Erste Schritte mit Strands Brokers

Wenn Sie sich in letzter Zeit mit der Entwicklung von KI beschäftigen, sind Sie möglicherweise auf den Begriff „Agenten-Frameworks.‘ Heute werden wir über einen von ihnen sprechen, die Strands Brokers. Dabei handelt es sich um ein Instrument, das die Artwork und Weise verändert, wie Entwickler intelligente Systeme erstellen. Aber wenn Sie ein Anfänger sind, brauchen Sie sich keine Sorgen zu machen. Wir werden Sie in diesem Artikel auf einfache Weise durch alles führen.

Was sind Strands-Agenten?

Betrachten Sie Strands Brokers als den integrierten Betrieb des Gehirns und Körpers Ihrer KI. Im Gegensatz zu herkömmlichen Chatbots, die nur auf Ihre Eingaben reagieren, können diese Agenten verschiedene Aktionen ausführen. Sie können Informationen extrahieren, Lösungen finden, Werkzeuge bedienen und mehrere Aktionen verknüpfen, um schwierige Aufgaben zu erledigen.

Strands ist ein innovatives Modell, das von betrieben wird LangChaindas die gesamte Bandbreite an Funktionalitäten abdeckt, die solch komplexe Agenten mit sich bringen. Die Highlights von Strands sind seine Modularität; Anstatt lange Zeilen von Standardcode wiederholt zu programmieren, kann man eine kreative Methode nutzen, um vorgefertigte Teile wie LEGO-Blöcke miteinander zu verbinden, um die gewünschten KI-Systeme gekonnt aufzubauen.

Hauptmerkmale von Strands Brokers

Mit Strands können Sie ganz einfach Agenten erstellen und verfügen über sehr leistungsstarke Funktionen:

• Instrument-Integration: Ihr Agent stellt problemlos eine Verbindung zu APIs, Datenbanken, Suchmaschinen und benutzerdefinierten Funktionen her.
• Speicherverwaltung: Das System speichert alle Gespräche und behält den Kontext über mehrere Benutzerinteraktionen hinweg bei.
• Kettenorchestrierung: Der Workflow vereint verschiedene Vorgänge in einem nahtlosen Prozess.
• Fehlerbehandlung: Das System wiederholt fehlgeschlagene Aktionen automatisch und verwaltet das Failover reibungslos.
• Flexibilität: Es ist mit mehr als einem LLM-Anbieter kompatibel, beispielsweise OpenAI, Anthropic und Open-Supply-Modellen.
• Skalierbarkeit: Erstellen Sie einfach einfache Prototypen oder komplexe Systeme, die zur Produktion bereit sind.

Das Framework nimmt Ihnen die harte Arbeit ab, sodass Sie Ihre Zeit in die Entwicklung von Funktionen investieren können, anstatt sich mit der Infrastruktur herumschlagen zu müssen.

Warum Strands Brokers verwenden?

Künstliche Intelligenz ist in jeder Branche zu einem entscheidenden Aktivposten geworden. KI-Systeme, die nicht nur antworten, sondern auch dabei helfen, komplexe Entscheidungen zu treffen, sind die neuen Requirements auf dem Markt. Strands ist eine KI-Plattform, die diese Leistung ohne die übliche Komplexität bietet. Ob ein Kundenservice ohne Bot, der den Bestellstatus prüft, oder ein Forschungsassistent, der Daten aus mehreren Quellen bezieht, Strands würde in beiden Fällen die Architektur bereitstellen. Die Lernkurve verläuft reibungslos; Die Fähigkeiten sind jedoch enorm.

Komponenten von Strands Brokers

Lassen Sie uns zunächst die Grundkonzepte erklären, bevor wir zum praktischen Teil kommen. Ein typischer Agent in Strands besteht aus drei Hauptteilen:

• Sprachmodell: Der Verstand der KI, der Anfragen interpretiert und eine Vorgehensweise auswählt
• Werkzeuge: Verschiedene Funktionen, die Ihr Agent ausführen kann (z. B. Suchen, Berechnen oder Interagieren mit Datenbanken)
• Erinnerung: Die Artwork und Weise, wie der Agent den Kontext des Gesprächs und früherer Interaktionen festhält

Darüber hinaus verwendet Strands „Ketten“, eine Artwork von Operation, die vorab festgelegt ist, wenn sie in einer bestimmten Reihenfolge ausgeführt wird. Eine Kette kann so beschaffen sein, dass sie zunächst nach Informationen sucht, diese dann zusammenfasst und schließlich die Ausgabe formatiert präsentiert.

Erste Schritte mit Strands Agent

Installieren Sie zunächst Python Model 3.8 oder eine höhere Model auf Ihrem Pc. Das Erstellen einer virtuellen Umgebung ist die beste Methode zum Verwalten von Abhängigkeiten mit diesem Framework. Es wird einfacher, als sie ohne zu verwalten. Der nächste Schritt besteht darin, einen API-Schlüssel von einer Firma zu erhalten, die ihn bereitstellt große Sprachmodelle (LLMs). OpenAI, Anthropic und Cohere sind die drei großen Unternehmen, die für akademische Zwecke immer noch freien Zugang zu ihren Produkten gewähren.

Praktische Aufgabe 1: Aufbau eines Forschungsassistenten-Agenten

Wir werden einen Agenten entwickeln, der das Web durchsuchen und eine Zusammenfassung der Ergebnisse bereitstellen kann. Diese praktische Aufgabe führt Sie in die Grundlagen der Agentenentwicklung ein.

Schritt 1: Abhängigkeiten installieren

Starten Sie Ihr Terminal und erstellen Sie einen neuen Projektordner:

mkdir strands-research-agent 
cd strands-research-agent 
python -m venv venv 
supply venv/bin/activate  # On Home windows: venvScriptsactivate 
pip set up langchain langchain-openai langchain-community duckduckgo-search

Schritt 2: Erstellen Sie Ihre Agent-Datei

Erstellen Sie eine Datei namens „research_agent.py“ mit diesem Code:

from langchain.brokers import initialize_agent, Instrument 
from langchain.brokers import AgentType 
from langchain_openai import ChatOpenAI 
from langchain_community.instruments import DuckDuckGoSearchRun 
import os
# Set your OpenAI API key 
os.environ("OPENAI_API_KEY") = "your-api-key-here"
# Initialize the search instrument 
search = DuckDuckGoSearchRun()
# Outline instruments 
instruments = ( 
   Instrument( 
       identify="Net Search", 
       func=search.run, 
       description="Helpful for looking the web for present info." 
   ) 
) 
# Initialize the language mannequin 
llm = ChatOpenAI(temperature=0.7, mannequin="gpt-4o-mini")
# Create the agent 
agent = initialize_agent( 
   instruments=instruments, 
   llm=llm, 
   agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, 
   verbose=True 
)
# Check your agent 
if __name__ == "__main__": 
   question = "What are the newest developments in renewable power?" 
   response = agent.run(question) 
   print("nnFinal Reply:") 
   print(response) 

Schritt 3: Ausführen und testen

Speichern Sie zunächst die Datei und führen Sie sie dann mit dem Befehl python research_agent.py aus. Der Makler wird den gesamten Prozess durchlaufen und Ihnen einen schönen Überblick über seine Aktivitäten geben. Der Parameter verbosity = True ermöglicht es Ihnen, die Argumentation des Agenten mitzuerleben, die gleichzeitig sehr interessant und informativ ist.

Schritt 4: Passen Sie Ihren Agenten an

Machen Sie weiter und nehmen Sie diese Änderungen vor, um einen besseren Einblick zu erhalten:

• Verwenden Sie verschiedene Fragen, um verschiedene Fälle zu testen
• Ändern Sie den Temperaturparameter (0 für konzentrierte, 1 für fantasievolle Antworten)
• Implementieren Sie die Fehlerbehandlung durch Attempt-Exception-Blöcke
• Ändern Sie die Beschreibung des Instruments und beobachten Sie, wie sich dies auf die Aktion des Agenten auswirkt

Probieren Sie dies aus, indem Sie die Parameterebenen ändern, und beobachten Sie verschiedene Ergebnisse.

Praktische Aufgabe 2: Agentenrechner mit Speicher

Jetzt werden wir etwas Komplexeres erstellen, einen Agenten, der nicht nur arithmetische Berechnungen durchführt, sondern sich auch an die vergangenen erinnert. Was wäre eine bessere Möglichkeit, die Kontexterhaltung über einige Interaktionen hinweg darzustellen?

Schritt 1: Set up der Bibliotheken

Ein Mathematikpaket sollte in Ihrem Setup enthalten sein:

pip set up numexpr

Schritt 2: Entwicklung des Rechneragenten

Es sollte eine neue Datei mit dem Namen „calculator_agent.py“ erstellt werden:

from langchain_openai import ChatOpenAI 

from langchain_community.chat_message_histories import ChatMessageHistory 

from langchain_core.messages import HumanMessage, AIMessage, SystemMessage 

import os
# Set your API key
os.environ("OPENAI_API_KEY") = "api-key-here"
# Initialize the language mannequin
llm = ChatOpenAI(temperature=0, mannequin="gpt-4o-mini")
# Initialize chat historical past
chat_history = ChatMessageHistory()
def calculator_agent(user_input):
"""Calculator agent with reminiscence"""
# Construct messages with historical past
messages = (
SystemMessage(content material="You're a useful calculator assistant. Carry out mathematical calculations and keep in mind earlier outcomes. When the person refers to 'that outcome' or 'the earlier reply', use the dialog historical past to know what they imply.")
)
# Add chat historical past
messages.lengthen(chat_history.messages)
# Add present enter
messages.append(HumanMessage(content material=user_input))
# Get response
response = llm.invoke(messages)
# Save to historical past
chat_history.add_user_message(user_input)
chat_history.add_ai_message(response.content material)
return response.content material
# Interactive loop
if __name__ == "__main__":
print("Calculator Agent Prepared! (Kind 'stop' to exit)")
print("Attempt asking issues like:")
print("- What's 25 instances 4?")
print("- Add 50 to that outcome")
print("- What was my first calculation?n")
whereas True:
user_input = enter("nYou: ")
if user_input.decrease() == 'stop':
print("Goodbye!")
break
response = calculator_agent(user_input)
print(f"nAgent: {response}")

Schritt 3: Testen Sie die Speicherfunktionalität

Der erste Schritt besteht darin, die Befehlszeile zu öffnen und den Befehl „pythonrechner_agent.py“ auszuführen. Dann testen Sie dieses Verfahren:

Frage: „Was ist 25 mal 4?“

Nächste Frage: „Füge 50 zu diesem Ergebnis hinzu.“

Letzte Frage: „Was conflict meine erste Berechnung?“

Der Agent verfolgt vergangene Berechnungen und gibt Ihnen Zugriff darauf. Das ist der wunderbare Reminiscence-Effekt in seiner stärksten Type.

Schritt 4: Verstehen Sie die Komponenten

Der ConversationBufferMemory speichert alle Dialoge der vorherigen Konversation. Wenn Sie „dieses Ergebnis“ sagen, erinnert sich der Agent an Ihre Scenario und versteht sie. Das sind natürliche und menschenähnliche Interaktionen. Es können auch andere Speichertypen ausprobiert werden.

• KonversationZusammenfassungSpeicher: Bietet eine fortlaufende Zusammenfassung für längere Diskussionen
• ConversationBufferWindowMemory: Erinnert sich nur an die letzten N Interaktionen
• VectorStoreMemory: Speichert Interaktionen in einer durchsuchbaren Vektordatenbank

Für jeden Typ gibt es je nach Ihren Anforderungen eine eigene Anwendung.

Anwendungen aus der Praxis

Die gleichen Grundkonzepte, die den einfachen Agenten von heute zugrunde liegen, treiben auch die anspruchsvollen Agenten der Zukunft an. Hier sind einige Anwendungen, für die wir diese Agenten verwenden können, die ähnliche Strukturen implementieren:

• Bots für den Kundensupport, die den Standing von Bestellungen und Rücksendungen überprüfen
• KI-Helfer, die sich um Kalender, E-Mails und Buchungen kümmern
• Instruments für die Recherche, die Daten aus verschiedenen Kanälen sammeln
• Finanzberater, die sich die Marktstatistiken und die Efficiency der Portfolios ansehen
• Maschinen zur Inhaltserstellung, die nach Themen suchen, Artikel schreiben und Korrektur lesen

Betrachten Sie es als eine Weiterentwicklung unseres Forschungsagent bis hin zur Erstellung vollständiger Berichte oder einer Weiterentwicklung des Rechneragenten bis hin zur Durchführung von Finanzplanungen mit Echtzeitdaten über APIs.

Abschluss

Strands-Agenten stellen einen Wendepunkt in der Entwicklung der KI dar, da sie über eine Reihe fortschrittlicher Eigenschaften verfügen, die es ihnen ermöglichen, in den schwierigsten Fällen als menschliche Assistenten zu fungieren. Die Ära der Roboter, die nur sprechen, ist vorbei; Systeme handeln jetzt, erinnern sich und denken sogar.

Die beiden Agenten, die wir heute entwickelt haben, sind die Bausteine. Sie verstehen die Struktur, sehen den Arbeitscode und erleben den Entwicklungsworkflow. Jetzt bauen Sie einfach weiter, probieren Sie weiterhin neue Dinge aus und genießen Sie vor allem die Zeit dabei. Die Zukunft der KI entsteht gerade in diesem Second und Sie sind einer der Charaktere in dieser Handlung.

Gen AI-Praktikant bei Analytics Vidhya
Abteilung für Informatik, Vellore Institute of Expertise, Vellore, Indien

Derzeit arbeite ich als Gen AI-Praktikant bei Analytics Vidhya, wo ich zu innovativen KI-gesteuerten Lösungen beitrage, die Unternehmen in die Lage versetzen, Daten effektiv zu nutzen. Als Informatikstudent im Abschlussjahr am Vellore Institute of Expertise bringe ich solide Grundlagen in Softwareentwicklung, Datenanalyse und maschinellem Lernen in meine Rolle ein.

Kontaktieren Sie mich gerne unter (electronic mail protected)