So erstellen Sie mithilfe von SmolAgents und dem Qwen-Modell einen vollständig autonomen lokalen Flottenwartungsanalyse-Agenten

In diesem Tutorial führen wir den Prozess der Erstellung eines vollständig autonomen Flottenanalyseagenten mithilfe von SmolAgents und einem lokalen Qwen-Modell durch. Wir generieren Telemetriedaten, laden sie über ein benutzerdefiniertes Software und lassen unseren Agenten ohne externe API-Aufrufe Wartungsrisiken begründen, analysieren und visualisieren. Bei jedem Implementierungsschritt sehen wir, wie der Agent strukturierte Protokolle interpretiert, logische Filter anwendet, Anomalien erkennt und schließlich eine klare visuelle Warnung für Flottenmanager erstellt. Schauen Sie sich das an VOLLSTÄNDIGE CODES hier.

print("⏳ Putting in libraries... (approx 30-60s)")
!pip set up smolagents transformers speed up bitsandbytes ddgs matplotlib pandas -q


import os
import pandas as pd
import matplotlib.pyplot as plt
from smolagents import CodeAgent, Software, TransformersModel

Wir installieren alle erforderlichen Bibliotheken und importieren die Kernmodule, auf die wir für die Erstellung unseres Agenten angewiesen sind. Wir richten SmolAgents, Transformers und grundlegende Datenverarbeitungstools ein, um Telemetrie zu verarbeiten und das lokale Modell reibungslos auszuführen. In dieser Part bereiten wir unsere Umgebung vor und stellen sicher, dass alles korrekt geladen wird, bevor wir fortfahren. Schauen Sie sich das an VOLLSTÄNDIGE CODES hier.

fleet_data = {
   "truck_id": ("T-101", "T-102", "T-103", "T-104", "T-105"),
   "driver": ("Ali", "Sara", "Mike", "Omar", "Jen"),
   "avg_speed_kmh": (65, 70, 62, 85, 60),
   "fuel_efficiency_kml": (3.2, 3.1, 3.3, 1.8, 3.4),
   "engine_temp_c": (85, 88, 86, 105, 84),
   "last_maintenance_days": (30, 45, 120, 200, 15)
}
df = pd.DataFrame(fleet_data)
df.to_csv("fleet_logs.csv", index=False)
print("✅ 'fleet_logs.csv' created.")

Wir generieren den Dummy-Flottendatensatz, den unser Agent später analysieren wird. Wir erstellen einen kleinen, aber realistischen Satz Telemetriefelder, konvertieren ihn in einen DataFrame und speichern ihn als CSV-Datei. Hier legen wir die Kerndatenquelle fest, die die Argumentation und Vorhersagen des Agenten vorantreibt. Schauen Sie sich das an VOLLSTÄNDIGE CODES hier.

class FleetDataTool(Software):
   identify = "load_fleet_logs"
   description = "Masses car telemetry logs from 'fleet_logs.csv'. Returns the information abstract."
   inputs = {}
   output_type = "string"


   def ahead(self):
       strive:
           df = pd.read_csv("fleet_logs.csv")
           return f"Columns: {checklist(df.columns)}nData Pattern:n{df.to_string()}"
       besides Exception as e:
           return f"Error loading logs: {e}"

Wir definieren das FleetDataTool, das als Brücke zwischen dem Agenten und der zugrunde liegenden Telemetriedatei fungiert. Wir geben dem Agenten die Möglichkeit, die CSV-Datei zu laden und zu prüfen, um deren Struktur zu verstehen. Dieses Software bildet die Grundlage für jede weitere Analyse, die das Modell durchführt. Schauen Sie sich das an VOLLSTÄNDIGE CODES hier.

print("⏳ Downloading & Loading Native Mannequin (approx 60-90s)...")
mannequin = TransformersModel(
   model_id="Qwen/Qwen2.5-Coder-1.5B-Instruct",
   device_map="auto",
   max_new_tokens=2048
)
print("✅ Mannequin loaded on GPU.")


agent = CodeAgent(
   instruments=(FleetDataTool()),
   mannequin=mannequin,
   add_base_tools=True
)


print("n🤖 Agent is analyzing fleet information... (Examine the 'Agent' output beneath)n")


question = """
1. Load the fleet logs.
2. Discover the truck with the worst gasoline effectivity (lowest 'fuel_efficiency_kml').
3. For that truck, examine whether it is overdue for upkeep (threshold is 90 days).
4. Create a bar chart evaluating the 'fuel_efficiency_kml' of ALL vehicles.
5. Spotlight the worst truck in RED and others in GRAY on the chart.
6. Save the chart as 'maintenance_alert.png'.
"""
response = agent.run(question)


print(f"n📝 FINAL REPORT: {response}")

Wir laden das lokale Qwen2.5-Modell und initialisieren unseren CodeAgent mit dem benutzerdefinierten Software. Anschließend erstellen wir eine detaillierte Abfrage, in der die Argumentationsschritte dargelegt werden, die der Agent befolgen soll, und führen sie durchgängig aus. Hier beobachten wir, wie der Agent völlig autonom denkt, analysiert, berechnet und sogar plottet. Schauen Sie sich das an VOLLSTÄNDIGE CODES hier.

if os.path.exists("maintenance_alert.png"):
   print("n📊 Displaying Generated Chart:")
   img = plt.imread("maintenance_alert.png")
   plt.determine(figsize=(10, 5))
   plt.imshow(img)
   plt.axis('off')
   plt.present()
else:
   print("⚠️ No chart picture discovered. Examine the agent logs above.")

Wir prüfen, ob der Agent das generierte Wartungsdiagramm erfolgreich gespeichert hat und zeigen es an, sofern verfügbar. Wir visualisieren die Ausgabe direkt im Pocket book und können so bestätigen, dass der Agent die Datenanalyse und -darstellung korrekt durchgeführt hat. Dadurch erhalten wir ein sauberes, interpretierbares Ergebnis des gesamten Workflows.

Zusammenfassend haben wir eine intelligente Finish-to-Finish-Pipeline aufgebaut, die es einem lokalen Modell ermöglicht, autonom Daten zu laden, den Flottenzustand zu bewerten, das Fahrzeug mit dem höchsten Risiko zu identifizieren und ein Diagnosediagramm für umsetzbare Erkenntnisse zu erstellen. Wir erleben, wie einfach wir dieses Framework auf reale Datensätze erweitern, komplexere Instruments integrieren oder mehrstufige Argumentationsfunktionen für Anwendungsfälle in den Bereichen Sicherheit, Effizienz oder vorausschauende Wartung hinzufügen können. Schließlich wissen wir zu schätzen, wie SmolAgents uns in die Lage versetzt, praktische Agentensysteme zu erstellen, die echten Code ausführen, über echte Telemetrie Schlüsse ziehen und sofort Erkenntnisse liefern.

Schauen Sie sich das an VOLLSTÄNDIGE CODES hier. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 100.000+ ML SubReddit und Abonnieren Unser Publication. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

Michal Sutter ist ein Information-Science-Experte mit einem Grasp of Science in Information Science von der Universität Padua. Mit einer soliden Grundlage in statistischer Analyse, maschinellem Lernen und Datentechnik ist Michal hervorragend darin, komplexe Datensätze in umsetzbare Erkenntnisse umzuwandeln.