Les Agents IA représentent une évolution passionnante dans l'IA Générative, permettant aux Modèles de Langage de Grande Taille (LLM) d'évoluer d'assistants à agents capables de prendre des actions. Les frameworks d'Agents IA permettent aux développeurs de créer des applications qui donnent aux LLM l'accès à des outils et à la gestion d'état. Ces frameworks améliorent également la visibilité, permettant aux utilisateurs et aux développeurs de suivre les actions planifiées par les LLM, améliorant ainsi la gestion de l'expérience.
La leçon couvrira les domaines suivants :
- Comprendre ce qu'est un Agent IA - Qu'est-ce qu'un Agent IA exactement ?
- Explorer quatre frameworks différents d'Agents IA - Qu'est-ce qui les rend uniques ?
- Appliquer ces Agents IA à différents cas d'utilisation - Quand devrions-nous utiliser des Agents IA ?
Après avoir suivi cette leçon, vous serez capable de :
- Expliquer ce que sont les Agents IA et comment ils peuvent être utilisés.
- Comprendre les différences entre certains des frameworks d'Agents IA populaires et comment ils diffèrent.
- Comprendre comment fonctionnent les Agents IA afin de construire des applications avec eux.
Les Agents IA sont un domaine très excitant dans le monde de l'IA Générative. Avec cet enthousiasme vient parfois une confusion des termes et de leur application. Pour simplifier les choses et inclure la plupart des outils qui se réfèrent aux Agents IA, nous allons utiliser cette définition :
Les Agents IA permettent aux Modèles de Langage de Grande Taille (LLM) d'exécuter des tâches en leur donnant accès à un état et à des outils.
Définissons ces termes :
Modèles de Langage de Grande Taille - Ce sont les modèles mentionnés tout au long de ce cours tels que GPT-3.5, GPT-4, Llama-2, etc.
État - Cela fait référence au contexte dans lequel le LLM travaille. Le LLM utilise le contexte de ses actions passées et le contexte actuel pour guider sa prise de décision pour les actions suivantes. Les frameworks d'Agents IA permettent aux développeurs de maintenir plus facilement ce contexte.
Outils - Pour accomplir la tâche demandée par l'utilisateur et planifiée par le LLM, le LLM a besoin d'accéder à des outils. Quelques exemples d'outils peuvent être une base de données, une API, une application externe ou même un autre LLM !
Ces définitions devraient vous donner une bonne base alors que nous examinons comment elles sont mises en œuvre. Explorons quelques frameworks différents d'Agents IA :
LangChain Agents est une implémentation des définitions que nous avons fournies ci-dessus.
Pour gérer l'état, il utilise une fonction intégrée appelée le AgentExecutor. Cela accepte les agent définis et les tools qui sont disponibles pour lui.
Le Agent Executor stocke également l'historique des conversations pour fournir le contexte de la conversation.
LangChain propose un catalogue d'outils qui peuvent être importés dans votre application dans laquelle le LLM peut avoir accès. Ceux-ci sont créés par la communauté et par l'équipe LangChain.
Vous pouvez ensuite définir ces outils et les passer au Agent Executor.
La visibilité est un autre aspect important lorsqu'on parle d'Agents IA. Il est important pour les développeurs d'applications de comprendre quel outil le LLM utilise et pourquoi. Pour cela, l'équipe de LangChain a développé LangSmith.
Le prochain framework d'Agents IA que nous allons aborder est AutoGen. L'accent principal d'AutoGen est les conversations. Les agents sont à la fois conversables et personnalisables.
Conversable - Les LLM peuvent commencer et continuer une conversation avec un autre LLM pour accomplir une tâche. Cela se fait en créant des AssistantAgents et en leur donnant un message système spécifique.
autogen.AssistantAgent( name="Coder", llm_config=llm_config, ) pm = autogen.AssistantAgent( name="Product_manager", system_message="Creative in software product ideas.", llm_config=llm_config, )Personnalisable - Les agents peuvent être définis non seulement comme des LLM mais aussi comme un utilisateur ou un outil. En tant que développeur, vous pouvez définir un UserProxyAgent qui est responsable de l'interaction avec l'utilisateur pour obtenir des retours dans l'accomplissement d'une tâche. Ce retour peut soit continuer l'exécution de la tâche, soit l'arrêter.
user_proxy = UserProxyAgent(name="user_proxy")Pour changer et gérer l'état, un agent assistant génère du code Python pour accomplir la tâche.
Voici un exemple du processus :
system_message="For weather related tasks, only use the functions you have been provided with. Reply TERMINATE when the task is done."Ce message système dirige ce LLM spécifique vers les fonctions pertinentes pour sa tâche. Rappelez-vous, avec AutoGen, vous pouvez avoir plusieurs AssistantAgents définis avec différents messages système.
user_proxy.initiate_chat( chatbot, message="I am planning a trip to NYC next week, can you help me pick out what to wear? ", )Ce message du user_proxy (Humain) est ce qui va démarrer le processus de l'Agent pour explorer les fonctions possibles qu'il devrait exécuter.
chatbot (to user_proxy):
***** Suggested tool Call: get_weather ***** Arguments: {"location":"New York City, NY","time_periond:"7","temperature_unit":"Celsius"} ******************************************************** --------------------------------------------------------------------------------
>>>>>>>> EXECUTING FUNCTION get_weather... user_proxy (to chatbot): ***** Response from calling function "get_weather" ***** 112.22727272727272 EUR ****************************************************************
Une fois que la conversation initiale est traitée, l'Agent enverra l'outil suggéré à appeler. Dans ce cas, c'est une fonction appelée get_weather. Depending on your configuration, this function can be automatically executed and read by the Agent or can be executed based on user input.
You can find a list of AutoGen code samples to further explore how to get started building.
The next agent framework we will explore is Taskweaver. It is known as a "code-first" agent because instead of working strictly with strings , it can work with DataFrames in Python. This becomes extremely useful for data analysis and generation tasks. This can be things like creating graphs and charts or generating random numbers.
To manage the state of the conversation, TaskWeaver uses the concept of a Planner. The Planner is a LLM that takes the request from the users and maps out the tasks that need to be completed to fulfill this request.
To complete the tasks the Planner is exposed to the collection of tools called Plugins. Cela peut être des classes Python ou un interpréteur de code général. Ces plugins sont stockés sous forme d'embeddings afin que le LLM puisse mieux rechercher le plugin correct.
Voici un exemple de plugin pour gérer la détection d'anomalies :
class AnomalyDetectionPlugin(Plugin): def __call__(self, df: pd.DataFrame, time_col_name: str, value_col_name: str):Le code est vérifié avant d'être exécuté. Une autre fonctionnalité pour gérer le contexte dans Taskweaver est experience. Experience allows for the context of a conversation to be stored over to the long term in a YAML file. This can be configured so that the LLM improves over time on certain tasks given that it is exposed to prior conversations.
The last agent framework we will explore is JARVIS. What makes JARVIS unique is that it uses an LLM to manage the state de la conversation et les toolssont d'autres modèles IA. Chacun des modèles IA est un modèle spécialisé qui exécute certaines tâches telles que la détection d'objets, la transcription ou la légende d'images.
Le LLM, étant un modèle à usage général, reçoit la demande de l'utilisateur et identifie la tâche spécifique et tous les arguments/données nécessaires pour accomplir la tâche.
[{"task": "object-detection", "id": 0, "dep": [-1], "args": {"image": "e1.jpg" }}]Le LLM formate ensuite la demande de manière à ce que le modèle IA spécialisé puisse l'interpréter, tel que JSON. Une fois que le modèle IA a renvoyé sa prédiction basée sur la tâche, le LLM reçoit la réponse.
Si plusieurs modèles sont nécessaires pour accomplir la tâche, il interprétera également la réponse de ces modèles avant de les rassembler pour générer la réponse à l'utilisateur.
L'exemple ci-dessous montre comment cela fonctionnerait lorsqu'un utilisateur demande une description et un décompte des objets dans une image :
Pour continuer votre apprentissage des Agents IA, vous pouvez construire avec AutoGen :
- Une application qui simule une réunion d'affaires avec différents départements d'une startup éducative.
- Créer des messages système qui guident les LLM à comprendre différentes personnalités et priorités, et permettent à l'utilisateur de présenter une nouvelle idée de produit.
- Le LLM devrait ensuite générer des questions de suivi de chaque département pour affiner et améliorer le pitch et l'idée de produit.
Après avoir terminé cette leçon, consultez notre collection d'apprentissage de l'IA Générative pour continuer à améliorer vos connaissances en IA Générative !
Avertissement :
Ce document a été traduit à l'aide du service de traduction IA Co-op Translator. Bien que nous nous efforcions d'assurer l'exactitude, veuillez noter que les traductions automatisées peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue native doit être considéré comme la source faisant autorité. Pour des informations critiques, une traduction humaine professionnelle est recommandée. Nous ne sommes pas responsables des malentendus ou des interprétations erronées résultant de l'utilisation de cette traduction.