Bild von Autor | Leinwand
# Einführung
Es besteht kein Zweifel, dass große Sprachmodelle wirklich leistungsstark sind, aber sie können ihre Trainingsdaten nicht übergehen oder direkt mit der Welt interagieren. Hier haben KI -Agenten das Spiel verändert. Sie generieren nicht nur Textual content, sondern können auf mehrstufige Aufgaben handeln, Vernunft und erledigen, wodurch sie einem echten Assistenten, der Dinge für Sie tun kann, viel näher gefühlt werden. Vielleicht haben Sie Tonnen von Ressourcen gesehen, aber für diesen Artikel werden wir eine große Tour machen. Ich werde 5 anfängerfreundliche Projekte teilen: mit einigen von Grund auf Python + einige, die auch die berühmten AI -Agenten -Frameworks enthalten. Ich habe diese Projekte nach umfassender Forschung so entworfen und ausgewählt, dass jedes Projekt einen anderen Blickwinkel dessen lehrt, was Agenten wirklich tun können. Additionally fangen wir an.
# 1. Bau eines AI -Kalenderagenten in reinem Python
Hyperlink: https://www.youtube.com/watch?v=bzzypscbti8
Dieses Tutorial führt Sie durch den Bau eines Kalender-/Planungsagenten mit reinem Python ohne schwere Frameworks oder Cloud -Abhängigkeiten. Sie erhalten eine praktische Demo der Agent-Schleife: Parsenabsicht, Planungsaktionen, Calidar-APIs aufrufen und Konflikte bestätigen oder behandeln. Es deckt die Authentifizierung und Durchführung von CRUD-Operationen mit Google-Kalender oder ähnlichen Diensten sowie praktische Tipps zum Analysieren natürlicher Sprache und Vermeidung von Doppelbüchern ab. Die Ausbilder führen Sie Schritt für Schritt an, um zu zeigen, wie Sie Anfragen wie „Treffen um 15 Uhr“ oder „Was ist morgen in meinem Kalender“ umgegangen und auf Instrument-Anrufe wie das Abrufen von Ereignissen oder das Erstellen neuer Erstellen zugeordnet. Sobald Ihr Agent Ihren Zeitplan zuverlässig verwalten kann, fühlt es sich bereits so an, als würden Sie mit einem persönlichen Assistenten sprechen, der in der Lage ist, zu handeln, und nicht nur zu sprechen.
# 2. So bauen Sie einen Codierungsagenten von Grund auf neu
Hyperlink: https://www.youtube.com/watch?v=lxgfhpq1gsi
In diesem Workshop-Leitfaden von Zain Hasan aus dem Entwickler-Relations-Group von AI von AI führt Sie durch den Bau eines Codierungsagenten von Grund auf, ohne sich ausschließlich auf vorgefertigte Frameworks zu verlassen. Sie beginnen mit einer einfachen Chat -Schleife und fügen dann Instruments wie Dateileser, Shell -Ausführung und Suchfunktionen hinzu, gefolgt von sicheren Sandboxing -Regeln sowie iterativer Bewertung und Debugging. Unterwegs untersuchen Sie parallele, serielle, bedingte und Looping Agent -Workflows, erfahren Sie, wie Sie LLMs als Router und Evaluatoren in der Agent -Pipeline verwenden und praktische Codebeispiele für die Implementierung dieser Workflows überprüfen. Sobald Ihr Agent Python -Snippets automatisch generieren, testen und verfeinern kann, fühlt es sich an, als ob Ihr persönlicher Paarprogrammierer zur Zusammenarbeit bereit ist.
# 3. Content material Creator Agent von Grund auf neu
Hyperlink: https://www.youtube.com/watch?v=pm9zr7wgjx4
Diese Schritt-für-Schritt-Walkthrough von João Moura, CEO von Crew AI, zeigt, wie man mit Crewai, Zapier und Cursor einen Content material Creator Agent von Grund auf neu erstellt. Er macht es splendid für Schöpfer und Unternehmer, die agentengesteuerte Automatisierung wünschen. Sie lernen, wie Sie Finish-to-Finish-Workflows einrichten, mit denen die Inhaltsidee, automatische Draking-, Veröffentlichungs- und Cross-Publish-Distribution umgehen. Das Tutorial deckt sowohl No-Code- als auch codebasierte Ansätze ab und zeigt, wie Auslöser, Aktionen, Ratenlimits und QS-Schritte verdrahtet werden, damit Sie Aufgaben wie soziale Beiträge, E-newsletter oder Kurzform-Videoskripte automatisieren können und gleichzeitig die Qualitätskontrolle beibehalten können. Unterwegs führt Sie João durch die Integration von Instruments, das Debuggen und die Optimierung der Agentenleistung, mit praktischen Beispielen, einschließlich Erstellung von Multi-Agent-Flows, Erstellen benutzerdefinierter PDF-Berichte und Generierung strukturierter Inhaltspläne.
# 4. Forschungsvertreter mit pydantischer KI
Hyperlink: https://www.youtube.com/watch?v=762SQD7IW6Y
Dieser praktische Leitfaden von Angelina, VP von AI und Daten und Mitbegründer von Rework AI Studio, und Mehdi, Professor für Informatik und Mitbegründer von Transformation AI Studio, führt Sie durch den Bau eines strukturierten Forschungsagenten von Grund auf mit Pydantic AI und Vanilla Python. Sie lernen, wie Sie typisierte Schemas für Ausgänge definieren und kleine Agenten verfassen, die das Net durchsuchen, Seiten oder PDFs herunterladen, Ergebnisse zusammenfassen und Ergebnisse in saubere, strukturierte Notizen oder E -Mails zusammenfassen. Das Tutorial zeigt, wie Sie Net-Search-APIs, Dokumenten-Downloader und LLM-Zusammenfassungen kombinieren und gleichzeitig pydantische Modelle nutzen, um sicherzustellen, dass die Ausgaben vorhersehbar, zuverlässig und maschinenlesbar sind. Dieser Ansatz macht es splendid, um reproduzierbare Forschungsassistenten oder Literaturbots zu erstellen.
# 5. Superior AI Agent mit Suche
Hyperlink: https://www.youtube.com/watch?v=cuc-hyjpnxk
Dieses eingehende Tutorial von Tim von Devlaunch ist für Lernende konzipiert, die bereit sind, einen Forschungsagenten im Produktionsstil zu erstellen. Sie lernen, wie Sie mehrstufige, graphbasierte Workflows orchestrieren, die Dwell-Net-Scraping und -Such-, Relevanzfilter-, Deduplikations- und Glaubwürdigkeitsprüfungen enthalten. Der Leitfaden deckt fortschrittliche Architekturmuster wie Abfragrouting, Crawler -Design und inkrementelle Indexierung sowie praktische Überlegungen für Höflichkeit, Proxys und Ratengrenzen ab. Durch die Kombination von Langgraph mit Echtzeit-Suche aus Quellen wie Google, Bing und Reddit erstellen Sie einen Agenten, der nicht nur die neueste Informationen untersucht, sondern aktiv untersucht und aktiv wird. Dieses Projekt ist splendid für alle, die über die Spielzeugagenten hinausgehen und skalierbare, reale Forschungsassistenten aufbauen möchten.
# Einpacken
Diese fünf Projekte gehen weit über „nur den Modell -Chat“. Mein Tipp: Bleib nicht fest, eine einzelne Idee zu perfektionieren. Wählen Sie die, die Sie am meisten begeistern, bauen und dann experimentieren. Je mehr Agentenmuster Sie erforschen, desto einfacher wird es, Ihre eigenen zu mischen, zu übereinstimmen und zu erfinden.
Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und technischer Schriftsteller mit einer tiefgreifenden Leidenschaft für die Datenwissenschaft und die Schnittstelle von KI mit Medizin. Sie hat das eBook „Produktivität mit Chatgpt maximieren“. Als Google -Era -Gelehrte 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie wird auch als Teradata -Vielfalt in Tech Scholar, MITACS Globalink Analysis Scholar und Harvard Wecode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter der Veränderung, nachdem er Femcodes gegründet hat, um Frauen in STEM -Bereichen zu stärken.