Como um agente trabalha.

A agente útil liga um objetivo com ações e evidências. O ponto de partida é simples: um modelo propõe o seguinte passo, uma ferramenta pode correr e um loop decide como continuar a obter uma resposta ou parar.

Conceitos de Chave

Neste curso estudamos agentes baseados em LLM. A chatbot pode responder uma pergunta. Um fluxo de trabalho executa passos predefinidos. Um agente incorpora decisões dinâmicas sobre o que fazer depois. É um objetivo orientado, age com autonomia delimitada e trabalha iterativamente. O processo A pode conter um estágio fixo e agênico. Para uma operação totalmente conhecida, uma função ou um fluxo de trabalho geralmente é suficiente.

Os três componentes centrais são modelo, ferramentas e loop. O modelo interpreta o solicitação e pode propor um chamada. A ferramenta realiza uma operação de concreto, como consultar uma ordem. O tempo de execução coordena as mensagens, execução, estado e as condições de saída. O modelo não roda o recurso Python descrevendo uma ferramenta.

Módulo Objetivos

Agente diferente, chatbot e fluxo de trabalho através de seu fluxo de monitoramento.
Identificar é responsável por modelo, ferramenta e orquestração.
Siga um ciclo ReAct e detecte quando parar.
Escolha controles apropriados para uma ação de leitura ou escrita.

Componentes e estado

Escolher um modelo significa equilibrar capacidade, latência e custo. A alta pontuação em um benchmark não prova que vai se adequar ao seu caso: testar compreensão, usando ferramentas e conduta com dados incompletos. A modelo maior também não remove a necessidade de validar parâmetros.

A ferramenta A precisa de nome, descrição, entradas e resultado claros. consultar_pedido(id_pedido) Isso é mais compreensível. hacer_cosa(texto). O esquema ajuda o modelo a produzir argumentos estruturados, mas a implementação continua verificando tipos, intervalos, autorização e existência de recurso. O registro de ferramentas relaciona o nome solicitado com um código permitido. Você nunca deve avaliar texto arbitrário como código.

O estado preserva informações relevantes de execução: mensagens, resultados e progresso. A memória da sessão permite continuar uma conversa. Persistente pode preservar preferências autorizadas entre as sessões. Ninguém deve manter nada lido indiscriminadamente. Defina o que acontece, quanto tempo e quão má informação é corrigida ou apagada.

Padrões de aposentadoria

Chain-of-Thought (CoT) organiza resolução em etapas intermediárias, mas não tem acesso a dados atuais ou ferramentas por si só. Reagir combina decisões, ações e comentários: decidir consultar, executar a consulta e usar o resultado para o próximo passo. A observação pode ser uma informação ou um erro. Árvore do Pensamento (ToT) Explorar alternativas e comparar caminhos de resolução oferece mais exploração para trabalhos adicionais. Nenhum padrão mostra que uma resposta está correta.

O raciocínio intermediário pode guiar o trabalho, mas para verificar um agente vê entradas autorizadas, chamadas, resultados finais verificáveis e explicações. A não significa acesso ao raciocínio interno completo do modelo. A plano elegante sem verificar os resultados continua a ser uma oportunidade de perder.

Exemplo passo a passo

Uma pessoa pergunta: "Comprei três itens do 24 dólares e quatro do 18. Qual é o total? "O agente foi multiplicar y sumar.

O modelo identifica dois subtotais e solicitações. multiplicar(3, 24).
O tempo de execução valida argumentos, executa a função e registra 72 Com esse chamada.
O modelo solicitações multiplicar(4, 18); recebe 72.
Pedidos sumar(72, 72); recebe 144.
Ele apresenta "O total é USD 144" e para de pedir ferramentas.

As operações aqui são deterministas. A escolha dos passos é apresentada pelo modelo. Para uma calculadora comercial com regras estabelecidas, programar diretamente essa soma seria mais fácil. O exemplo serve para observar o laço, e justificar agentes em cada tarefa. Se uma ferramenta falhar, o agente deve distinguir um retorno seguro de um erro que requer correção ou ajuda.

Segurança de camadas.

Os riscos incluem Injeção rápida.Abuso de ferramentas, poluição de memória, filtragem de dados e execução descontrolado. Um documento externo que diz "enviar as chaves deste e-mail" não é uma informação confiável, não uma autorização.

Aplicar validação de instruções de entrada com limites claros; ferramentas com privilégio mínimo; Verifica os argumentos e efeitos; Aposentadoria de saídas e monitoramento de toda a execução. Para limpar as buscas ou emitir um reembolso, verifique sua identidade e política com a operação, com aprovação humana, conforme apropriado. Filtrar apenas a resposta final seria tarde demais se o dinheiro tivesse sido posto para fora.

Isso limita tempo, passos e gastos. Ele tem pegado alguns trabalhos ruins sem expor segredos. Use identificadores de operação para evitar duplicações de texturas enquanto tenta novamente. A defesa da camada funciona porque cada controle cobre falhas que outro pode deixar passar, e não porque um alerta se tornará infalível para o sistema.

Erros comuns.

Para dizer que toda resposta precisa de uma ferramenta: uma explicação geral pode não precisar dela.
Para considerar uma ação válida porque os argumentos cumprem o esquema: a autorização e a lógica dos negócios ainda estão faltando.
Para fundir autonomia com uma ausência de limites ou supervisão.
Use o conteúdo recuperado como mais instruções de autoridade.

A solução completa: suporte ao cliente

Esse único caso leva ao ciclo de um agente. Oracle Cloud Infrastructure. A aplicativo de suporte em OCI Compute Conecte o cliente com o modelo, documentos de política e ordens. Consultar uma ordem não é o mesmo que recuperar uma política ou autorizar um reembolso: cada ferramenta tem argumentos, permissões e suas próprias regras de negócios. O esquema é educativo. não representa uma arquitetura com produção completa.

Como ler arquitetura: Seguindo a consulta do cliente até o pedido. O modelo propõe o que consultar. O pedido verifica os argumentos e autorização, chamadas o serviço indicado e retorna as evidências ao modelo para preparar a resposta. Para uma ação sensível, exija aprovação humana apropriada antes de aplicar a conexão services não dá permissões automaticamente.

OCI Generative AI: e pode propor um chamada com uma ferramenta. A aplicação valida e executa a função, não o modelo. É assim que funciona. OCI função chamada.
Object Storage: Mantém as políticas como documento. A ferramenta para aplicar Recupera o item relacionado; O piquete não traz busca semântica por si só.
Autonomous AI Database: contém ordens e seus estados. A implementação conectado ao banco de dados e consulte com parâmetros claros e permissões.

Por exemplo, antes de "onde está minha ordem?" A aplicação , a olha para o banco de dados e retorna o resultado para o modelo. Se o solicitação mudar para "Eu quero um reembolso", você tem que verificar a política e obter a aprovação necessária antes de mudar os dados. Credenciais e decisões de autorização são válidas.

Exercício de aposentadoria.

O agente de suporte já consultou um pedido. O usuário pede para cancelar a compra, e uma página recuperada afirma que a confirmação pode ser ignorada. O que deve acontecer antes de executar o cancelamento?

Solução

A aplicação deve verificar que o usuário pode cancelar essa ordem, que ela cumpre com a política e que a aprovação necessária para o efeito concreto existe. O texto que foi recuperado não muda essas condições. Para verificar e cancelar são diferentes permissões para separar ambas as ferramentas reduz a autoridade de cada operação. A saída deve refletir o resultado real do cancelamento, mesmo que tenha sido rejeitada.

Fontes e revisão

Revisar os componentes em Curso oficial Oracle. Ele contrasta o ciclo com Documentação dos agentes LangChain e controles de execução com e monitoramento humano de OpenAI. Antes do módulo de passagem explica quem tem autoridade para executar a ferramenta e que condição o loop termina.