آموزش Agent-بخش 7(اقدامات): توانمندسازی Agent برای تعامل با محیط خود

در این بخش باید به بررسی گام‌های عملی تعامل یک Agent هوش مصنوعی با محیط خود بپردازم. موضوعات اصلی شامل نحوه نمایش اقدامات یا Actionها (با استفاده از JSON یا کد)، اهمیت رویکرد توقف و پردازش خروجی (stop and parse)، و معرفی انواع مختلف Agent‌ها می‌شود.

رویکرد Stop and Parse

Thought: I need to check the current weather for New York.
Action :
{
  "action": "get_weather",
  "action_input": {"location": "New York"}
}

Code Agents

یک رویکرد جایگزین، استفاده از Code Agents است. ایده اصلی این است که به‌جای خروجی دادن یک JSON object ساده، یک Code Agent یک بلوک کد اجرایی تولید می‌کند—معمولاً به زبانی سطح بالا مانند Python.

این رویکرد چندین مزیت ارائه می‌دهد:

• بیان‌پذیری (Expressiveness): کد به‌طور طبیعی می‌تواند منطق پیچیده را شامل حلقه‌ها (loops)، شرط‌ها (conditionals) و توابع تودرتو (nested functions) نمایش دهد، که انعطاف‌پذیری بیشتری نسبت به JSON فراهم می‌کند.
• ماژولار بودن و قابلیت استفاده مجدد (Modularity and Reusability): کد تولیدشده می‌تواند شامل توابع (functions) و ماژول‌ها (modules) باشد که در اقدامات یا وظایف مختلف قابل استفاده مجدد هستند.
• قابلیت اشکال‌زدایی بهتر (Enhanced Debuggability): با استفاده از یک syntax برنامه‌نویسی مشخص، یافتن و اصلاح خطاهای کد معمولاً آسان‌تر است.
• یکپارچگی مستقیم (Direct Integration): Code Agents می‌توانند مستقیماً با کتابخانه‌های خارجی (external libraries) و APIها ادغام شده و عملیات پیچیده‌تری مانند پردازش داده یا تصمیم‌گیری در لحظه (real-time decision making) را انجام دهند.

برای مثال، یک Code Agent که مسئول دریافت وضعیت آب‌وهوا است، ممکن است قطعه کد Python زیر را تولید کند:

# Code Agent Example: Retrieve Weather Information
def get_weather(city):
    import requests
    api_url = f"https://api.weather.com/v1/location/{city}?apiKey=YOUR_API_KEY"
    response = requests.get(api_url)
    if response.status_code == 200:
        data = response.json()
        return data.get("weather", "No weather information available")
    else:
        return "Error: Unable to fetch weather data."

# Execute the function and prepare the final answer
result = get_weather("New York")
final_answer = f"The current weather in New York is: {result}"
print(final_answer)

در این مثال، Code Agent مراحل زیر را انجام می‌دهد:

• دریافت داده‌های آب‌وهوا از طریق یک API call،
• پردازش response،
• و استفاده از تابع print() برای نمایش نتیجه نهایی.

این روش همچنین از رویکرد Stop and Parse پیروی می‌کند، به این صورت که بلوک کد را به‌وضوح مشخص می‌کند و زمان اتمام اجرای آن را مشخص می‌نماید (در اینجا، با چاپ مقدار final_answer).

تا اینجا ما آموختیم که Actions پلی میان منطق داخلی یک Agent و تعاملات آن با دنیای واقعی ایجاد می‌کنند، به این صورت که وظایف را به‌طور واضح و ساختاریافته اجرا می‌کنند—چه از طریق JSON، کد، یا Function Calls.

این اجرای هدفمند تضمین می‌کند که هر Action دقیق بوده و برای پردازش خارجی از طریق رویکرد Stop and Parse آماده است.

در بخش بعدی، Observationها را بررسی خواهیم کرد تا ببینیم چگونه Agents بازخوردهای محیط خود را دریافت و یکپارچه‌سازی می‌کنند.

پس از آن، سرانجام آماده خواهیم شد تا اولین Agent خود را بسازیم!

منبع: https://huggingface.co/learn/agents-course/unit1/actions