Ich erwähnte, dass die Terminplanung die nächste Hürde ist, auf die ich zusteuere.

Additionally schätze ich, hier bin ich und gehe darauf zu

Aber bevor ich darauf eingehe, was passiert ist, möchte ich für jeden, der zum ersten Mal darüber stolpert, einen Kontext geben.

Ich bin ein Systemanalytiker, der sich für den Übergang in die Datentechnik entschieden hat. Anstatt nur Kurse zu belegen und Zertifikate zu sammeln, habe ich beschlossen, zu lernen, indem ich etwas aufbaue und öffentlich darüber schreibe. Jeder Artikel in dieser Reihe dokumentiert etwas, das ich tatsächlich gebaut habe, die Entscheidungen, die ich getroffen habe, die Dinge, die kaputt gegangen sind, und was ich daraus gelernt habe.

Der erste Artikel struggle meine 12-monatige Roadmap für das Selbststudiumwo ich den Plan darlegte, wie ich diesen Übergang angehen würde. Der Zweite struggle ich Ich baue meine erste ETL-Pipeline von Grund auf auf Verwendung der GitHub-API als absoluter Anfänger. Im dritten habe ich dieselbe Pipeline genommen und machte es produktionstauglicher durch Hinzufügen von SQLite-Speicher, Idempotenz-Handhabung und Google Drive-Persistenz, alles innerhalb von Google Colab.

Dieser Artikel ist der vierte. Und es setzt genau dort an, wo das letzte aufgehört hat.

Ich ging davon aus, dass ich die meiste Zeit damit verbringen würde, ein Planungstool auszuwählen und zu konfigurieren. Was ich nicht erwartet hatte, struggle, dass ich mich mit etwas Grundlegenderem befassen musste, bevor ich überhaupt über die Terminplanung nachdenken konnte. Meine Pipeline konnte nicht außerhalb von Google Colab ausgeführt werden. Und bis sich das änderte, konnte mir kein Planer der Welt helfen.

Dies ist die Geschichte dessen, was tatsächlich passiert ist.

Die erste Wand: Meine Pipeline lebte in Colab

Bevor ich überhaupt mit der Planung begann, wollte ich verstehen, was eigentlich nötig wäre, um meine Pipeline automatisch auszuführen. Deshalb habe ich mir meinen Code zum ersten Mal mit dieser Frage im Hinterkopf genauer angesehen.

So sah der Ladebereich aus:

conn = sqlite3.join('/content material/drive/MyDrive/github_repos.db')

Dieser Weg, /content material/drive/MyDrive/existiert nur innerhalb von Google Colab. Es handelt sich um den bereitgestellten Google Drive-Pfad, den Ihnen Colab zur Verfügung stellt, wenn Sie Ihr Drive mit einem Pocket book verbinden. Außerhalb von Colab existiert dieser Pfad nicht. Wenn ein Planer versuchen würde, dieses Skript auszuführen, würde es genau dort abstürzen.

Das Interessante ist, dass mein Code nein hatte google.colab Importe. Keine Colab-spezifischen Bibliotheken. Nur ein fest codierter Pfad, den ich eingegeben hatte, ohne wirklich darüber nachzudenken. Dieser Pfad struggle die Abhängigkeit, nicht der Code.

Das struggle das erste, was ich nicht erwartet hatte. Ich dachte, die Herausforderung würde darin bestehen, ein Planungstool zu erlernen. Stattdessen struggle die erste Lektion, dass meine Umgebung Teil meiner Pipeline struggle und ich es nicht bemerkt hatte.

Die Lösung struggle einfach. Anstatt den Colab-Pfad fest zu codieren, habe ich den Datenbankpfad über eine Umgebungsvariable konfigurierbar gemacht:

import os

DB_PATH = os.environ.get('DB_PATH', 'github_repos.db')
conn = sqlite3.join(DB_PATH)

Jetzt verwendet das Skript den in der Umgebung festgelegten Pfad. Wenn nichts festgelegt ist, wird auf die Erstellung einer lokalen Datei zurückgegriffen github_repos.db Datei im selben Ordner. Eine Änderung und die Pipeline struggle nicht mehr an Colab gebunden.

Zum ersten Mal außerhalb von Colab ausführen

Bevor ich einen Planer einrichtete, wollte ich sicherstellen, dass das Skript tatsächlich eigenständig funktioniert. Additionally habe ich es gespeichert als pipeline.pyerstellt a necessities.txt mit den beiden benötigten Bibliotheken:

requests
pandas

Und habe es von meinem Terminal aus ausgeführt:

Es wurde gedruckt: Pipeline full. Duplicates dealt with.

Und eine Datei namens github_repos.db erschien in meinem Ordner. Dieselbe Pipeline, die ich in Colab ausgeführt hatte, lief jetzt überall als einfaches Python-Skript.

Das schien eine größere Sache zu sein, als ich erwartet hatte. Nicht weil die Änderung komplex struggle, das struggle sie nicht. Sondern weil mir klar wurde, dass ich meine Pipeline als Notizbuch betrachtet hatte, obwohl ich tatsächlich ein Skript hatte, das sich zufällig darin befand.

Auswahl eines Planungstools

Zu diesem Zeitpunkt hatte ich ein eigenständiges Skript. Jetzt brauchte ich etwas, um es nach einem Zeitplan auszuführen.

Ich habe mir ein paar Optionen angesehen. Mit APScheduler können Sie Zeitpläne in Ihrem Python-Code definieren. Dies funktioniert, während eine Sitzung ausgeführt wird, stoppt jedoch, sobald Sie Ihr Terminal schließen. Das ist nicht wirklich eine Planung, das ist nur eine Schleife. Airflow ist der Industriestandard für die Orchestrierung von Pipelines, erfordert jedoch den Betrieb eines Servers, einer Metadatendatenbank und einer Webschnittstelle. Das ist eine Menge Infrastruktur für den Ort, an dem ich mich gerade befinde.

GitHub Actions befanden sich in der Mitte. Es ist kostenlos, läuft auf den Servern von GitHub, der Zeitplan ist im Code definiert und ich muss keine Infrastruktur pflegen. Der Nachteil besteht darin, dass es für CI/CD-Workflows und nicht für die Pipeline-Orchestrierung konzipiert ist und daher Einschränkungen hinsichtlich komplexer Abhängigkeiten und Überwachung aufweist. Aber für eine Pipeline in meinem Stadium ist es eine praktische Wahl.

Ich möchte auch ehrlich sein: Instruments wie Airflow gibt es aus einem bestimmten Grund. Wenn eine Pipeline wächst, wenn Abhängigkeiten zwischen Aufgaben bestehen und Sie Einblick in die ausgeführten und fehlgeschlagenen Aufgaben benötigen, ist eine ordnungsgemäße Orchestrierung erforderlich. GitHub Actions ist das nicht. Aber es ist ein guter erster Schritt, und zu verstehen, warum es begrenzt ist, ist Teil des Verständnisses dafür, was diese ernsthafteren Instruments tatsächlich lösen.

Einrichten von GitHub-Aktionen

GitHub Actions arbeitet mit Workflow-Dateien, bei denen es sich um YAML-Dateien handelt, die Sie in einem bestimmten Ordner in Ihrem Repository ablegen. Die Ordnerstruktur sieht so aus:

github-etl/
├── .github/
│   └── workflows/
│       └── schedule.yml
├── pipeline.py
└── necessities.txt

Hier ist die vollständige Workflow-Datei, die ich erstellt habe:

title: Run ETL Pipeline

on:
  schedule:
    - cron: '0 9 * * *'
  workflow_dispatch:

jobs:
  run-pipeline:
    runs-on: ubuntu-latest

    steps:
      - title: Checkout code
        makes use of: actions/checkout@v4

      - title: Arrange Python
        makes use of: actions/setup-python@v5
        with:
          python-version: '3.11'

      - title: Set up dependencies
        run: pip set up -r necessities.txt

      - title: Run pipeline
        run: python pipeline.py

Lassen Sie mich durchgehen, was jeder Teil tut.

• cron: '0 9 * * *' ist der tatsächliche Zeitplan. Cron ist ein zeitbasiertes Jobplanungsformat, das es in Unix-Systemen seit Jahrzehnten gibt. Die fünf Werte repräsentieren Minute, Stunde, Tag des Monats, Monat und Wochentag. Additionally 0 9 * * * bedeutet: zur Minute 0 der 9. Stunde, jeden Tag, jeden Monat, jeden Tag der Woche. Mit anderen Worten, jeden Tag 9 Uhr UTC.
• workflow_dispatch fügt einen manuellen Auslöser hinzu. Das bedeutet, dass Sie den Workflow auch durch Klicken auf eine Schaltfläche in GitHub ausführen können, ohne auf die geplante Zeit warten zu müssen. Dies ist zum Testen nützlich.
• runs-on: ubuntu-latest weist GitHub an, bei jedem Lauf eine neue Linux-Maschine hochzufahren. Jedes Mal, wenn der Workflow ausgelöst wird, erstellt GitHub eine saubere Umgebung, installiert Ihre Abhängigkeiten, führt Ihr Skript aus und fährt dann alles herunter. Es gibt keinen persistenten Pc, der irgendwo Ihren Code ausführt. Es ist vergänglich.

Die Schritte sind unkompliziert. Checkout ruft Ihren Code aus dem Repository in den Runner ab. Setup Python installiert die von Ihnen angegebene Model. Abhängigkeiten installieren wird ausgeführt pip set up -r necessities.txt. Und dann führt „Run Pipeline“ Ihr Skript aus.

Was geschah, als ich es ausführte?

Nachdem ich die Workflow-Datei auf GitHub übertragen hatte, ging ich in meinem Repository zur Registerkarte „Aktionen“ und löste sie manuell über die Schaltfläche „workflow_dispatch“ aus.

Es lief. Siebenundzwanzig Sekunden vom Begin bis zum Ende. Die Pipeline hat Daten von der GitHub-API abgerufen, transformiert und in SQLite geladen, alles auf einem GitHub-Server, ohne dass ich nach dem Klicken auf die Schaltfläche etwas tun musste.

Ich habe beim ersten Durchlauf eine Warnung erhalten:

Node.js 20 actions are deprecated...

Das lag daran, dass ich ältere Versionen der Checkout- und Setup-Python-Aktionen verwendet hatte. Der Repair wurde aktualisiert actions/checkout@v3 Zu actions/checkout@v4 Und actions/setup-python@v4 Zu actions/setup-python@v5. Danach lief der Workflow sauber.

Was ich tatsächlich gelernt habe

Als ich darauf einging, dachte ich, dass es bei der Terminplanung darum geht, das richtige Werkzeug auszuwählen. Ich stellte fest, dass mich die Terminplanung dazu zwang, über etwas nachzudenken, worüber ich vorher nicht sorgfältig nachgedacht hatte: Portabilität.

Eine Pipeline, die nur in einer bestimmten Umgebung ausgeführt wird, ist keine echte Pipeline. Es ist ein Skript, das an eine Plattform gebunden ist. Um es planbar zu machen, musste man es zunächst portabel machen, und um es portabel zu machen, musste man verstehen, wovon es tatsächlich abhängt.

Der fest codierte Pfad struggle eine Kleinigkeit. Aber als ich es erkannte, änderte sich meine Einstellung zum künftigen Schreiben von Pipeline-Code. Jedes Mal, wenn ich einen Pfad, einen Berechtigungsnachweis oder einen umgebungsspezifischen Wert schreibe, frage ich mich nun, ob das Ding außerhalb des Kontexts, in dem ich baue, existieren wird.

Außerdem habe ich gelernt, dass Planung und Orchestrierung unterschiedliche Probleme sind. GitHub Actions handhabt die Planung intestine. Dinge wie die Wiederholung fehlgeschlagener Ausführungen mit Backoff, die Warnung, wenn etwas schief geht, die Visualisierung von Pipeline-Abhängigkeiten oder die Verwaltung mehrerer voneinander abhängiger Pipelines werden nicht behandelt. Dabei handelt es sich um Orchestrierungsprobleme, für deren Lösung Instruments wie Airflow konzipiert sind.

Ich bin noch nicht da. Aber ich verstehe jetzt, warum diese Instruments auf eine Weise existieren, die ich vorher nicht kannte.

Was kommt als nächstes?

Die Pipeline läuft jetzt jeden Tag um 9 Uhr UTC. Es werden Daten erhoben. Und mir fällt langsam etwas auf: Wenn eine Pipeline täglich läuft, kümmern Sie sich auf andere Weise um die Daten, die sie produziert.

Sind alle Unterlagen sauber? Gibt es Repos, die mit fehlenden Feldern durchschlüpfen? Ist die virale Flagge tatsächlich sinnvoll oder habe ich sie so definiert, dass quick alles „Nein“ lautet?

Das sind Fragen zur Datenqualität. Und sie sind die nächste Wand, auf die ich zugehe.

Dies ist Teil meiner fortlaufenden Serie, die meinen Übergang vom Systemanalytiker zum Dateningenieur dokumentiert. Wenn Sie mitgemacht haben, vielen Dank. Wenn dies Ihr erster Artikel in der Reihe ist, sind die früheren Artikel unten verlinkt.

Vom Datenanalysten zum Dateningenieur: Meine 12-monatige Roadmap zum Selbststudium

Ich habe meine erste ETL-Pipeline als absoluter Anfänger gebaut. Hier erfahren Sie, wie.

Ich dachte, Knowledge Engineering sei nur das Schreiben von Skripten. Ich habe mich geirrt.

Verbinde dich mit mir LinkedIn, YouTubeUnd Twitter.

Bild vom Herausgeber

# Verständnis der Simply-in-Time-Weltmodellierung

Dieser Artikel bietet einen Überblick und eine Zusammenfassung des kürzlich veröffentlichten Artikels mit dem Titel „Simply in Time“ World Modeling Helps Human Planning and Reasoning, der vollständig zum Lesen verfügbar ist unter arXiv.

In einem sanfteren und für ein breiteres Publikum zugänglicheren Ton werden wir erläutern, was simulationsbasiertes Denken ist, das im Artikel vorgestellte allgemeine Simply-in-Time-Framework (JIT) mit Schwerpunkt auf der Orchestrierung der verwendeten Mechanismen beschreiben und zusammenfassen, wie es sich verhält und dabei hilft, Vorhersagen im Kontext der Unterstützung menschlicher Planung und Argumentation zu verbessern.

# Simulationsbasiertes Denken verstehen

Stellen Sie sich vor, Sie befinden sich in der entlegensten Ecke eines dunklen, unordentlichen Raums voller Hindernisse und möchten den genauen Weg bestimmen, um die Tür zu erreichen, ohne zusammenzustoßen. Nehmen wir parallel dazu an, dass Sie gerade dabei sind, einen Billardball zu schlagen, und stellen Sie sich die genaue Flugbahn vor, der der Ball Ihrer Meinung nach folgen wird. In diesen beiden Situationen gibt es eines gemeinsam: die Fähigkeit, eine zukünftige State of affairs in unserem Kopf zu projizieren, ohne etwas zu unternehmen. Dies ist bekannt als Simulationsbasiertes Denkenund hochentwickelte KI-Agenten benötigen diese Fähigkeit in einer Vielzahl von Situationen.

Simulationsbasiertes Denken ist ein kognitives Werkzeug, das wir Menschen ständig zur Entscheidungsfindung, Routenplanung und Vorhersage dessen nutzen, was als nächstes in unserer Umgebung passieren wird. Doch die reale Welt ist absurd komplex und voller Nuancen und Particulars. Der Versuch, alle möglichen Eventualitäten und ihre Auswirkungen umfassend zu berechnen, kann unsere mentalen Ressourcen innerhalb von Millisekunden schnell erschöpfen. Um dies zu vermeiden, erstellen wir in biologischer Hinsicht keine nahezu perfekte fotografische Kopie der Realität, sondern erzeugen eine vereinfachte Darstellung, die nur wirklich relevante Informationen enthält.

Die wissenschaftliche Gemeinschaft versucht immer noch, eine wichtige Frage zu beantworten: Wie entscheidet unser Gehirn so schnell und effizient, welche Particulars es in diese mentale Simulation einbezieht und welche weglässt? Diese Frage motiviert das in der Zielstudie vorgestellte JIT-Framework.

# Erforschung der zugrunde liegenden Mechanismen

Um die zuvor formulierte Frage zu beantworten, stellen die Forscher der Studie ein innovatives JIT-Framework vor, das im Gegensatz zu herkömmlichen Theorien, die eine vollständige Beobachtbarkeit der Umgebung vor der Planung voraussetzen, vorschlägt, im Handumdrehen eine mentale Karte zu erstellen und Informationen nur dann zu sammeln, wenn sie wirklich notwendig sind.

Das im Papier vorgeschlagene und auf ein Navigationsproblem angewendete JIT-Framework | Quelle: Hier

Die größte Errungenschaft dieses Modells besteht darin, wie es die Kombination und Verflechtung zwischen drei Schlüsselmechanismen definiert:

1. Simulation: Es basiert auf dem Prinzip, dass unser Geist im Voraus beginnt, die Vorgehensweise oder den Weg zu entwerfen, dem wir folgen werden.
2. Visuelle Suche: Während sich die mentale Simulation dem Unbekannten nähert, sendet sie unseren Augen (oder Wahrnehmungen im Fall von KI-Agenten oder -Systemen) ein Sign, diesen bestimmten Teil der physischen (oder digitalen) Umgebung zu untersuchen.
3. Darstellungsänderung: Wenn ein Objekt entdeckt wird, das unseren Plan stören könnte, z. B. ein Hindernis, „kodiert“ der Geist dieses Objekt sofort und fügt es seinem mentalen Modell hinzu, um es zu berücksichtigen.

In der Praxis ist dies ein schneller und fließender Zyklus: Das Gehirn simuliert in bescheidenem Maße, dann suchen die „Augen“ nach Hindernissen, der Verstand aktualisiert die Informationen und die Simulation geht weiter – alles auf fein orchestrierte Weise.

# Rahmenverhalten und seine Auswirkungen auf die Entscheidungsfindung

Was ist der faszinierendste Aspekt des in der Arbeit vorgestellten JIT-Modells? Das ist wohl so erstaunlich effizient. Die Autoren testeten dies, indem sie menschliches Verhalten mit Computersimulationen in zwei Experimenten verglichen: Navigation in einem Labyrinth und physikalische Vorhersageversuche, beispielsweise das Erraten, wohin ein Ball springen wird.

Die Ergebnisse zeigten, dass das JIT-System eine deutlich geringere Anzahl von Objekten im Speicher speichert als Systeme, die von Anfang an versuchen, die gesamte Umgebung umfassend zu verarbeiten. Obwohl das Framework auf einem fragmentierten mentalen Bild basiert, das nur einen kleinen Teil der gesamten Realität umfasst, ist es jedoch in der Lage, qualitativ hochwertige, fundierte Entscheidungen zu treffen. Dies bietet eine tiefgreifende Erkenntnis: Unser Gehirn verbessert seine Leistung und Reaktionsgeschwindigkeit nicht dadurch, dass es mehr Daten verarbeitet, sondern indem es unglaublich selektiv ist und zuverlässige Vorhersagen trifft, ohne übermäßige kognitive Anstrengungen zu unternehmen.

# Berücksichtigung zukünftiger Richtungen

Während das in der Studie vorgestellte JIT-Framework eine brillante Erklärung dafür bietet, wie Menschen planen (mit möglichen Auswirkungen auf die Ausweitung der Grenzen von KI-Systemen), gibt es noch einige Horizonte zu erkunden. Die in der Studie durchgeführten Versuche berücksichtigten ausschließlich weitgehend statische Umgebungen. Daher sollten bei der Erweiterung dieses Modells auch hochdynamische und sogar chaotische Szenarien berücksichtigt werden. Zu verstehen, wie relevante Informationen ausgewählt werden, wenn mehrere nicht statische Objekte um uns herum koexistieren, könnte die nächste große Herausforderung für weitere Fortschritte in dieser faszinierenden menschlichen Planungs- und Argumentationstheorie sein und – wer weiß! – es auf die KI-Welt übertragen.

Iván Palomares Carrascosa ist ein führender Autor, Redner und Berater in den Bereichen KI, maschinelles Lernen, Deep Studying und LLMs. Er schult und leitet andere darin, KI in der realen Welt zu nutzen.

Wir alle tun dies auf natürliche Weise und regelmäßig. In unserem Privatleben führen wir oft To-Do-Pay attention, um Urlaub, Besorgungen und alles dazwischen zu organisieren.

Bei der Arbeit verlassen wir uns auf Aufgabenverfolgung und Projektpläne, um die Groups auf dem Laufenden zu halten. Für Entwickler ist es auch üblich, zu gehen TODO Kommentare im Code als Erinnerung für zukünftige Änderungen.

Es überrascht nicht, dass LLM-Agenten auch von klaren To-Do-Pay attention profitieren, die ihnen bei ihrer Planung helfen.

To-Do-Pay attention helfen Agenten dabei, komplexe Aufgaben effektiver zu planen und zu verfolgen, was sie besonders nützlich für die Koordination mehrerer Instruments und langwierige Vorgänge macht, bei denen der Fortschritt sichtbar sein muss.

Codierungsagenten mögen OpenAI-Codex, ClineUnd Claude Code (die ich regelmäßig verwende) sind Paradebeispiele für dieses Konzept.

Sie unterteilen komplexe Anfragen in eine erste Reihe von Schritten, organisieren sie als To-Do-Liste mit Abhängigkeiten und aktualisieren den Plan in Echtzeit, wenn Aufgaben erledigt sind oder neue Informationen auftauchen.

Diese Klarheit ermöglicht es Agenten, lange Aktionssequenzen zu bewältigen, sich über verschiedene Instruments hinweg zu koordinieren und den Fortschritt auf verständliche Weise zu verfolgen.

In diesem Artikel befassen wir uns damit, wie Agenten Aufgabenlistenfunktionen nutzen, analysieren die zugrunde liegenden Komponenten des Planungsprozesses und demonstrieren dessen Implementierung mit LangChain.

Inhalt

(1) Beispielszenario für Planning Agent
(2) Schlüsselkomponenten der To-Do-Fähigkeiten
(3) Füge es in einer Middleware zusammen

Der zugehörige Code ist verfügbar in dieses GitHub-Repo.

---

(1) Beispielszenario für Planning Agent

Schauen wir uns das Beispielszenario an, um unsere exemplarische Vorgehensweise zu verankern.

Wir werden eine einrichten Einzelagent um eine Reiseroute zu planen und die Buchungsaufgaben auszuführen. Der Agent hat Zugriff auf:

In diesem Beispiel sind diese Instruments simuliert und führen keine echten Buchungen durch; Sie werden eingefügt, um die Planungslogik des Agenten und die Verwendung von To-Do-Pay attention zu veranschaulichen.

---

Hier ist der Code zur Implementierung unseres Planungsagent in LangChain:

Wir geben eine Benutzeranfrage ein und sehen uns die To-Do-Liste an, die sich aus der Planung des Agenten ergibt:

Durch die Verwendung strukturierter Notizen über To-Do-Pay attention können Agenten ein persistentes Gedächtnis außerhalb des Kontextfensters aufrechterhalten. Diese Strategie verbessert die Fähigkeit eines Agenten, relevanten Kontext im Laufe der Zeit zu verwalten und beizubehalten.

---

Die Code-Einrichtung ist unkompliziert: create_agent Erstellt die LLM-Agenteninstanz, wir übergeben die Systemeingabeaufforderung und wählen das Modell aus (GPT-5.1) und verknüpfen Sie die Instruments.

Bemerkenswert ist die TodoListMiddleware() Objekt, das an übergeben wird middleware Parameter.

Erstens: Was ist LangChain? Middleware?

Wie der Identify schon sagt, handelt es sich um eine mittlere Ebene, mit der Sie benutzerdefinierten Code vor und nach LLM-Aufrufen ausführen können.

Stellen Sie sich Middleware als eine programmierbare Ebene vor, die es uns ermöglicht, Code einzufügen, um sein Verhalten zu überwachen, anzupassen oder zu erweitern.

Es gibt uns Kontrolle und Transparenz über das Verhalten von Agenten, ohne ihre Kernlogik zu ändern. Es kann verwendet werden, um Eingabeaufforderungen und Ausgaben umzuwandeln, Wiederholungsversuche oder vorzeitige Beendigungen zu verwalten und Schutzmaßnahmen anzuwenden (z. B. Leitplanken, PII-Prüfungen).

TodoListMiddleware ist eine integrierte Middleware, die Agenten speziell Funktionen zur Verwaltung von Aufgabenlisten bietet. Als nächstes untersuchen wir, wie die TodoListMiddleware funktioniert unter der Haube.

---

(2) Schlüsselkomponenten der To-Do-Fähigkeiten

Die Verwaltungsfunktionen für To-Do-Pay attention eines Planungsagenten laufen darauf hinaus vier Schlüsselkomponenten:

1. Zu erledigendes Aufgabenelement
2. Liste der zu erledigenden Aufgaben
3. Ein Software, das die To-Do-Liste schreibt und aktualisiert
4. Zu erledigendes System-Immediate-Replace

Der TodoListMiddleware führt diese Elemente zusammen, um die Aufgabenlistenfunktionen eines Agenten zu ermöglichen.

Schauen wir uns die einzelnen Komponenten und ihre Implementierung im genauer an To-Do-Middleware-Code.

(2.1) Zu erledigender Aufgabenpunkt

Ein To-do-Eintrag ist die kleinste Einheit in einer To-do-Liste und stellt eine einzelne Aufgabe dar. Es wird durch zwei Felder dargestellt: Aufgabenbeschreibung und aktueller Standing.

In LangChain wird dies als modelliert Todo Typ, definiert mit TypedDict:

Der content material Das Feld stellt die Beschreibung der Aufgabe dar, die der Agent als Nächstes ausführen muss, während das standing verfolgt, ob die Aufgabe nicht gestartet wurde (pending), in Bearbeitung (in_progress) oder fertig (accomplished).

Hier ist ein Beispiel für einen To-do-Eintrag:

{
   "content material": "Examine flight choices from Singapore to Tokyo",
   "standing": "accomplished"
},

---

(2.2) Liste der Aufgaben

Nachdem wir nun die Struktur von a definiert haben Todo Ingredient untersuchen wir, wie eine Reihe von To-Do-Elementen als Teil des Gesamtplans gespeichert und verfolgt wird.

Wir definieren a State Objekt (PlanningState), um den Plan als zu erfassen Liste Anzahl der zu erledigenden Elemente, die aktualisiert werden, wenn Aufgaben ausgeführt werden:

Der todos Feld ist elective (NotRequired), was bedeutet, dass es bei der ersten Initialisierung möglicherweise nicht vorhanden ist (d. h. der Agent hat möglicherweise noch keine Aufgaben in seinem Plan).

OmitFromInput bedeutet das todos wird intern von der Middleware verwaltet und sollte nicht direkt als Benutzereingabe bereitgestellt werden.

Der Standing ist das Kurzzeitgedächtnis des Agenten, das aktuelle Gespräche und wichtige Informationen erfasst, damit er auf der Grundlage früherer Kontexte und Informationen angemessen handeln kann.

In diesem Fall bleibt die Aufgabenliste im Standing, sodass der Agent während der gesamten Sitzung konsistent auf Aufgaben verweisen und diese aktualisieren kann.

Hier ist ein Beispiel für eine To-Do-Liste:

todos: record(Todo) = (
    {
        "content material": "Analysis visa necessities for Singapore passport holders visiting Japan",
        "standing": "accomplished"
    },
    {
        "content material": "Examine flight choices from Singapore to Tokyo",
        "standing": "in_progress"
    },
    {
        "content material": "E book flights and motels as soon as itinerary is finalized",
        "standing": "pending"
    }
)

---

(2.3) Software zum Schreiben und Aktualisieren von Aufgaben

Nachdem die Grundstruktur der To-Do-Liste festgelegt ist, benötigen wir nun ein Software, mit dem der LLM-Agent sie verwalten und aktualisieren kann, wenn Aufgaben ausgeführt werden.

Hier ist die Standardmethode zur Definition unseres Instruments (write_todos):

Der write_todos Das Software gibt a zurück Command Dadurch wird der Agent angewiesen, seine Aufgabenliste zu aktualisieren und eine Nachricht anzuhängen, in der die Änderung aufgezeichnet wird.

Während die write_todos Die Struktur ist unkompliziert, die Magie liegt in der Beschreibung (WRITE_TODOS_TOOL_DESCRIPTION) des Werkzeugs.

Wenn der Agent das Software aufruft, dient die Toolbeschreibung als entscheidende zusätzliche Eingabeaufforderung. Anleitung zur richtigen Verwendung und zur Bereitstellung von Eingaben.

Hier ist LangChains (ziemlich langer) Ausdruck der Werkzeugbeschreibung:

Wir können sehen, dass die Beschreibung sehr strukturiert und präzise ist und definiert, wann und wie das Software verwendet werden soll, sowie Aufgabenstatus und Verwaltungsregeln.

Es bietet außerdem klare Richtlinien für die Verfolgung komplexer Aufgaben, deren Aufteilung in klare Schritte und deren systematische Aktualisierung.

Schauen Sie sich gerne die prägnantere Interpretation einer To-Do-Software-Beschreibung durch Deepagents an Hier

---

(2.4) Aktualisierung der Systemaufforderung

Das letzte Ingredient beim Einrichten der Aufgabenfunktion ist die Aktualisierung der Systemaufforderung des Agenten.

Dies geschieht durch Injektion WRITE_TODOS_SYSTEM_PROMPT in die Haupteingabeaufforderung ein und informiert den Agenten ausdrücklich darüber, dass die write_todos Werkzeug existiert.

Es leitet den Agenten weiter wann und warum das Software verwendet werden sollbietet Kontext für komplexe, mehrstufige Aufgaben und beschreibt Greatest Practices für die Pflege und Aktualisierung der To-Do-Liste:

---

(3) Zusammenstellung in einer Middleware

Schließlich sind alle vier Schlüsselkomponenten in einer einzigen Klasse namens „ TodoListMiddlewaredas die Aufgabenfunktionen in einen zusammenhängenden Ablauf für den Agenten bündelt:

• Definieren PlanningState um Aufgaben als Teil einer To-Do-Liste zu verfolgen
• Dynamisch erstellen write_todos Software, um die Liste zu aktualisieren und dem LLM zugänglich zu machen
• Injizieren WRITE_TODOS_SYSTEM_PROMPT um die Planung und Argumentation des Agenten zu leiten

Der WRITE_TODOS_SYSTEM_PROMPT wird über die Middleware injiziert wrap_model_call (Und awrap_model_call)-Methode, die sie bei jedem Modellaufruf an die Systemnachricht des Agenten anhängt, wie unten gezeigt:

---

Ich schließe es ab

Genau wie Menschen nutzen Agenten To-Do-Pay attention, um komplexe Probleme aufzuschlüsseln, organisiert zu bleiben und sich in Echtzeit anzupassen, sodass sie Probleme effektiver und genauer lösen können.

Durch die Middleware-Implementierung von LangChain erhalten wir außerdem tiefere Einblicke in die Artwork und Weise, wie geplante Aufgaben von Agenten strukturiert, verfolgt und ausgeführt werden können.

Kasse dieses GitHub-Repo für die Code-Implementierung.

Die Einführung neuer Instruments und Technologien erfolgt dann, wenn Benutzer sie weitgehend als zuverlässig und zugänglich empfinden und im Hinblick auf die Kosten eine Verbesserung gegenüber den verfügbaren Methoden und Arbeitsabläufen darstellen. Fünf Doktoranden aus der Eröffnungsklasse des MIT-IBM Watson AI Lab Summer time Program nutzen modernste Ressourcen, lindern KI-Probleme und schaffen neue Funktionen und Fähigkeiten, um den Nutzen und Einsatz von KI zu fördern – vom Lernen, wann man einem Modell vertrauen sollte, das die Genauigkeit eines anderen vorhersagt, bis hin zu effektiverer Argumentation über Wissensdatenbanken. Gemeinsam bilden die Bemühungen der Studenten und ihrer Mentoren eine durchgehende Linie, in der praktische und technisch anspruchsvolle Forschung zu zuverlässigeren und wertvolleren Modellen in allen Bereichen führt.

Die Arbeit der Studierenden beim Aufbau von Sonden, Routern, neuen Aufmerksamkeitsmechanismen, synthetischen Datensätzen und Programmsynthese-Pipelines umfasst Sicherheit, Inferenzeffizienz, multimodale Daten und wissensbasiertes Denken. Ihre Techniken legen Wert auf Skalierung und Integration, wobei die Wirkung immer im Blick ist.

Vertrauen lernen und wann

Die Forschung des MIT-Mathematikstudenten Andrey Bryutkin priorisiert die Vertrauenswürdigkeit von Modellen. Er sucht nach internen Strukturen innerhalb von Problemen, wie beispielsweise Gleichungen, die ein System regeln, und Erhaltungsgesetzen, um zu verstehen, wie man sie nutzen kann, um zuverlässigere und robustere Lösungen zu erzielen. Auf dieser Grundlage und in Zusammenarbeit mit dem Labor entwickelte Bryutkin eine Methode, um einen Blick in die Natur des Verhaltens großer Lernmodelle (LLMs) zu werfen. Zusammen mit Veronika Thost von IBM Analysis im Labor und Marzyeh Ghassemi – außerordentlicher Professor und Germeshausen Profession Improvement Professor am MIT Division of Electrical Engineering and Laptop Science (EECS) und Mitglied des Institute of Medical Engineering Sciences und des Laboratory for Info and Determination Programs – erforschte Bryutkin die „Unsicherheit der Unsicherheit“ von LLMs.

Klassischerweise werden winzige Feed-Ahead-Neuronale Netze mit einer Tiefe von zwei bis drei Schichten, sogenannte Probes, neben LLMs trainiert und eingesetzt, um Entwicklern nicht vertrauenswürdige Antworten aus dem größeren Modell zu melden; Allerdings können diese Klassifikatoren auch falsch-negative Ergebnisse liefern und nur Punktschätzungen liefern, die nicht viele Informationen darüber liefern, wann das LLM ausfällt. Bei der Untersuchung sicherer/unsicherer Eingabeaufforderungen und Frage-Antwort-Aufgaben verwendete das MIT-IBM-Group Eingabeaufforderungs-Label-Paare sowie verborgene Zustände wie Aktivierungsvektoren und letzte Token eines LLM, um Gradientenwerte, Empfindlichkeit gegenüber Eingabeaufforderungen und Daten außerhalb der Verteilung zu messen, um zu bestimmen, wie zuverlässig die Sonde conflict, und um Datenbereiche zu lernen, die schwer vorherzusagen sind. Ihre Methode hilft auch dabei, potenzielles Etikettierungsrauschen zu identifizieren. Dies ist eine entscheidende Funktion, da die Vertrauenswürdigkeit von KI-Systemen vollständig von der Qualität und Genauigkeit der gekennzeichneten Daten abhängt, auf denen sie basieren. Genauere und konsistentere Sonden sind besonders wichtig für Domänen mit kritischen Daten in Anwendungen wie der Granite Guardian-Modellfamilie von IBM.

Eine weitere Möglichkeit, vertrauenswürdige Antworten auf Anfragen eines LLM sicherzustellen, besteht darin, diese mit externen, vertrauenswürdigen Wissensdatenbanken zu ergänzen, um Halluzinationen zu verhindern. Für strukturierte Daten wie Social-Media-Verbindungen, Finanztransaktionen oder Unternehmensdatenbanken sind Wissensgraphen (KG) die natürliche Lösung; Für die Kommunikation zwischen LLM und KGs werden jedoch häufig feste Multi-Agent-Pipelines verwendet, die rechenineffizient und teuer sind. Um dieses Downside anzugehen, hat der Physik-Doktorand Jinyeop Track zusammen mit den Laborforschern Yada Zhu von IBM Analysis und dem EECS-Assoziierten Professor Julian Shun ein Single-Agent-, Multi-Flip- und Reinforcement-Studying-Framework entwickelt, das diesen Prozess rationalisiert. Hier entwarf die Gruppe einen API-Server, der Freebase- und Wikidata-KGs hostet, die aus allgemeinen webbasierten Wissensdaten bestehen, und einen LLM-Agenten, der gezielte Abrufaktionen ausgibt, um relevante Informationen vom Server abzurufen. Dann hängt der Agent durch kontinuierliches Hin- und Her die gesammelten Daten von den KGs an den Kontext an und antwortet auf die Anfrage. Entscheidend ist, dass sich das System mithilfe von Reinforcement Studying selbst darauf trainiert, Antworten zu liefern, die ein Gleichgewicht zwischen Genauigkeit und Vollständigkeit herstellen. Das Framework kombiniert einen API-Server mit einem einzelnen Reinforcement-Studying-Agenten, um datenbasiertes Denken mit verbesserter Genauigkeit, Transparenz, Effizienz und Übertragbarkeit zu orchestrieren.

Geben Sie Ihre Berechnungen mit Bedacht aus

Die Aktualität und Vollständigkeit der Antwort eines Modells haben ein ähnliches Gewicht wie die Bedeutung seiner Genauigkeit. Dies gilt insbesondere für den Umgang mit langen Eingabetexten und solchen, bei denen sich Elemente wie das Thema einer Geschichte im Laufe der Zeit weiterentwickeln. Daher überarbeitet EECS-Doktorand Songlin Yang, was Modelle bei jedem Schritt der Inferenz verarbeiten können. Rameswar Panda von IBM Analysis und Yoon Kim, NBX-Professor und außerordentlicher Professor in EECS, konzentrierten sich auf Transformatorbeschränkungen, wie sie in LLMs auftreten, und entwickelten zusammen mit Yang Sprachmodellarchitekturen der nächsten Technology über Transformatoren hinaus.

Transformatoren sind mit zwei wesentlichen Einschränkungen konfrontiert: hoher Rechenkomplexität bei der Langsequenzmodellierung aufgrund des Softmax-Aufmerksamkeitsmechanismus und begrenzter Ausdrucksfähigkeit aufgrund der schwachen induktiven Vorspannung von RoPE (Rotary Positional Encoding). Das bedeutet, dass sich der Rechenaufwand vervierfacht, wenn sich die Eingabelänge verdoppelt. RoPE ermöglicht es Transformatoren, die Reihenfolge von Token (d. h. Wörtern) zu verstehen; Es leistet jedoch keine gute Arbeit bei der Erfassung interner Zustandsänderungen im Laufe der Zeit, wie z. B. Variablenwerte, und ist auf die während des Trainings beobachteten Sequenzlängen beschränkt.

Um dieses Downside anzugehen, untersuchte das MIT-IBM-Group theoretisch fundierte und dennoch hardwareeffiziente Algorithmen. Als Various zur Softmax-Aufmerksamkeit haben sie die lineare Aufmerksamkeit eingeführt und so die quadratische Komplexität reduziert, die die mögliche Sequenzlänge begrenzt. Sie untersuchten auch Hybridarchitekturen, die Softmax und lineare Aufmerksamkeit kombinieren, um ein besseres Gleichgewicht zwischen Recheneffizienz und Leistung zu erreichen.

Um die Ausdruckskraft zu steigern, ersetzten sie RoPE durch eine dynamische reflektierende Positionskodierung basierend auf der Householder-Transformation. Dieser Ansatz ermöglicht umfassendere Positionsinteraktionen für ein tieferes Verständnis sequenzieller Informationen und sorgt gleichzeitig für eine schnelle und effiziente Berechnung. Die Fortschritte des MIT-IBM-Groups reduzieren die Notwendigkeit für Transformatoren, Probleme in viele Schritte zu unterteilen, und ermöglichen ihnen stattdessen, komplexere Teilprobleme mit weniger Inferenz-Tokens zu bewältigen.

Visionen neu

Visuelle Daten enthalten eine Vielzahl, die das menschliche Gehirn schnell analysieren, verinnerlichen und dann nachahmen kann. Mithilfe von Imaginative and prescient-Language-Modellen (VLMs) erforschen zwei Doktoranden Möglichkeiten, dies mithilfe von Code zu erreichen.

In den letzten beiden Sommern und unter der Leitung von Aude Oliva, MIT-Direktorin des MIT-IBM Watson AI Lab und leitende Forschungswissenschaftlerin im Labor für Informatik und künstliche Intelligenz; und Rogerio Feris, Dan Gutfreund und Leonid Karlinsky (jetzt bei Xero) von IBM Analysis hat Jovana Kondic von EECS das visuelle Dokumentverständnis, insbesondere Diagramme, erforscht. Diese enthalten Elemente wie Datenpunkte, Legenden und Achsenbeschriftungen, die optische Zeichenerkennung und numerisches Denken erfordern, womit Modelle immer noch Probleme haben. Um die Leistung bei Aufgaben wie diesen zu erleichtern, machte sich Kondics Gruppe daran, einen großen, offenen, synthetischen Diagrammdatensatz aus Code zu erstellen, der für Coaching und Benchmarking verwendet werden könnte.

Mit ihrem Prototyp ChartGen erstellten die Forscher eine Pipeline, die Bilder von Seed-Diagrammen durch einen VLM leitet, der aufgefordert wird, das Diagramm zu lesen und ein Python-Skript zu generieren, das wahrscheinlich ursprünglich zum Erstellen des Diagramms verwendet wurde. Die LLM-Komponente des Frameworks erweitert dann iterativ den Code aus vielen Diagrammen, um letztendlich über 200.000 einzigartige Diagrammpaare und deren Codes zu erstellen, die quick 30 Diagrammtypen umfassen, sowie unterstützende Daten und Anmerkungen wie Beschreibungen und Frage-Antwort-Paare zu den Diagrammen. Das Group erweitert seinen Datensatz weiter und trägt dazu bei, ein kritisches multimodales Verständnis für Datenvisualisierungen für Unternehmensanwendungen wie Finanz- und wissenschaftliche Berichte, Blogs und mehr zu ermöglichen.

Anstelle von Diagrammen hat der EECS-Doktorand Leonardo Hernandez Cano sein Augenmerk auf digitales Design gerichtet, insbesondere auf die visuelle Texturgenerierung für CAD-Anwendungen und das Ziel, effiziente Wege zu finden, um Funktionen in VLMs zu ermöglichen. In Zusammenarbeit mit den Laborgruppen unter der Leitung von Armando Photo voltaic-Lezama, EECS-Professor und Distinguished Professor of Computing am MIT Schwarzman Faculty of Computing, und Nathan Fulton von IBM Analysis hat Hernandez Cano ein Programmsynthesesystem entwickelt, das lernt, Code selbst zu verfeinern. Das System beginnt mit einer Texturbeschreibung, die ein Benutzer in Type eines Bildes vorgibt. Anschließend generiert es ein erstes Python-Programm, das visuelle Texturen erzeugt, und verfeinert den Code iterativ mit dem Ziel, ein Programm zu finden, das eine Textur erzeugt, die der Zielbeschreibung entspricht, und lernt, anhand der vom System selbst erzeugten Daten nach neuen Programmen zu suchen. Durch diese Verfeinerungen kann das neuartige Programm Visualisierungen mit der gewünschten Leuchtkraft, Farbe, Schillerung usw. erstellen und so echte Materialien nachahmen.

Zusammen betrachtet machen diese Projekte und die Menschen dahinter einen zusammenhängenden Vorstoß hin zu robusterer und praktischerer künstlicher Intelligenz. Durch die Bewältigung der Kernherausforderungen Zuverlässigkeit, Effizienz und multimodales Denken ebnet die Arbeit den Weg für KI-Systeme, die nicht nur leistungsfähiger, sondern auch zuverlässiger und kostengünstiger für reale Unternehmens- und wissenschaftliche Anwendungen sind.

Wir haben über viele Möglichkeiten gesprochen KI kann in der Bildung verwendet werden. Es kann aber auch den Eltern helfen, die Zukunft ihrer Kinder zu planen.

KI wird zunehmend zu einem wertvollen Kapital für Eltern, um ihre Highschooler dazu zu bringen, ihre Zukunft zu kartieren. Als 55% der Amerikaner verwenden derzeit KI täglichDie Technologie ist zu gewöhnlicher Stelle geworden.

„Da wir kurz vor dieser KI-gesteuerten Ära stehen, ist es für Unternehmen, Verbraucher und politische Entscheidungsträger unerlässlich, zusammenzuarbeiten, um sicherzustellen, dass die Prinzipien der Evolution von Gerechtigkeit, Transparenz und menschlichen Zentrum die Entwicklung von AI leiten. Die Reise von AI ist noch lange nicht vorbei und sein wahres Potenzial liegt in unseren kollektiven Händen “, schreibt die Nationwide College.

KI kann personalisierte Ratschläge zu verschiedenen Aspekten des akademischen Lebens eines Schülers geben, z. B. Einblicke in den Lehrplan, potenzielle Karrierewege in Bereichen wie Finanzen und Erfolgsfähigkeiten. Wie von der College of Illinois Urbana-Champaign hervorgehoben.

„Es kann entmutigend sein, Ihren Karriereweg zu finden. KI kann eine wertvolle Quelle für die Generierung von Jobtiteln und Karrierewegen sein, wenn Sie sich nicht sicher sind, wo Sie anfangen sollen. Aber sollte es deine einzige Quelle sein? Gar nicht. Sobald Sie potenzielle Karrierewege oder Berufsrollen generiert haben, ist es am besten, die im Büro für Karriere und beruflichen Entwicklung angebotenen Ressourcen sowie in Jobbörsen wie Handshake zu nutzen, um die Verantwortlichkeiten, Branchen und ähnliche Rollen zu verstehen “, schreiben die Autoren.

Dies hilft den Eltern dabei, ihren Kindern dabei zu helfen, intestine informierte Entscheidungen über Kursarbeit und außerschulische Aktivitäten zu treffen, die ihren langfristigen Zielen entsprechen.

Zusätzlich zu den Eltern verwenden die Lernenden KI bereits zum Lernen, und 86% von ihnen integrieren sie in ihre Studienroutine. Eltern können jedoch eine wesentliche Rolle spielen, ihren Kindern zu helfen, die Kraft der KI zu maximieren, indem sie sie motivieren, sie als Erkundungs- und zukünftige Planungsinstrument zu nutzen. Der Markt für Bildungski wird voraussichtlich strong wachsen. bis zum Jahr 2030 bis 5,82 Milliarden US -Greenbackwachsen bei einem CAGR von 17,5%. Eltern können ihren Kindern helfen, mit dem dynamischen Bildungsraum umzugehen und sie auf die bevorstehende Beschäftigungslandschaft seit der Entwicklung der Technologie vorzubereiten.

Das Navigieren in den Teenagerjahren ist für Eltern und Schüler gleichermaßen eine kritische Zeit, da sie die Voraussetzungen für zukünftige Erfolge und Karrierewege bildet. Es gibt viele Vorteile der Verwendung von KI in dieser Hinsicht. Um sicherzustellen, dass Highschooler intestine auf die Herausforderungen vorbereitet sind, die vor uns liegen, sind nachdenkliche Planung und unterstützende Anleitung erforderlich. Von Akademikern bis hin zu außerschulischen Aktivitäten kann jede Entscheidung möglicherweise die Flugbahn der Zukunft eines Schülers beeinflussen. Als Eltern oder Erziehungsberechtigter ist Ihre Rolle bei der Führung Ihres Kindes in diesen prägenden Jahren von größter Bedeutung. Im Folgenden untersuchen wir Schlüsselstrategien, mit denen Sie Ihren Highschooler bei der Planung der Zukunft unterstützen können.

Finanzplanung und Stipendien: Vorbereitung auf Hochschulkosten

Die Planung der Faculty -Finanzen sollte frühzeitig beginnen, bevor die Bewerbungen fällig sind. Das Verständnis der Kosten, das Erforschen von Sparoptionen und das Beobachten offener Diskussionen über finanzielle Erwartungen können Schülern und Eltern helfen, sich vorzubereiten. Stipendien für Schülererhältlich über verschiedene Organisationen, kann die Ausgaben für die Studiengebühren erheblich senken, sodass die Erforschung und Beantragung dieser im Voraus für sie wesentlich ist.

Die Navigation der finanziellen Hilfe, einschließlich der FAFSA, ist ein weiterer wichtiger Schritt, um das Faculty erschwinglicher zu machen. Eltern können beim Sammeln von Informationen helfen, um die verfügbaren Hilfe zu maximieren. Für diejenigen, die an Karrieren von Bildung interessiert sind, bieten Programme wie einen On-line -Abschluss in On-line -Sonderpädagogik wertvolle Möglichkeiten, um das Leben von Kindern mit besonderen Bedürfnissen zu verändern.

Navigieren Sie in der Welt der Faculty -Zulassungen mit Ihrem Highschooler

Faculty -Zulassungen sind sowohl für Schüler als auch für Eltern ein komplexer und überwältigender Prozess. Es geht darum, die richtige Passform für die Ambitionen, Persönlichkeit und Lernstil Ihres Kindes zu finden. Um Ihren Highschooler zu unterstützen, bleiben Sie über Hochschulen, Bewerbungsanforderungen und Fristen informiert.

Ermutigen Sie Ihr Variety, sich frühzeitig auf Aufnahmeprüfungen wie SAT oder ACT vorzubereiten und den Zugang zu Vorbereitungskursen, Lernmaterialien und Tutoren sicherzustellen. Besuchen Sie gemeinsam Faculty -Campus, um fundierte Entscheidungen zu treffen, die den Zielen Ihres Kindes entsprechen. Helfen Sie Ihrem Teenager, ein Portfolio vorzubereiten, das akademische Arbeiten, Auszeichnungen und außerschulische Aktivitäten zeigt, und lernen Sie, wie man einen überzeugenden persönlichen Aufsatz schreibt. Seien Sie realistisch über finanzielle Aspekte und nehmen Sie Ihren Highschooler in Diskussionen über Budgetierung und Studentendarlehen ein.

Förderung der Entwicklung von Fähigkeiten und außerschulischer Beteiligung

Eltern sollten ihre Schüler ermutigen, sich an außerschulischen Aktivitäten zu beteiligen, die Führung, Teamarbeit und Zeitmanagementfähigkeiten fördern. Diese Aktivitäten können von Sportteams bis hin zu akademischen Golf equipment und gemeinnützigen Diensten reichen, wodurch die Bewerbung eines Studenten und das persönliche Wachstum verbessert wird. Eltern können ihre Kinder auch bei der Auswahl von Aktivitäten führen, die sich mit ihren Leidenschaften übereinstimmen und neue Unternehmungen vorschlagen, um ihren Horizont zu erweitern.

Es ist entscheidend, Studenten nicht mit zu vielen Verpflichtungen zu überlasten, da dies zu Stress und Burnout führen kann. Die Aufrechterhaltung eines Gleichgewichts ist der Schlüssel für eine gesunde Entwicklung. Zusätzlich zu außerschulischen Eltern können Eltern ihren Kindern helfen, Workshops, Zertifizierungen oder On-line -Kurse in ihren Leidenschaftsbereichen zu suchen, um praktisches Verständnis zu vermitteln, das sie in Faculty -Anwendungen und Karriereeröffnungen auszeichnet.

Verständnis der Bedeutung der frühen Karriereplanung für Teenager

Frühe Karriereplanung ist für Schüler von Schülern von entscheidender Bedeutung und hilft ihnen dabei, ihre Ausbildung an zukünftigen Zielen auszurichten. Das frühzeitige Erkunden von Karrieremöglichkeiten ermöglicht eine intelligentere Kursauswahl und eine bessere Vorbereitung auf das Faculty oder die Belegschaft. Eltern können diesen Prozess unterstützen, indem sie Eignungstests, Praktika und Diskussionen über verschiedene Karrierewege fördern, wodurch der Übergang von der Schule zur Arbeit reibungsloser wird.

Familienbeteiligung Fördert auch Vertrauen und Entscheidungsfähigkeiten. Das gemeinsame Erforschen von wachsenden Branchen kann den Schülern einen Vorteil verleihen, unabhängig davon, ob sie traditionelle Karrieren oder spezialisierte Bereiche wie eine verfolgen On-line -Sonderpädagogik Masters Diplomaum sicherzustellen, dass sie sich in einem sich entwickelnden Arbeitsmarkt weiterentwickeln.

Betonung des Werts von psychischer Gesundheit und Gleichgewicht bei akademischen Aktivitäten

Die Highschool-Planung sollte nicht die Bedeutung der psychischen Gesundheit und des persönlichen Wohlbefindens übersehen. Der Druck, sich in der Schule zu übertreffen, kann zu Stress und Angst führen, die von den Eltern verwaltet werden können. Offene Kommunikation über Stressoren, eine unterstützende Umgebung und die Modellierung von Stressrelief-Techniken können helfen.

Regelmäßige Übungen, Hobbys und Achtsamkeitspraktiken können auch das geistige Wohlbefinden verbessern. Es ist entscheidend, nach Anzeichen von übermäßigem Stress zu achten und professionelle Hilfe zu suchen. Geistiges Wohlbefinden ist mit dem akademischen Erfolg verbunden, und das Verständnis und die Bekämpfung von emotionalen Bedürfnissen kann dazu beitragen, die Belastbarkeit und Anpassungsfähigkeit zu fördern, die in der Faculty- und zukünftigen Karriere von Vorteil sein wird.

Insgesamt ist die Vorbereitung Ihres Highschoolers auf die Zukunft ein vielfältiger Prozess, der über die akademische Bereitschaft hinausgeht. Es umfasst Karriereforschung, Hochschule, Fähigkeiten, Finanzplanung und eine starke Betonung der psychischen Gesundheit und des Wohlbefindens. Indem Sie sich mit jedem dieser Bereiche nachdenklich und unterstützend beschäftigen, setzen Sie die Voraussetzungen für den Erfolg und das Glück Ihres Kindes in den aufregenden Kapiteln.