Autonome KI-Agenten mit Python von Scratch aus aufbauen

1. Was ist ein KI-Agent ?: Lassen Sie uns zunächst verstehen, was ein KI-Agent ist, um die Dinge so einfach wie möglich zu gestalten. Ich werde mich an dieses praktische Beispiel halten. Hier bin ich in Cage Pit und habe GPT 3.5 ausgewählt Ich werde einfach diese Frage stellen. Sollte ich einen Regenschirm mitnehmen und heute in Kalifornien ausgehen, okay. Also lass uns das versuchen und jetzt wird GPT drei es mir sagen oder Ch GPT, um dir die genauesten Ratschläge zu geben , die ich benötige, um deinen spezifischen Standort in Kalifornien und die aktuelle Wettervorhersage für den Tag zu kennen deinen spezifischen Standort in Kalifornien und die aktuelle Wettervorhersage für den Ich glaube, Sie haben im Prompt-Engineering-Kurs gelernt im Prompt-Engineering-Kurs , dass eine der Haupteinschränkungen von Sprachmodellen darin besteht, dass sie nur Antworten auf der Grundlage der Daten generieren, auf denen sie trainiert wurden Es hat also keinen Zugriff auf Echtzeitdaten. Deshalb kann es meine Frage nicht beantworten. Es muss zuerst das Wetter kennen, bevor es mir sagt, ob ich einen Regenschirm brauche oder nicht. Einfach. Nun, wenn wir dieselbe Frage stellen und zu GPT 4 übergehen Stellen wir jetzt dieselbe Frage. Und schau, was passieren wird. GPT 4 ist immer noch ein Sprachmodell und hat eine Einschränkung, aber es hat meine Frage beantwortet Was ist passiert? Einfach, was ich mit GPT 4 gemacht habe, wenn Sie hier und da oben hingehen, werden Sie sehen, wie Dale im Internet surft und einige andere Tools Es handelt sich hier also nicht nur um ein Sprachmodell. Es ist das Sprachmodell. Es ist GPT vier, aber kombiniert mit einigen externen Funktionen und Tools Also hat es das Wetter bekommen. Aufgrund des Wetters wurde dann darauf hingewiesen, dass das Tragen eines Regenschirms möglicherweise nicht erforderlich sei, und es war die Ressource des Wetters. Ich habe den National Weather Service kontaktiert und auf der Grundlage des Ergebnisses die Antwort generiert. Dies ist eine einfache Form der Funktionsweise von KI-Agenten. Wenn Sie einen KI-Agenten einfach definieren möchten, handelt es sich um ein Sprachmodell sowie einige Tools und externe Funktionen. Diese beiden basieren auf einer Technik. Es ermöglicht das Modell, bitte konzentrieren Sie sich. Es ermöglicht dem Modell, über die Frage oder die Aufforderung nachzudenken, sie zu über die Frage oder die Aufforderung nachzudenken, verstehen, vielleicht in Aufgaben aufzuteilen Dann kann ich aus einer Liste von Tools, denen es zugewiesen ist, das richtige Tool für die Aufgabe auswählen das das Ergebnis mit dem Tool mit der Aktion generiert , und das Ergebnis der Aktion verwenden, wiederum in der Aufforderung, das Endergebnis zu generieren. In gewisser Weise ahmt es nach, wie Menschen arbeiten. Ich hoffe, du hast die Idee. 2. Grundlegende Einrichtung: Okay, Freunde. In dieser Vorlesung werde ich eine virtuelle Umgebung für unser Projekt erstellen, das Open AI-Paket installieren und eine einfache Funktion zur Textgenerierung mit Pen AI erstellen und testen. Lassen Sie uns also anfangen. Schritt eins, ich werde hier in ein U-Terminal gehen und eine virtuelle Umgebung erstellen. Führen Sie einfach diese allgemeine Python-VM und geben Sie dann erneut den Namen der virtuellen Umgebung ein. Warten Sie Sekunden. Perfekt. Sie können jetzt sehen der Ordner für die virtuelle Umgebung erstellt wurde. Lassen Sie uns ihn jetzt aktivieren. Ich werde zu den Skripten gehen und sie aktivieren und perfektionieren. Jetzt können Sie sehen, dass wir uns in der virtuellen Umgebung befinden und unsere Pakete installieren können. Führen Sie einfach pip aus und installieren Sie Open AI, um das Pen I-Paket in unserem Projekt Und perfekt, Schritt eins erledigt, Schritt zwei erledigt. Lassen Sie uns nun eine einfache Funktion erstellen , um Text mit Pen AI zu generieren. Ich werde ein neues Modul für Pen AI erstellen , um unser Projekt irgendwie strukturiert und organisiert zu gestalten . Ich werde jetzt Pen-Modul sagen . Ich werde hier eine Funktion erstellen , die die Open AI-API verwendet. Aus Open AI importieren, KI importieren und damit eine Umgebungsvariablendatei erstellen Holen Sie sich Ihre API von Open AI und fügen Sie sie hier ein. Und gehen wir jetzt zurück, um den Schlüssel aus unseren Skripten zu lesen . Ich werde das Python-Paket installieren, damit wir die Werte aus dieser Datei lesen können. Perfekt. Gehen wir zurück und laden die Umgebungsvariablen. Lassen Sie uns das Betriebssystem und die Funktion importieren, perfekt. Lassen Sie uns nun auf diese Weise eine Instanz der offenen AI-Klasse erstellen diese Weise eine Instanz der offenen AI-Klasse Wir haben ein offenes Objekt. Das können wir aufrufen, um perfekten Text zu generieren , und wir übergeben den Stift-API-Schlüssel. Lassen Sie uns nun die Funktion erstellen , die Text mit Pen AI generiert. Hier generieren wir Text Basic mit dem Pen I-Client und übergeben das Modell anhand des Fotos GPT 3.5 Wir können das ändern, wenn Sie möchten, wir geben eine Systemaufforderung und die Benutzeraufforderung und wir lesen die Antwort, sehr einfach und einfach Wir haben das schon oft im Prompt-Engineering-Kurs und in anderen Kursen gemacht. Lassen Sie mich herauszoomen und es schnell erklären. Wir verwenden das OpenAI-Paket, wir haben die Umgebungsvariablen geladen, wir erhalten den API-Schlüssel und erstellen eine Instanz Rufen wir diesen Client an, nur um die Dinge zu verdeutlichen. Wir haben dieses offene AI-Objekt aus der Klasse oder Instanz erstellt , und dann generieren wir Text mithilfe dieser Instanz und geben den Inhalt zurück. Lassen Sie uns das testen. Ich gehe hier hin und erstelle ein Testmodul und importiere Open Module oder sagen wir, aus Open Import Generate Text Basic. Und jetzt sage ich: Prompt, Generieren eines Satzes mit fünf Wörtern ist gleichbedeutend mit Generieren von Text Basic und Weitergeben der Prompt-Print-Antwort. Lassen Sie uns das jetzt testen Python-Test-PIs, wir haben einen Fehler bekommen. Lass uns wieder hierher gehen. Ich denke, es ist APK. Auf diese Weise deklarieren wir die Instanz. Versuchen wir es zu perfektionieren. Ja. Wir müssen den API-Schlüssel als Variablennamen oder Parametername hinzufügen, und wir haben den Satz. Lassen Sie uns das noch einmal klarstellen, und ich werde sagen, generieren Sie jetzt einen Absatz über Quantencomputer. Lass uns laufen Okay. Und perfekt. Sie können sehen, dass wir jetzt eine einfache Funktion haben, die wir jederzeit aufrufen können, um Text mit Pen AI zu generieren. Schritt drei ist abgeschlossen und wir sind bereit, mit der Erstellung unseres Agenten zu beginnen. 3. LLM Einschränkung in Aktion: Okay. Bevor wir mit dem Aufbau unseres AII-Agenten beginnen Lassen Sie uns in Aktion sehen und probieren wie begrenzt Sprachmodelle sind Ich werde zu dem Testmodell zurückkehren, das ich erstellt habe, und ich werde dieselbe Frage stellen, falls Sie sich erinnern, sollte ich einen Regenschirm mitnehmen und heute in Kalifornien ausgehen , standardmäßig das Modell als GPT 3,5 Tb. Lassen Sie uns die Systemaufforderung entfernen Wir brauchen es vorerst nicht. Jetzt verwende ich diese Aufforderung und das Modell ist GP 3.5. Sehen wir uns die Antwort des Modells an. Ich empfehle, die Wettervorhersage für Ihren spezifischen Standort zu überprüfen , um festzustellen, ob es regnet oder was auch immer Sie können also sehen, dass es keinen Zugriff auf Live-Daten hat, um auf dieser Grundlage zu entscheiden Auch hier werde ich es mit GPT 4 löschen und testen. Es sagt Ihnen, dass ich derzeit nicht auf Echtzeitdaten zugreifen Es ist wieder GPT vier und ich habe keinen Zugriff auf irgendwelche Daten. Denken Sie daran, als wir C GPT powered by GPT four und anderen Tools diese Frage gestellt haben , konnte es auf diese Frage zugreifen und sie beantworten, weil es externe Tools und diese Art von KI-Agenten verwendet externe Tools und diese Art , wie Sie Das werden wir in diesem Kurs gemeinsam von Grund auf neu entwickeln in diesem Kurs gemeinsam von Grund auf neu Es hat die Prognose erhalten und dann reagiert es auf der Grundlage dieser Daten. Wenn Sie das Modell jedoch direkt kontaktieren, ohne ChagPT und ohne externe Tools, ist es begrenzt. Siehst du? Als KI-Assistent ich derzeit nicht auf Echtzeitdaten zugreifen. Dies ist die Einschränkung , die wir mit KI-Agenten angehen und lösen werden. 4. Hardcodierter KI-Agent: Okay, Freunde. Von nun an werden wir damit beginnen, das Problem und die Grenzen von Sprachmodellen zu lösen . Und wir werden dem Sprachmodell Zugriff auf externe Tools gewähren . Aber in diesem Vortrag werde ich Ihnen zeigen, wie man einen, wie ich es nenne, hartcodierten KI-Agenten erstellt . Lass uns anfangen. Und ich denke, anhand des Beispiels werden Sie den Punkt verstehen. Wenn Sie sich erinnern, haben wir gesagt, wenn wir diese Beschränkung überschreiten und GPT 43.5 oder ein anderes Sprachmodell dazu bringen wollen 43.5 oder ein anderes Sprachmodell Fragen zu beantworten, die Echtzeitdaten benötigen, müssen wir ihm Zugriff auf externe Funktionen und Tools gewähren Zugriff auf externe Funktionen und Also werde ich hier hingehen und sagen, Funktionen ausprobieren und eine einfache Funktion erstellen die einfach das Wetter basierend auf der Stadt zurückgibt Es ist sehr einfach und die Grundeinstellung gibt sonnig, regnerisch, bewölkt usw. zurück , basierend auf der Stadt und dem Umkreis Wie ich Ihnen bereits gesagt habe, halte ich die Dinge sehr, sehr einfach, damit jeder das Konzept verstehen kann bevor ich mit fortgeschrittenen Beispielen weitermache In Python gibt es eine sehr einfache Funktion , die einen einfachen Text zurückgibt, nämlich das Wetter basierend auf der Stadt. Okay? Also, ich werde hierher gehen und ein neues Modul erstellen, und ich werde es Hard Coded Agent nennen. Du verstehst gleich, was ich meine. Das ist der fest programmierte Agent. In diesem Szenario sind wir selbst, der Programmierer. Wir rufen die benutzerdefinierte Funktion auf, nämlich get weather , nämlich get weather , und wir werden das Ergebnis übergeben und es in die Eingabeaufforderung einfügen , bevor wir das Modell aufrufen Wenn ich zum Test zurückkehre, werde ich denselben kopieren Gehen wir hier nochmal zum Agenten und sagen wir mal fest codierter Agent. Bevor wir dieses Beispiel ausführen, das begrenzt ist, importiere ich meine Funktion „ Wetter abrufen“ und sage aktuelles Wetter und hole aus Kalifornien von dieser Funktion. In der Eingabeaufforderung würde ich sagen, es basiert auf den folgenden Wetterbedingungen und übergebe den aktuellen Wetterverlauf an das Wetter , das wir mit der Funktion erhalten haben. Lassen Sie uns das klarstellen indem wir es auf diese Weise in mehrere Zeilen aufteilen und die Pluspunkte entfernen und das aktuelle Wetter hinzufügen und die Zeichenfolge formatieren Wir können jetzt also sehen, dass unsere Aufforderung völlig anders ist. Wir haben die Frage gestellt, aber wir haben das Ergebnis der Funktion in die Eingabeaufforderung selbst eingefügt . Jetzt kennt das Modell anhand dieser Funktion das aktuelle Wetter, und wir werden darauf basierend antworten. Einfach, hm? Lassen Sie uns jetzt versuchen, dieses Skript erneut auszuführen, Python und Sie führen einen hartcodierten Agenten aus. Lass uns sehen. Aufgrund der Wetterbedingungen, die Sie als sonnig beschrieben haben, bräuchten Sie normalerweise keinen Sonnenschirm. Siehst du? Jetzt hat es die Frage beantwortet und wir haben die Beschränkung überschritten. Aber es ist fest codiert, was bedeutet, dass wir die Funktion selbst im Code aufrufen und sie selbst an die Eingabeaufforderung übergeben, den Wert eingefügt und dann das Modell aufgerufen haben, um die Antwort zu generieren oder die Frage zu beantworten. Obwohl es sich um einen autonomen KI-Agenten handelt , den wir später erstellen werden, wird das KI-Modell von selbst verstehen, ob es eine Funktion benötigt , und es wird sie von selbst aufrufen. Also wird alles automatisiert werden. Das ist der Hauptunterschied. Dies ist eine fest codierte Lösung. Es sieht ähnlich aus wie die Automatisierungs-Workflows , die wir im Prompt Engineering-Kurs entwickelt haben , oder was ich eine Funktionskette nenne. Sie erstellen also eine Funktion , verketten sie innerhalb einer Eingabeaufforderung und rufen dann das Modell auf. Das nenne ich eine fest codierte Lösung , um die Einschränkung im Sprachmodell zu lösen. Der nächste Schritt besteht darin, eine automatisierte Lösung zu optimieren oder zu verbessern oder zu entwickeln , die all dies selbst erledigen kann. Bereite dich darauf vor, dass als Nächstes etwas Magie auf dich wartet. 5. Der ReAct-Prompt: Okay. Im letzten Beispiel habe ich Ihnen gezeigt, wie Sie das erstellen, was wir den hartcodierten Agenten oder den hartcodierten Workflow nennen , und wir lösen die Einschränkung von LM, indem das Ergebnis der Funktion oder die Ausgabe der Funktion direkt in die Eingabeaufforderung einfügen und wir haben das Ergebnis Jetzt ist es an der Zeit, aufzusteigen und zu sehen, wie wir das automatisieren können, wie wir KI oder den Agenten dazu bringen können, die Funktion automatisch aufzurufen und sie automatisch an die Aufforderung oder die Frage weiterzuleiten , um sie zu beantworten. Einfach ausgedrückt, wie wir das automatisieren können, wie wir einen Agenten aufbauen können , der automatisch denkt und reagiert. Bitte konzentrieren Sie sich ab jetzt sehr gut. Ich werde Schritt für Schritt vorgehen und die ID in mehrere Vorlesungen aufteilen , um die Dinge zu vereinfachen. Was ich jetzt tun werde , ist ein neues Modul zu erstellen und es als Eingabeaufforderungen zu bezeichnen Die ganze Idee dreht sich um diese Aufforderung. Lass uns rauszoomen. Das nennen wir die Reaktionsaufforderung. Ich weiß nicht, ob Sie von React gehört haben. Es handelt sich um eine Art von Aufforderung, die es dem Modell ermöglicht, über die Benutzereingabe oder die Frage oder die Aufforderung nachzudenken die Benutzereingabe oder die Frage oder die und dann die einfache Aktion zu ergreifen, um die Frage zu beantworten Hier ist die Eingabeaufforderung, die ich verwende. Du wurdest in einer Schleife aus Gedanken, Handlung, Pose und Handlungsreaktion geführt . Am Ende der Schleife Sie eine Antwort aus. Dann erkläre ich das. Ich sage ihnen Mod der Gedanke ist, die Frage zu verstehen, die dir gestellt wurde. Es wird also Gedanken verwenden , um die Benutzeranforderungen zu verstehen. Dann wird es eine Aktion verwenden, um eine der Aktionen auszuführen, die Ihnen zur Verfügung stehen. Auf der Grundlage seines Verständnisses für die Aufgabe wählt es also eine Aktion aus und führt sie aus. Und dann ist die Aktionsantwort das Ergebnis der Aktionen, die sie ausgewählt hat. Dann werde ich dem Modell mitteilen , welche Aktionen zur Verfügung stehen. In unserem Fall haben wir die Funktion Wetter abrufen. Also nennen wir es so, get weather, und der Parameter ist California, was der Name der Stadt ist, und geben dann den aktuellen Wetterstatus der Stadt zurück. Das sind also die verfügbaren Funktionen oder Aktionen für das Modell. Und am Ende werde ich eine Beispielsitzung geben. Also werde ich ihr sagen, wenn die Frage lautete, sollte ich heute in Kalifornien einen Regenschirm mitnehmen, dann wird der Gedanke sein, dass ich zuerst das Wetter in Kalifornien überprüfen sollte . Also so denken Menschen. Wenn ich dich frage, soll ich einen Schirm mitnehmen? Wirst du zuerst über das Wetter nachdenken? Ist es sonnig? Ist es regnerisch? Dann wirst du das Wetter überprüfen. Sie verwenden eine Aktion, zum Beispiel werden Sie die Wettervorhersage online überprüfen oder so. In unserem Fall haben wir eine Funktion, um das Wetter abzurufen. Dann wird es pausieren und dann wird es wieder kalt mit der Aktionsantwort. Wenn die Aktionsreaktion beispielsweise lautete, dass Wetter in Kalifornien sonnig ist. Wir haben jetzt also das Wetter, sodass wir dann die Frage auf der Grundlage dieser Ausgabe beantworten können. Die Ausgabe wäre so etwas wie, nein, ich sollte heute keinen Regenschirm mitnehmen , weil das Wetter sonnig ist. Deshalb geben wir eine Beispielsitzung für das Modell, um zu verstehen, wie es funktionieren wird. Also noch einmal, genau dieser Abschlussball, es ermöglicht dem Model, über die Frage oder die Aufforderung nachzudenken , die ihm gestellt wurde, und zu versuchen, sie zu verstehen und dann zu verstehen welche Aufgaben oder welche Maßnahmen es ergreifen sollte, um das Problem zu lösen, und wir geben ihm eine Liste von Aktionen, die es verwenden kann. Es verwendet diese Aktionen, erhält die Antwort und verwendet die Aufforderung, um das endgültige Ergebnis zu erhalten. Antwort. Lassen Sie uns jetzt sehen, wie diese Aufforderung in unserem Szenario funktionieren wird. Also werde ich wieder ein neues Modell erstellen, und ich werde sagen, React-Agententest. Und ich werde jetzt den fest codierten Agenten hierher kopieren. Und ich werde diesen entfernen. Ich werde die Frage so lassen, wie sie in L 4 steht, und dann übergebe ich dem System hier die Systemaufforderung. Ich werde einfach die Systemaufforderung übergeben, aber lassen Sie uns sie vorher importieren. Ich sage Prompt, React System Prompt, Perfekt, und ich gebe es hier weiter. Die einzige Änderung, die wir hier vorgenommen haben, ist, dass wir erneut zu einer einfachen Frage aufgefordert wurden erneut zu einer einfachen Frage aufgefordert , ohne irgendwelche Daten anzugeben Wir verschieben die Funktion und werden nun sehen, wie das Modell mit dieser neuen Systemaufforderung funktioniert Lassen Sie mich Kalifornien zum Beispiel auch in Arizona, eine andere Stadt, ändern . Wir wollen kein perfektes Match. Nur um sicherzugehen, dass die Aufforderung einwandfrei funktioniert und irgendwie generisch ist. Lassen Sie uns also dieses Skript, Python, ausführen und den Skriptnamen kopieren. Und lass uns jetzt sehen , was passieren wird. Bitte konzentrieren Sie sich auf die Ausgabe. Und perfekt. Wie man sieht, ist das jetzt irgendwie nachdenklich. Es hat einen Gedanken. Das ist der erste Schritt. Wenn Sie zur Eingabeaufforderung zurückkehren, sehen Sie, dass im ersten Schritt davon ausgegangen wird , dass die Frage verstanden wird. Der Gedanke ist also, ich muss das aktuelle Wetter in Arizona überprüfen. Dann wählt die Aktion eine Aktion aus, das heißt, das Wetter und die Parameter in Arizona abzurufen, und dann posiert es. Siehst du, wir haben diesen Punkt erreicht, perfekt. Da wir die Funktion jedoch noch nicht haben, das Modell in diesem Test keinen Zugriff auf eine Funktion. Wir haben hier keine Funktionen definiert, nichts. Also wurde es einfach angehalten und wir hatten nicht die endgültige Ausgabe. Aber für diesen Punkt ist das perfekt für diesen Vortrag. Die Idee, die ich Ihnen hier zeigen möchte, ist, dass diese Pakt-Aufforderung es dem Modell ermöglicht , die Frage zu verstehen und eine Aktion zu entscheiden, sie auszuführen und die Aktion auszuwählen. Wir haben einen Punkt erreicht, an dem das Modell automatisch eine zu verwendende Aktion auswählen und dann die Frage beantworten kann automatisch eine zu verwendende Aktion auswählen . Der nächste Schritt besteht darin, diese Funktion so zu definieren , dass das Modell sie aufrufen und verwenden kann. 6. Hinzufügen von Funktionen: Okay. Im letzten Schritt war der Agent in der Lage, über die Frage nachzudenken und die Aktion zu entscheiden. Da in unserem Skript jedoch keine Aktion definiert ist, hat das Modell keine Aktionen oder Funktionen aufgerufen. also in dieser Lektion Gehen wir also in dieser Lektion zur dritten Ebene über und lassen das Modell automatisch die Aktion aufrufen zur Beantwortung der Frage erforderlich ist. Also werde ich hier hingehen und dieses Skript anwenden. Ich möchte jedes Update verfolgen, sodass Sie jedes Skript aufrufen und Schritt für Schritt nachverfolgen können , um zu sehen, wie wir den Agenten von Grund auf neu entwickeln Ich werde es sogar in R A umbenennen, um die Benennung etwas kleiner zu machen, R A, was für React Agent steht, und ich werde sagen, mit Functions Test, und diesem hier, dem Basistest RA Und jetzt kopiere ich denselben Code und verschiebe ihn hierher, und ich definiere den Funktionsumfang, der für das Modell verfügbar ist. Also lass uns das entfernen. Ich werde hier sagen, verfügbare Aktionen, und ich definiere einfach eine Liste, die den Namen jeder Funktion enthält. Und lassen Sie uns die Funktion aus den Beispielfunktionen importieren und den Port zum Wetter bringen. Wir haben also eine Liste, aus der das Modell wählen kann. In unserem Fall haben wir nur eine, um die Dinge zu vereinfachen, wie ich bereits erwähnt habe, aber das ist eine Liste, das Modell kann auf eine Funktion zugreifen, sie auswählen und aufrufen. Wir werden gleich sehen, wie. Wir haben eine Liste verfügbarer Aktionen. Jetzt möchte ich den Namen der Aktion aus der Ausgabe lesen Namen der Aktion aus und das Modell anweisen, diese Funktion aufzurufen Sie können sehen, dass das Modell wusste, dass wir eine Wetterfunktion mit Arizona als Parameter benötigen Wetterfunktion mit Arizona als Parameter Aber wie es das nennen wird, wollen wir sehen. Jetzt haben wir also die Antwort. Hier wollen wir das Modell anweisen , die Aktion oder die Funktion aufzurufen Wir müssen also den Funktionsnamen aus der Antwort extrahieren , und die Antwort ist eine Textantwort Mein kleiner Trick hier ist also in unserer Eingabeaufforderung. Anstatt einen einfachen Text wie diesen zurückzugeben, werde ich einen strukturierten Jason zurückgeben. Es wäre viel einfacher für uns, den Namen und die Parameter zu lesen. Ich werde hier zur Beispielsitzung gehen und Sie werden hier sehen, dass die zurückgegebene Aktion dieses Format hat, den Funktionsnamen und dann den Parameter. Stattdessen werde ich dem Modell sagen auf diese Weise in JS zurückgeben soll. Anstatt dieses einfachen Textes hier haben wir also eine JSN im Text, sodass wir sie einfach aus dem Text aus der Antwort extrahieren und die Funktion aufrufen können einfach aus dem Text aus der Antwort extrahieren und die Funktion aufrufen Kehren wir hier zu unserem Test zurück, und bevor wir den Code zum Extrahieren der Funktion schreiben, möchte ich Ihnen zeigen, was passiert ist und was sich jetzt geändert hat Ich werde das im Skript ausführen, und Sie können jetzt sehen, der Gedanke ist derselbe. Ich muss zuerst das Wetter in Arizona überprüfen, aber jetzt ist die Action im Jason-Format. Und das ist super wichtig. Jetzt kann ich diese Jason-Zeichenfolge einfach lesen und in Jason umwandeln und die Funktion aufrufen. Ich hoffe du hast die Idee bekommen, denn wenn du hier wie bisher einen einfachen Text hast, brauchen wir vielleicht reguläre Ausdrücke. Es wird irgendwie schwieriger sein , eine Funktion oder eine einfache Zeichenfolge aus der Antwort zu extrahieren . Wenn wir einen strukturierten Jason wie diesen haben, wird es viel einfacher sein. Aber wie können wir diesen JSN-Text aus dieser Antwort extrahieren? Hier kommen meine Hilfsfunktionen, die ich entwickelt habe, um Ihnen die Arbeit zu erleichtern Ich werde hierher gehen und ein neues Python-Modul erstellen, ich werde es JS-Helfer nennen. Ich werde die von mir erstellten Funktionen einfügen . Dies kann Ihnen in vielen Szenarien helfen. Aber was wir in unserem Fall brauchen, ist diese Funktion, Jason aus dem Text zu extrahieren. Schau, wie einfach das jetzt ist. Ich werde zu unserem Beispiel zurückkehren und einfach sagen, dass die Jason-Funktion dem Funktionsnamen entspricht. Lassen Sie uns es zuerst von Jason Helpers Import importieren. Wie lautet der Name der Funktion? Extrahiere Jason. Helfer und sagen Sie einfach Extrahieren Sie JS und aus der Antwort, und lassen Sie uns jetzt die JSN-Funktion drucken Lassen Sie uns auch die Antwort drucken, ich würde Antwort vom Modell sagen, und dann sage ich, dass JS-Funktionen nach dieser Formatierung extrahiert wurden JS-Funktionen nach dieser Formatierung Und lassen Sie uns jetzt sehen, was passieren wird. Also, was ich hier mache, ist einfach die Hauptantwort auszudrucken und dann die JS-Funktion zu extrahieren und dann die extrahierte Funktion auszudrucken, und dann die extrahierte Funktion auszudrucken um zu sehen, ob alles perfekt funktioniert Also lass uns das ausführen. Du kannst sehen. Dies ist die Hauptantwort des Modells. Dann die extrahierte JSN-Funktion. Sie können sehen, dass wir jetzt eine Liste von Funktionen mit ihren Parametern Sie können den Funktionsnamen und die Funktionsparameter City, Arizona sehen . Jetzt haben wir ein JCN. Es ist viel einfacher, einfach die Werte aus diesem JSN zu lesen. Ich hoffe, du hast die Idee hier. Ich habe das Modell hier mit der Aufforderung angewiesen die Aktion und den Parameter oder die Funktion mit dem Parameter im JSM-Format zu generieren , damit es für mich einfacher ist, es später zu extrahieren und dem Modell zu ermöglichen, diese Funktion auszuführen Lassen Sie uns diese Zeilen kommentieren. Jetzt habe ich die JSN-Funktion als Text. Der nächste Schritt besteht darin, die Funktion auszuführen. Lass mich dir den Code zeigen. Es ist irgendwie einfach. Ich habe gerade überprüft, ob diese JSN-Funktion existiert , als wir sie extrahieren Dann erhalte ich den Funktionsnamen und die Funktionsparameter. Sie können jetzt sehen, wie einfach es ist, diese aus der JSIN zu bekommen , indem Sie die JSN direkt axen Dann überprüfe ich, ob der Funktionsname in der Liste der verfügbaren Aktionen vorhanden ist Wo ist diese Liste, denken Sie daran, wir haben sie hier definiert. Es wird geprüft, ob dieser Funktionsname in dieser Liste vorhanden ist. Wenn nicht, wird unbekannte Aktion angezeigt. Falls ja, wird es den Namen der Aktion mit den Parametern ausgeben , dann definiere ich die Funktion und kodiere sie hier mit den Parametern und speichere das Ergebnis in dieser Variablen und zeige einfach diese Funktionsergebnisnachricht Aktionsantwort an, die das Ergebnis der Funktion ist, hier das Ergebnis, und lassen Sie uns die Ergebnismeldung der Funktion drucken. Das ist alles. Wir haben das JSN extrahiert, dann extrahieren wir den Funktionsnamen und die Funktionsparameter und wir prüfen, ob es hier verfügbar ist, und wir erhalten den Funktionsnamen und rufen ihn auf, erhalten das Ergebnis, und ich drucke es jetzt um zu zeigen, dass alles wie erwartet funktioniert Lassen Sie uns das noch einmal löschen und unseren neuen Code ausprobieren. Lass uns sehen, was jetzt passieren wird, lauf, und du kannst jetzt sehen, da heißt es laufen, Wetter holen. Also hat der Modus die Funktion automatisch ausgewählt und ausgeführt. Aber wir haben hier ein Problem. Es heißt, dass die Reaktion auf die Aktion „Keine“ ist. Warum? Einfach, weil wir, wenn wir zu unserer Beispielfunktion gehen, Arizona nicht in der Liste haben. Wählen wir also etwas aus , das hier verfügbar ist, wie London, und gehen wir hier hin und ändern die Aufforderung, sollte ich Umbrella mit nach London nehmen, und lassen Sie uns jetzt versuchen, es auszuführen und zu perfektionieren. Sie können jetzt sehen, wie das Wetter läuft, die Stadt ist London und die Reaktion auf die Aktion ist wolkig. Das Modell, das sich jetzt in diesem Schritt befindet, konnte entscheiden, dass es das Wetter überprüfen muss Ich führe die Funktion und wir erhalten die Antwort Der nächste Schritt besteht darin, das Modell zu erstellen und die Antwort zu verwenden, um unsere Hauptfrage, unsere Hauptfrage Und genau da brauchen wir den KI-Agenten-Loop. Wenn wir noch einmal zur Eingabeaufforderung gehen, denken Sie daran, dass wir eine Schleife haben. Wir werden also mehr über diese Schleife erklären und unsere eigene Agentenschleife erstellen , damit das Modell oder der KI-Agent mit der endgültigen Antwort antworten kann. 7. Der Loop: Okay, Freunde, in der letzten Vorlesung haben wir einen Punkt erreicht, an dem das Modell Lage ist, die Funktion abzurufen, sie aus der Antwort zu extrahieren, sie aufzurufen und ein Ergebnis aus der Funktion zu erhalten. In diesem Beispiel für London haben wir also festgestellt, dass die Antwort wolkig ist. Jetzt weiß das Modell also, dass das Wetter in London bewölkt ist. Aber es hat nicht die endgültige Ausgabe generiert. Hier ist der Loop wichtig. Wenn wir zu den Aufforderungen zurückkehren, denken Sie daran, dass Sie sich in einer Schleife aus Gedanken, Handlung und Handlungsreaktion bewegen Was wir jetzt also tun sollten, ist das Modell in einer Schleife laufen zu lassen Auf diese Weise wird es in der zweiten Iteration der Schleife die Aktionsantwort haben in der zweiten Iteration der Schleife die Aktionsantwort In der ersten Iteration erhielt es also die Antwort in der zweiten Es wird die Antwort haben, damit es die Frage beantworten kann. Ich hoffe, wir haben die Idee, denn in diesem Skript hier haben wir den Abschlussball eingegeben und wir haben die Funktion extrahiert und das Ergebnis erhalten. Aber wir haben hier aufgehört. Das Model wusste nicht, wie es antworten sollte. Wir haben gerade die Antwort von der Funktion erhalten. Also müssen wir diesen Code hier in einer Schleife verschachteln. Das Modell kann also wieder ausgeführt werden, und jetzt enthält es die Informationen. Es wird die Aktionsantwort in den Nachrichten enthalten. Um das zu tun, werde ich in dieser Vorlesung eine neue Funktion vorstellen. Gehen Sie hier zurück zu unserem offenen Modul. Ich werde diese neue Funktion erstellen. Und anstatt eine einfache Eingabeaufforderung und die Systemaufforderung zu verwenden und die Nachrichten hier im Funktionstext manuell zu erstellen , übergebe ich die Nachrichten einfach als Parameter. Also können wir das Modell irgendwie machen , erinnern wir uns an das Gespräch. Wir werden die Konversation innerhalb der Schleife speichern. Diese Funktion haben wir nun in der nächsten Vorlesung, wir werden unseren Agenten finalisieren Und wenn Sie das Gefühl haben, dass hier etwas unklar ist, wir es meiner Meinung nach in der nächsten Vorlesung praktisch anwenden. Sie werden verstehen, wie der Loop funktioniert und wie das Modell und wie der A-Agent innerhalb dieser Schleife arbeitet Und Sie werden verstehen, wie wichtig der Loop ist. 8. Der Endagent: Okay, Freunde, in diesem Vortrag. Lassen Sie uns unseren KI-Agenten finalisieren indem wir die letzte Schleife implementieren Also werde ich wieder ein neues Modul erstellen, ich werde RA final nennen Und das ist unser letzter Reaktionsagent. Ich hoffe, Sie verstehen anhand dieses Beispiels die gesamte Idee hinter Agenten. Also werde ich den gleichen Code hier kopieren. Okay, lassen Sie uns diese Kommentare entfernen. Und jetzt werde ich Nachrichten hinzufügen. Denken Sie daran, wir fügen diese Funktion hier hinzu, damit wir Nachrichten weiterleiten können. Also werden wir stattdessen diese Funktion verwenden. Also müssen wir es hier importieren, perfekt. Und statt der Eingabeaufforderung und der Systemaufforderung übergeben wir Nachrichten und definieren sie hier. Nachrichten sind gleichwertig. Und lassen Sie uns diesem einfachen Code ins Auge sehen. Wissen Sie, in OpenAI haben wir die Systemaufforderung und die Benutzeraufforderung und eine Konversation, und Sie können hier zwischen dem Benutzerassistenten so viel hinzufügen, wie Sie möchten, als Konversation, um mit dem Modell zu beginnen, wenn Sie wollen. Also haben wir hier nur die Systemaufforderung, die unsere Reaktions-Systemaufforderung ist, und wir haben den Inhalt, das ist unsere einfache Eingabeaufforderung hier Jetzt übergeben wir diese Nachrichten als Parameter an unsere neue Funktion, sodass sie jetzt basierend auf dieser Konversation generiert werden. Bis jetzt nichts Neues, sehr einfach. Anstatt der Aufforderung jeweils eine Systemaufforderung als Parameter zu übergeben, verwenden wir die neue Funktion mit diesem Nachrichtenparameter. Dann extrahieren wir die Funktion, nichts Neues. Jetzt müssen wir die Schleife implementieren, über die wir gesprochen haben. Bitte konzentrieren Sie sich auf diesen Teil. Das ist sehr wichtig. Es ist fast der wichtigste Teil der KI-Agentenstruktur. Anstatt die Antwort direkt von der KI zu generieren die Antwort direkt von der KI und dann zu extrahieren und fortzufahren, werden wir sie in einer Schleife verschachteln, wie ich bereits in der letzten Vorlesung erwähnt habe Definieren Sie einfach zwei Variablen, die Anzahl der Züge und die maximale Anzahl Wie oft soll der Asian laufen, wie viele Iterationen und dann eine einfache Y-Schleife, und Sie werden sagen, dass zwar geringer ist als die maximale Anzahl an Umdrehungen, es wird eine Schleife wiederholt Ich werde die Iteration oder die Anzahl der Runden ausdrucken , nur um zu wissen, wo ich mich innerhalb Und dann füge ich eins zur Anzahl der Runden hinzu , sodass wir die Schleife unterbrechen können, wenn sie fünf erreicht , und lassen Sie uns hier einfach eine Tabulatorausrichtung hinzufügen , um den Code innerhalb der Schleife zu erstellen Also, Iteration eins, was passieren wird, wir werden die Antwort generieren, wir werden die Funktion extrahieren und wir werden das Aktionsergebnis erhalten. Okay? Nun müssen wir das Ergebnis an die Konversation anhängen Sie sehen hier, wir haben die Nachrichten. Was wir jetzt hier tun werden, ist eine neue Nachricht anzuhängen , dass wir eine Aktionsantwort erhalten haben Wir haben ein Ergebnis von der Funktion erhalten. Wir werden es dem Modell sagen. Okay, jetzt haben wir die Antwort darauf , damit Sie die Frage beantworten können. Wie macht man das? Einfach. Nachdem wir die Ergebnismeldung der Funktion erhalten haben, fügen wir diese neue Nachricht oder neue Chat-Nachricht einfach hier an das Nachrichten-Array an. Okay? Also, wenn du willst, nehmen wir jetzt so etwas. Das Nachrichten-Array wird zu diesem Zeitpunkt ungefähr so aussehen. Jetzt haben wir also die gesamte Konversation, und wir können in der zweiten Iteration, wenn wir das aufrufen, wieder , die Nachrichten das Ergebnis der Funktion enthalten Das ist also die Bedeutung der Schleife. Wir verfolgen die Ergebnisse, die das Modell generiert hat. Wir haben Ergebnisse von der Funktion erhalten, also haben wir sie zu den Nachrichten hinzugefügt. In der zweiten Iteration wird es also sehen, dass wir ein Ergebnis aus der Funktion haben Und ich werde hier am Ende hinzufügen, wenn wir keine angrenzende Funktion haben, würde ich sagen, sonst Pause Um zu sehen, was alles innerhalb der Schleife passiert, lass mich das auch hier tun. Drucken Sie die Antwort aus, damit wir sehen können, was genau im Kopf des Agenten vor sich geht. Also schleife, drucke die Antwort, extrahiere die Funktion, wir bekommen die Funktion, wir führen sie aus. Wir erhalten das Ergebnis der Funktion. Wir fügen das Ergebnis dem Nachrichtenverlauf hinzu und wiederholen dann die neuen Ergebnisse. Mal sehen, was jetzt passieren wird. Klar, und lassen Sie uns unsere endgültige A-Implementierung oder eine Final.yn durchführen A-Implementierung oder eine Final.yn Perfekt. In der ersten Version des Modells sagte der Agent, ich sollte zuerst das Wetter in London überprüfen Also brauche ich diese Aktion. Es hat die Aktion ausgeführt. Siehst du? Ich brauche Wetter. Die Stadt ist London. Die Reaktion auf die Aktion ist trüb. in der zweiten Schleife Schau dir in der zweiten Schleife diese unglaubliche Magie an. Wirklich, es ist wie Magie. Etwas wirklich Interessantes. In der zweiten Iteration weiß der Agent jetzt, dass das Wetter bewölkt ist Es sagt Ihnen also, ja, Sie sollten erwägen, einen Regenschirm mitzunehmen , da es heute in London bewölkt ist Also verstehe ich in der ersten Iteration die Frage, führe die Funktion und füge dann die Ergebnisse der zweiten Schleife zur zweiten Iteration hinzu , und so weiter, bis die endgültige Antwort gefunden ist Und was hier interessant ist, Sie können dem Agenten jetzt jede Frage stellen, für die Sie das Wetter kennen müssen Es geht nicht nur um den Regenschirm. Lass mich dir ein Beispiel zeigen. Ich werde diese Aufforderung ändern und den Agenten etwas anderes fragen. Sehr grundlegende Frage. Wie ist das Wetter heute in London? Wenn Sie also wieder dabei sind, kann der KI-Agent diese Frage jetzt ganz einfach beantworten. Es wird mir sagen, dass das Wetter bewölkt ist. Es verwendet die externe Funktion. ' Wir stellen einige andere knifflige Fragen, um zu sehen, wie intelligent dieser KI-Agent ist. Zum Beispiel ist ein guter Tag, um den Strand in Kalifornien zu besuchen. Lass uns das testen. Ja, es ist ein guter Tag. Das Wetter ist Sonny. Lass uns etwas anderes versuchen. Es ist wirklich interessant. Lass es mich so fragen. Wie ist das Wetter in New York, und ich werde New York falsch geschrieben schreiben Mal sehen, ob es das alleine bewältigen kann. Lauf nochmal. Perfekt. Es bewältigt es. Lass mich eine Frage stellen, die nichts mit Wetter zu tun hat. Was ist digitales Marketing? Mal sehen, was passieren wird. Ich habe darüber nachgedacht, und es ist eine faktenbasierte Frage, also habe ich direkt eine Antwort bekommen. Vielleicht fragst du dich jetzt, wie ich diesen Agenten darauf beschränken kann , nur Fragen zu beantworten , die sich auf einen bestimmten Anwendungsfall beziehen, wie zum Beispiel, ob oder vielleicht nur für Marketing oder nur für finanzielle Hilfe und so weiter. Wie kann ich das Modell darauf einschränken? Es dreht sich alles um die Systemaufforderung. Ich werde das in der nächsten Vorlesung genauer besprechen. 9. The Prompt: In der letzten Vorlesung haben wir also den KI-Agenten fertiggestellt, und ich habe Ihnen gezeigt, wie der Loop funktioniert und wie der KI-Agent eine externe Funktion automatisch verwenden konnte eine externe Funktion automatisch , um unsere Fragen zu beantworten. Und wir haben mit dieser Aufforderung gespielt und verschiedene Fragen gestellt. Und ich habe Ihnen auch gezeigt , dass es allgemeine Fragen beantworten kann , z. B. was digitales Marketing. Lassen Sie uns das noch einmal ausführen. Und Sie werden sehen, dass es eine Antwort auf digitales Marketing gegeben hat. In diesem Vortrag möchte ich ein wenig über das System, den React Prom, sprechen. Zunächst möchte ich erwähnen, dass diese Aufforderung nicht die perfekte Aufforderung ist. Manchmal werden Sie vielleicht bessere Ergebnisse erzielen, wenn Sie diese Aufforderung ein wenig ändern . Zum Beispiel in diesem Blockbeitrag, und übrigens, es ist ein großartiger Blockbeitrag, hier, Simon, verwendet der Autor diese Eingabeaufforderung hier. Es ist irgendwie ähnlich, und um ehrlich zu sein, habe ich einige Ideen aus seinem Blog bekommen, als ich den Kurs erstellt habe. Aber wenn Sie hier sehen, wenn er die Funktion bekommt, gibt er sie auf diese Weise zurück, Aktion, den Funktionsnamen und den Parameternamen. Wenn Sie zu dem Python-Skript gehen, das er gebaut oder erstellt hat, sehen Sie, dass er reguläre Ausdrücke verwendet. Dieser Ansatz ist meiner Meinung nach nicht der beste Ansatz, reguläre Ausdrücke zu verwenden. diesem Grund habe ich es in meiner Aufforderung vorgezogen, die Struktur-Jason-Antwort zu verwenden und diese aus der Antwort zu extrahieren, damit wir leicht mit den Funktionen interagieren können. ich in gewisser Weise reguläre Ausdrücke verwende , um die JSN zu extrahieren Aber wenn wir es extrahieren, werden wir etwas wie dieses bekommen, das leicht zugänglich ist und mit dem wir viel einfacher spielen können als mit einfachem Klartext Ich möchte euch also sagen, dass diese Aufforderung nicht die heilige Aufforderung ist. Du kannst damit spielen, du kannst dich ändern. Ich werde Ihnen einige verschiedene Versionen dieser Aufforderung vorstellen. Während ich den Kurs vorbereitete, habe ich mit verschiedenen Ideen für Eingabeaufforderungen herumgespielt. Lass mich dir diesen zeigen. Sie können hier also sehen, dass ich verschiedene Prompt-Versionen habe. Ich werde das alles anhängen, damit du damit spielen und testen kannst, wenn du willst. Nur eine letzte Anmerkung. Wenn Sie möchten, dass der KI-Agent Fragen nur in Ihrem speziellen Fallszenario oder Anwendungsfall beantwortet. Ich möchte zum Beispiel, dass der Agent nur Fragen beantwortet , die sich darauf beziehen, ob. Ich kann das zur Systemaufforderung hinzufügen. Beantworten Sie keine Fragen, die nichts mit dem Wetter zu tun haben. Und dann schreibst du die Reaktionsaufforderung. Wenn du jetzt hierher gehst und uns das testen lässt, frage ich, was digitales Marketing ist? Mal sehen, was die Antwort sein wird. Sie sehen, es tut mir leid, aber ich kann nur Informationen über das Wetter geben. Diese Systemaufforderung ist sehr wichtig, wenn Sie möchten. Um Ihren Agenten auf ein spezielles Anwendungsszenario auszurichten. Ich denke, ab sofort können Sie dieselbe Eingabeaufforderungsvorlage verwenden, diese Reaktionsvorlage. Sie können weitere Funktionen hinzufügen und damit testen, wenn Sie möchten, und wir werden das später tun. Ich werde Ihnen später in den Projektvideos zeigen, wie Sie einige fortgeschrittene KI-Agenten mit unterschiedlichen Szenarien und Anwendungsfällen implementieren können einige fortgeschrittene KI-Agenten mit unterschiedlichen Szenarien und Anwendungsfällen . Aber im Moment glaube ich, dass Sie die vollständige Idee und die Bedeutung dieser Systemaufforderung verstanden haben. 10. Mit SimplerLLM vereinfachen: Okay, Freunde. In dieser Vorlesung werde ich Ihnen zeigen, wie Sie den Prozess der Erstellung von KI-Agenten mit einer Bibliothek namens Simpler LM vereinfachen können. Ich werde also einfach dieses Copy-Paste klonen und es einfach umbenennen. Nennen wir es etwas einfacher. Und die Idee hier ist einfacher. LM ist eine Bibliothek, die ich entwickelt habe. Es ist ein Python-Paket, mit dem Sie viel einfacher mit Sprachmodellen interagieren können. Glauben Sie mir, es hat mir sehr geholfen und ich habe es öffentlich und als Open Source Jeder kann es verwenden und KI-Tools einfach erstellen. Schau dir das jetzt an. Wir werden dieses Modul nicht mehr benötigen, wir werden das JS Helpers-Modul nicht mehr benötigen. Wir benötigen die Eingabeaufforderung und die GT-Wetterbeispielfunktion Installieren Sie hier einfach einfacheres LM und stellen Sie sicher, einfacheres LM und stellen dass Sie sich in der virtuellen Umgebung befinden. Einfach pip installieren, ein bisschen warten und fertig. Sie jetzt aus dem einfachen LM Punkt Language Importieren Sie jetzt aus dem einfachen LM Punkt Language Dot LLM LLM und den LLM-Anbieter Schau dir das an. Jetzt werde ich eine neue LM-Instanz erstellen und den Anbieter als Open AI und den Modellnamen als GPT Four auswählen Open AI und den Modellnamen als GPT Four Jetzt habe ich diese Instanz. Ich kann es verwenden, um Text mit KI zu generieren. Was wirklich nett ist, du kannst den Anbieter einfach auf Gemini oder Autoanthropic ändern den Anbieter einfach auf Gemini oder Autoanthropic und der Code bleibt so wie Dies ist der Hauptvorteil der Verwendung von Simple LM. Mit einer Instanz können Sie die Anwendung erstellen, und wenn Sie das Modell ändern möchten, ändern Sie hier einfach den Anbieter. Wie dem auch sei, KI, und lassen Sie uns hier runter gehen, die Generate-Funktion und sagen, Antwort generieren und die Nachrichten übergeben, gleiche Nachrichten, und wir brauchen das Modell hier nicht mehr da es mit der Instanz definiert ist, und dann können wir einfach auch die JSN-Tools eingeben, und dann können wir einfach auch die JSN-Tools eingeben, die in dieser Bibliothek eingebaut Wir haben eine Reihe von Tools, JS-Helfern, importieren, extrahieren JS aus Text und ersetzen es hier einfach durch diese Funktion. Mit dieser Bibliothek benötigen Sie jetzt nicht mehr all diese Module rund um Ihr Python-Skript. Lass es uns testen. Ich werde das überprüfen und sehen, was passiert und perfekt wird. Es funktioniert wie zuvor. Jetzt brauchen wir nicht mehr all diese Module, wie ich bereits erwähnt habe, Sie müssen nur die Bibliothek importieren und die Tools verwenden. Vielleicht denkst du jetzt, es ist keine so große Sache. Ich kann diese Dateien erstellen, aber Sie werden später sehen, wenn Sie weitere KI-Projekte und -Tools usw. erstellen , werden Sie sehen, wie das alles verändern wird. Glauben Sie mir, basierend auf echten Erfahrungen mehr als 100 KI-Projekten wird dies die Art und Weise, wie Sie mit Sprachmodellen interagieren, verändern Sie mit Sprachmodellen interagieren 11. KI-Agent für SEO-Auditor aufbauen: Hallo zusammen, ich hoffe, Ihnen hat dieser Kurs zum Erstellen von KI-Agenten von Grund auf mit Python gefallen dieser Kurs zum Erstellen von KI-Agenten von Grund auf . In dieser Vorlesung werden wir nun ein Beispiel aus der realen Welt erstellen. Etwas wirklich sehr Interessantes. Ich werde einen Agenten bauen, einen KI-Agenten, der Fragen zu Webseiten beantworten kann. Es ist ein SEO-Auditor-Agent. Es wird also direkten Zugriff auf Webseiten haben, und Sie können alles fragen, was Sie wollen, zum Beispiel, wie viele Bilder es auf dieser Webseite gibt So optimieren Sie diese Webseite, damit sie bei Google rangiert. Alles was du willst. Es ist wie dein SEO-Assistent. SEO steht für Suchmaschinenoptimierung und ist die Technik, mit der Ihre Website optimiert wird , sodass wir bei Google oder Suchmaschinen ranken können um organischen Traffic zu erzielen. Lassen Sie uns gemeinsam den älteren SEO-Agent für KI erstellen. Ich bin mir sicher, dass du das lieben wirst. Es ist super interessant. Lass uns anfangen. Also hier ist ein neues Projekt. Ich fange wieder von vorne an, damit wir alles überprüfen können , was wir gemacht haben, und Sie werden jetzt sehen, wie wichtig und wie wichtig einfacheres LM in diesem Projekt ist. Erstellen Sie eine neue Python-Datei. Dies ist die Hauptdatei, und lassen Sie uns die Eingabeaufforderungsdatei erstellen und das Terminal öffnen. Lassen Sie uns eine neue virtuelle Umgebung erstellen. Mach dir keine Sorgen um die Codes. Alles wird dem Kurs beigefügt . Bitte konzentrieren Sie sich jetzt. Verstehen Sie das Konzept, damit wir jeden beliebigen Agenten erstellen können. Lass uns aktivieren. Okay. Perfekt. Installieren Sie einfacheres LM, okay, perfekt. Fügen wir jetzt hier unsere APike-Paste hinzu und jetzt fangen wir an Im ersten Schritt importiere ich einfacheres LM und erstelle eine neue Instanz, wie wir es in der letzten Lektion getan haben Jetzt haben wir das, das JS aus Text extrahiert, und wir haben die Instanz, die Text mit GPT für die API generiert nun, bevor wir weitermachen, Lassen Sie uns nun, bevor wir weitermachen, den Asiaten verstehen , den wir bauen werden Wie ich bereits erwähnt habe, handelt es sich um einen SEO-Auditor-Agenten. Wir können ihn also über jede Webseite fragen und er kann auf die Webseitendaten zugreifen Es kann die Webseite lesen und darauf basierend antworten. Was ist also unser äußeres Handeln, die externe Funktion? Definieren wir es. Nehmen wir zum Beispiel Aktionen an, Punkt Y, und diese Funktion ist einfach eine Funktion , die einen SEO-Bericht für jede Webseite erstellen kann. Um das zu tun, verwende ich eine einfache API, die ich entwickelt habe. Es wird das Webseiten-SEO-Analyzer-Tool genannt. Wenn Sie in die Rapid API gehen und sie testen, zum Beispiel das ist meine Website, Test-Endpunkt, werden Sie sehen, dass wir eine ausführliche Darstellung erhalten , die HTTP-Header, die Titel, die Beschreibung, die Wortzahl, die Bilder, alles Also die Daten über jede Webseite sind perfekt. Also werde ich jetzt eine Funktion erstellen, die diese API aufruft und das SEO-Audit zurückgibt. Nun, hier kommt die Leistungsfähigkeit von Simple LM zum Tragen. Wir haben in dieser Bibliothek ein Rapid-API-Modul eingebaut. können wir also jede API auf Rapid API aufrufen Mit dieser einfachen Klasse können wir also jede API auf Rapid API aufrufen. Also werde ich diese Funktion definieren. Es braucht eine URL. Ich werde die APURL von Rapid API bereitstellen. Mal sehen, das ist die URL, und wir haben den Parameter als URL, Sie können sehen, ich definiere die Parameter, und dann rufe ich die API mit dieser einfachen Funktion auf und gebe die Antwort zurück Sie können jetzt sehen, wie simples LM die Dinge jetzt viel einfacher gemacht hat , und wir erstellen die Funktion einfach mit Hilfe von Simple LM. Perfekt, wir haben die Action. Jetzt ist es an der Zeit, die Aufforderung zu definieren. Natürlich habe ich das vorher vorbereitet. Nur um jetzt keine Zeit damit zu verschwenden, die vollständige Eingabeaufforderung zu schreiben. Lass es uns einfügen und kurz erklären . Schau dir das an. Es ist fast dieselbe Aktion, Gedanke, Aktion, Antwort, dieselbe Reaktionsvorlage, aber jetzt haben wir verschiedene verfügbare Aktionen. Wir haben die Anzeige der Get SCO-Seite, die Sie sehen können, und wir werden eine URL als Parameter haben Und das ist die Beispielsitzung. Das ist sehr wichtig. Schau dir das an. Ist die Überschrift für das Keyword-Marketing auf der Webseite optimiert? nas.com ist meine Website Der Gedanke, ich sollte zuerst einen vollständigen SCO-Bericht für die Webseite generieren einen vollständigen SCO-Bericht für die Webseite Es ruft diese Funktion auf und beantwortet dann auf der Grundlage des Berichts Ihre Frage Sie werden jetzt sehen, wie interessant das ist? Das ist unsere Aufforderung. Ich gehe zurück zur Hauptsitzung zum Hauptskript und importiere die Funktion aus Aktionen, Import, erhalte einen CO-Seitenbericht und aus Import axt und prompt, perfekt Wir haben jetzt die Aktion, wir haben die Aufforderung und wir haben unsere Funktionen, wir haben die LM-Instanz, wir sind bereit, den Agenten zu erstellen Von nun an ist der Code also fast derselbe. Ich werde es einfügen. Sie werden sehen, dass wir jetzt die Benutzerabfrage haben, die Frage, die Sie stellen möchten. Zum Beispiel, wie viele Bilder auf der folgenden Webseite. Die Nachrichten, ich habe sie definiert, dann die Anzahl der Züge, die Schleife. Du erinnerst dich an die Schleife. Wir haben also die Antwort des Agenten. Indem wir jetzt die Elementinstanz verwenden, um die Antwort zu spenden und die Nachrichten weiterzuleiten, und dann einfach die Antwort anhängen Wir haben einfach die Antwort des Agenten, extrahieren dann die Aktion und prüfen, ob sie verfügbar ist Also müssen wir die verfügbaren Aktionen in „Merken Sie sich diese Liste“ definieren . Definieren wir sie. Gehen wir hierher und definieren, dass es verfügbar ist. Aktionen, hier ist die Aktion. Jetzt denke ich, dass alles perfekt ist. Ich öffne die Nachricht. Okay. Lass uns das testen. Die Frage ist jetzt, wie viele Bilder auf der folgenden Webseite? Lass es uns versuchen Python main BY Runs haben wir haben einen Fehler API muss für pi bereitgestellt werden. Wir müssen das Rapid APK auch hier bereitstellen, hinzugefügt, das ist mein AP Ike und du findest es übrigens hier, das Rapid APIke Lass uns zu unserem Hauptcode zurückkehren Lass uns löschen und es erneut versuchen. Hoffe jetzt, dass es funktioniert. Funktion, perfekt, Bericht generieren, zweite Schleife. Es gibt acht Bilder auf dieser Webseite. Perfekt. Stellen wir eine andere Frage. Wie hoch ist die Antwortgeschwindigkeit dieser Webseite? Lass uns rennen. Die endgültige Antwort ist 0,08 Sekunden. Wow, irgendwie schnell. Sie können also sehen, dass wir jetzt diesen KI-Agenten haben , der in der Lage ist, alle Fragen zu Ihren Webseiten mithilfe einer externen Funktion zu beantworten alle Fragen zu . Dies ist unser AI-Agent für SEO-Audits. Denken Sie daran, dass dies das Backend unseres Agenten ist. Wir interagieren jetzt mit dem Terminal. Dies kann ein großartiges Projekt sein, vielleicht für ein Tool auf Ihrer Website, wie wir in meinen anderen Kursen zum Erstellen von KI-Tools auf WordPress erklärt haben , oder vielleicht für die Erstellung eines Chat-Bot. Auch hier auf WordPress, unterstützt von einem Assistenten wie diesem hier. Wenn Sie diesen Agenten erstellen, und übrigens, wir haben hier unendlich viele Möglichkeiten. Wir können jeden beliebigen Agenten erstellen, Wir können jeden beliebigen Agenten erstellen Ihnen bei allem helfen kann oder dies als Service für Ihre Kunden auf Ihrer eigenen Website, Ihre eigenen Kunden, für Ihre eigenen Besucher anbieten kann. Es wäre sehr hilfreich für Ihr Unternehmen oder für Sie selbst, oder vielleicht, um bei allem, was Sie wollen, produktiver zu sein. 12. Was kommt als nächstes?: Wir haben also das Ende dieses Kurses erreicht. Ich hoffe, es hat Ihnen Spaß gemacht, von Grund auf zu lernen, wie man KI-Agenten mit Hilfe von React Prompt und Python erstellt React Prompt und Python KI-Agenten mit Hilfe von React Prompt und Python erstellt. Nun, was kommt als Nächstes? Das Wichtigste , was du tun musst, ist zu üben, gehen und deinen eigenen Agenten aufzubauen. Du kannst alle meine Codes bekommen. Alles ist angehängt, heruntergeladen und versucht, es zu optimieren, zu ändern, um Ihren eigenen benutzerdefinierten Agenten zu erstellen Vergiss nicht, alles mit uns mit der Community zu teilen mit uns mit der Community Wir können Ideen teilen, wir können. Ich bin hier, um Ihnen jederzeit zu helfen, wenn Sie auf ein Problem stoßen. Stellen Sie Ihre Fragen. Ich bin fast jeden Tag hier. Die zweite Sache ist , dass ich fast jeden Monat mehr asiatische KI-Projekte in meiner Videobibliothek auf meiner Website veröffentlichen mehr asiatische KI-Projekte werde. Wenn du mitmachen möchtest, kannst du dort weitermachen und dir jeden Monat mehr Beispiele und mehr Projekte ansehen . Vielen Dank und sehen Sie sich den anderen Kurs an.