintals pakethanterare och paketekosystem, 9 olika plattformar (GitHub, GitLab, Azure DevOps och mer), och har stöd för att ställa in sitt beteende för att passa hur du vill ha beroendeuppdateringar. Håller på att renovera Mends molnbaserade Renovate används av 1.3M+ repositories, och Renovate CLI används också av miljontals repositories på ett självhostat sätt. Vad är en agent? Trots buzzword hype kring vilka agenter som faktiskt är, har jag hittat För att vara snygg och lättsmält: Simon Willisons definition En LLM agent kör verktyg i en slinga för att uppnå ett mål. Detta tar vår LLM och ger den förmågan att ringa verktyg (aka "verktygssamtal"), som tillhandahålls till det direkt (som vi kommer att genomföra oss själva) eller genom . MCP (Model Context Protocol) är en Eftersom toppmodellerna nu är utbildade i "verktygssamtal", betyder det att vi kan ge modellen ett verktyg, och det kommer att förstå hur man kallar det. Vad vill vi bygga? Jag trodde att ett bra sätt att utforska detta skulle vara att lära en LLM lite mer om hur man gör Renovate konfiguration. Eftersom Renovate har stöd för många ekosystem och har För att anpassa beteendet till exakt vad du vill, finns det många olika konfigurationsmöjligheter som du kan lägga till i ditt repository. Ett antal konfigurationer LLMs har redan en bra förståelse för Renovate konfiguration baserat på sina utbildningsdata, och om de har möjlighet att söka på webben, vår nuvarande dokumentation, men de kanske inte har den exakta dokumentationen för den version av Renovate vi använder. Vi har en livlig gemenskap, och på grund av den snabba karaktären av bidrag till projektet kan det vara svårt att hålla jämna steg med de senaste förändringarna - även för mig som en av underhållarna! Med detta i åtanke hade jag bestämt mig för följande funktioner som jag ville ha från min agent: Möjligheten att anpassa agenten till en specifik Renovate-version förståelse för funktionaliteten som finns i den versionen Möjlighet att föreslå konfigurationsändringar Kunskap om vad som är en giltig konfiguration (med renovate-config-validator, som levereras som en del av Renovate npm-paketet) Möjligheten att kontrollera vad konfigurationsändringarna skulle innebära, genom att köra renovera och bekräfta att de förväntade ändringarna inträffade, med samma arbetsflöde som jag skulle ta Bygga agenten Skapa den grundläggande input loop Till att börja med följde jag Thorstens inlägg (och Geoffrey Huntleys) mycket noga. ) för att få en grundläggande skal av min agent upp och springa. Workshop, baserat på blogginlägget För att rädda mig från att behöva skapa en separat Anthropic-prenumeration gjorde jag ett par justeringar för att använda vår AWS Bedrock-installation och var up-and-running! Thorstens inlägg är utmärkt, och den steg-för-steg-karaktären, i kombination med en skrivstil att vara avundsjuk på, ger en riktigt bra grund på grunderna. Lär agenten hur "gyldig" config ser ut När jag hade en grundläggande slinga som körde med ett minimalt read_file-verktyg började jag ha samtal för att få en baslinje av vad modellen redan visste om Renovate-konfigurationen. Jag hade märkt att några av de föreslagna konfigurationerna skulle använda deprecated funktioner, som jag vet som en "kraftanvändare" av Renovate, men inte alla skulle göra, tills de kör Renovate. Som en snabb sida, på grund av Renovates kontinuerliga utveckling, byter vi ibland namn eller omarbetar befintliga alternativ. Istället för att göra detta till en banbrytande förändring, tillhandahåller vi en automatiserad Detta tillämpas både när Renovate körs, för att inte tvinga användare att omedelbart göra ändringar i konfigurationsfilen - men föreslås också att vara engagerad i repository. ”Config migration” Renovate har ett verktyg, som både kan rapportera när du använder en ogiltig konfiguration, men kan också markera när du använder något bortkastat som behöver en konfigurationsmigrering. renovate-config-validator Mitt första Renovate-y-verktyg som jag tänkte lägga till i agenten var , för att lära LLM hur man ser till att det bara ger giltig, migrerad konfiguration. validate_config Efter att ha implementerat verktyget och tillhandahållit det till LLM såg jag att LLM på ett tillförlitligt sätt använde verktyget, men det verkade inte lyssna på varningarna om konfigurationsmigrering. För att driva agenten att följa detta tydligare, såg jag till att min systemkommandon innehöll: [...] Du bör se till att alla konfigurationer du presenterar sedan valideras av verktyg, och att någon konfigurationsmigrering som föreslås i svaret är anpassad - lämna inte användare med konfiguration som behöver migrering! Validera - Konfigurera Validera - Konfigurera Inte överraskande blev agenten mycket bättre på det, och började returnera konfigurationen i den migrerade formen 🎉 Med denna funktionalitet på plats var agenten redan betydligt mer användbar, eftersom det nu inte kunde "hallucinera" ett konfigurationsfält och returnera det till användaren, eftersom det skulle köra det genom. , inse att det hade returnerat ogiltig config, och försök igen, tills vi hade en giltig config. validate_config Polera text rendering Vid denna tidpunkt hade vi en agent som kunde börja svara på några rimliga frågor från mig, och ge giltig konfiguration, och jag kunde börja använda den lite. LLM svarar till stor del på frågor med Markdown, och även om det är andra naturen att läsa, skulle jag föredra att det ska renderas Markdown, särskilt eftersom vi har många bibliotek att göra det! Vid denna tidpunkt integrerades jag i Charm Bracelets biblioteket för att återge Markdown, vilket resulterar i en förändring från: Glamör Till den snyggaste versionen: Förpackning av verktygen Jag ville vara lite mer explicit om versionerna av Renovate, dess verktyg och dokumentation, men kunde inte så lätt göra det när jag hade några versioner av Renovate installerade på min maskin. För att förenkla förpackningen slutade jag skapa en lätt Docker-bild som skulle tillåta min agent att: har en specifik version av renovate och renovate-config-validator installerad veta vilken version av Renovate vi kör (och berätta för agenten) ha en kopia av dokumenten för den versionen nedladdade Nu finns det en explicit version av Renovate, jag ändrade min systemmeddelande för att berätta för agenten att: 		System: []anthropic.TextBlockParam{
			// ...
			{
				Text: "Renovate is a fast-moving project, so you may know about outdated configuration at any time. You are currently running as Renovate " + a.meta.Version + ", which may not be the latest at this point in time. [config validation prompt as above]",
			}
 är Läsa Docs Nästa logiska steg skulle vara att ha LLM kunna använda dokumentationen för den givna Renovate-versionen på lämpligt sätt, och kunna fråga användningsexempel för olika konfigurationer för att anpassa sina svar. Jag har genomfört a verktyg, som skulle returnera alla dokument (~66k rader av Markdown), som inte förvånansvärt inte fungerade, eftersom LLMs har en begränsad uppsättning av sammanhang (AKA deras "kontextfönster"), och kasta att mycket data skulle kosta en hel del pengar, samt minska det sammanhang som finns för att bearbeta resten av konversationen. read_docs Även om man tittar på , som förmodligen skulle vara den mest användbara sidan av dokument, som för närvarande var ~13k rader av Markdown, och så jag behövde överväga ett sätt att dela denna fil på ett sätt som en LLM skulle kunna smälta det lättare. Dokumentationen för alla repository config-inställningar Detta är en som jag ännu inte har avslutat med att lösa, men det har varit intressant att överväga hur man bryter ner stora filer i mindre storlekar som kommer att fungera bättre för LLMs, och eventuellt också människor. Jag började med att introducera en verktyg, som kan lista alla filer i katalog (nedladdade från GitHub-versionen för Renovate), och sedan kan vi använda för att läsa varje enskild fil, även om vi fortfarande kan slå sammanhangslängdsproblem med vissa docs-filer. list_docs docs read_file Fungerar faktiskt renoverat Den sista funktionen jag ville implementera skulle ge möjlighet att köra Renovate (i ett torrt körläge) och validera om de ändringar som agenten föreslog faktiskt skulle fungera. För att göra detta som människa skulle jag köra Renovate i sin läge, och sedan kontrollera loggarna för att se om relevanta ändringar gjordes. Drycken Drycken Lyckligtvis kunde agenten bli ombedd att göra exakt samma sak, med ett verktygsamtal, , som skulle utföra Renovate CLI mot en lokal kopia av ett repository, baserat på den konfiguration som agenten föreslår. run_renovate När kommandot är klart får agenten en speciell logglinje ( ) som ger information om de filer som Renovate har analyserat, och eventuella uppdateringar som upptäcks, och är oerhört användbar vid felsökning. packageFiles with updates Som vi finner, varje incrementellt verktyg som tillhandahålls agenten gör det mer kraftfullt, och jag började se det mer rimligt kunna bekräfta om, dvs, lägga till en regex för att analysera Version från a skulle faktiskt upptäcka den aktuella versionen och väntande versionuppdateringar. golangci-lint Makefile Jag har ännu inte avslutat att ställa in systemuppmaningen för att lära den exakt vad jag skulle leta efter när jag tittar igenom logglinjerna, men det är intressant hur mycket det redan kan göra. Lärdomar lärde Genom denna process har jag lärt mig mycket mer om agenter och LLMs, och det har lärt mig att det inte finns så mycket "magik" som det ibland verkar, och att det kan vara enkelt att göra något intressant. Överraskande direkt Jag blev förvånad över hur enkelt det var att komma till en minimal agent loop (baserat på Thorstens inlägg) och sedan hur det bara var ett par hundra extra linjer av Go att komma till slutresultatet, totalt ~700 linjer kod. Jag inser att mycket av arbetet görs av LLM under locket, men det är fortfarande imponerande! Incrementell byggnad var kul Jag gillade verkligen att se hur stegvisa förändringar som tillägg av ett nytt verktyg eller en justering av systemuppmaningen skulle förbättra agentens övergripande livskraft. När jag gjorde ändringar körde jag samma uppmaningar igen för att få en känsla för skillnaden (medan att komma ihåg LLMs är icke-deterministiska). Att få rätt UX är lättare med en specialiserad agent När du har en agent som är specialiserad på specifika funktioner kan du lättare styra hur detta ser ut. I mitt fall gör vi i stor utsträckning justeringar till en JSON-fil som sitter inom ett repository och tittar på vad som ändras som Renovate CLI ser efter dessa ändringar. Jag har inte äntligen implementerat det, men vad jag verkligen vill ha är att ha en sidopanel på agentens gränssnitt, som visar den aktuella Renovate-konfigurationen vi för närvarande pratar om, så att det ändras baserat på LLM: s feedback, det ändras på UI. Kontexten är hård Som noterats ovan, försök att knäppa storleken på vår dokumentation med kontextfönstret en LLM har varit lite knepigt. Lägg till detta till det faktum att vissa av Renovates logglinjer kan vara särskilt långa (särskilt i ett stort lager) och vi har sedan ytterligare platser att överväga hur man begränsar användningen av token vid en given tidpunkt. Jag har också funnit att även om min systemuppmaning driver LLM mot en specifik åtgärd baserad på formulering (dvs. i JSON-schemat som används för en given verktygs definition), måste jag ibland driva hårdare, d.v.s. Om jag förväntar mig att det ska springa med . can you lookup what updates are available --dry-run=lookup Detta kan vara en MCP-server De av er som är mer bekanta med LLM, agenter och modellkontextprotokollet kommer att ha märkt att mycket av detta inte faktiskt är agent-specifikt, och att verktygen själva kan extraheras till en MCP-server. Det är absolut planen, men för syftet med detta blogginlägg var det meningsfullt att visa att det var enklare att implementera allt inom en enda agent, än att försöka lägga till en MCP-server som behövde interagera med. Nu har jag mycket mer att göra Tyvärr har jag nu en massa andra saker jag vill göra med det här! Jag tittar också på hur detta kan användas för att förbättra mitt eget liv, arbeta som Renovate Community Manager, svara på användarfrågor. Och håll dina ögon skalade, jag vill verkligen få den här Open Source'd när den är på ett bättre ställe. Slutsats Som någon som inte har gjort mycket med LLMs och agenter, har jag funnit det verkligen ögonöppnande att se hur enkelt det faktiskt kan vara. Jag lämnar dig med en annan påminnelse om att du borde bygga en agent. Jamie Tanna Senior Developer och Open Source Project Mainer Jamie är en underhållare av Mend Renovate, där han också har rollen som community manager, så du kommer förmodligen att se honom runt! upprätthålla Open Source-projekt som du kanske har hört talas om under det senaste decenniet, och har tillbringat de senaste ~ 5 åren som arbetar hårt i beroendehanteringsutrymme och hjälpa företag att skicka bättre programvara.

Det här ljudet är producerat på berättelsens originalspråk!

Vad jag har lärt mig att bygga en agent för Renovate config (som en försiktig skeptiker av AI)

About Author

KOMMENTARER

HÄNG TAGGAR

DENNA ARTIKEL PRESENTERAS I

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps