Blocs de construction, workflows et agents

Dans cette section, nous allons explorer les modèles courants pour les systèmes agentiques que nous avons vus en production. Nous commencerons par notre élément de base, le LLM augmenté, et augmenterons progressivement la complexité, en passant de simples flux de travail de composition à des agents autonomes.

Briques : Le LLM augmenté

L’élément constitutif de base des systèmes agentiques est un LLM amélioré avec des augmentations telles que la récupération, les outils et la mémoire. Nos modèles actuels peuvent utiliser activement ces capacités, en générant leurs propres requêtes de recherche, en sélectionnant les outils appropriés et en déterminant les informations à conserver.

Nous vous recommandons de vous concentrer sur deux aspects clés de la mise en œuvre : adapter ces fonctionnalités à votre cas d’utilisation spécifique et vous assurer qu’elles fournissent une interface simple et bien documentée pour votre LLM. Bien qu’il existe de nombreuses façons d’implémenter ces augmentations, l’une d’entre elles consiste à utiliser notre protocole de contexte de modèle récemment publié, qui permet aux développeurs de s’intégrer à un écosystème croissant d’outils tiers avec une implémentation client simple.

Pour le reste de cet article, nous supposerons que chaque appel LLM a accès à ces fonctionnalités augmentées.

Building Effective AI Agents \ Anthropic

https://www.anthropic.com/engineering/building-effective-agents

Agents

Les agents émergent dans la production à mesure que les LLM atteignent des capacités clés : compréhension d’entrées complexes, raisonnement et planification, utilisation fiable des outils et récupération des erreurs. Les agents commencent leur travail par une commande de l’utilisateur humain ou par une discussion interactive avec lui. Une fois que la tâche est claire, les agents planifient et opèrent de manière indépendante, et peuvent revenir à l’humain pour obtenir des informations supplémentaires ou un jugement. Au cours de l’exécution, il est crucial pour les agents d’obtenir une « vérité terrain » de l’environnement à chaque étape (comme les résultats des appels d’outils ou l’exécution du code) pour évaluer sa progression. Les agents peuvent ensuite faire une pause pour obtenir un retour humain aux points de contrôle ou lorsqu’ils rencontrent des bloqueurs. La tâche se termine souvent à la fin, mais il est également courant d’inclure des conditions d’arrêt (telles qu’un nombre maximal d’itérations) pour garder le contrôle.

Les agents peuvent gérer des tâches sophistiquées, mais leur mise en œuvre est souvent simple. Il s’agit généralement de LLM qui utilisent des outils basés sur la rétroaction environnementale en boucle. Il est donc crucial de concevoir des ensembles d’outils et leur documentation de manière claire et réfléchie. Nous développons les meilleures pratiques en matière de développement d’outils à l’annexe 2 (« Invitez l’ingénierie de vos outils »).

Intégration avec les types MCP

Compatibilité de type MCP

FastAgent est conçu pour s’intégrer de manière transparente au système de type MCP SDK :

Les conversations avec les assistants sont basées sur - une extension de type mcp, avec prise en charge de plusieurs sections de contenu. Ce type devrait devenir natif dans une future version de MCP : https://github.com/modelcontextprotocol/specification/pull/198PromptMessageMultipartPromptMessage

Transfert de l’historique des messages

FastAgent facilite le transfert de l’historique des conversations entre les agents :

@fast.agent(name="haiku", model="haiku")

@fast.agent(name="openai", model="o3-mini.medium")

async def main() -> None:

async with fast.run() as agent:

# Start an interactive session with "haiku"

await agent.prompt(agent_name="haiku")

# Transfer the message history top "openai" (using PromptMessageMultipart)

await agent.openai.generate(agent.haiku.message_history)

# Continue the conversation

await agent.prompt(agent_name="openai")

Le site de documentation est en production ici : https://fast-agent.ai. N’hésitez pas à nous faire part de ce qui est utile et de ce qui ne l’est pas.

fast-agent vous permet de créer et d’interagir avec des agents et des flux de travail sophistiqués en quelques minutes. Il s’agit du premier cadre avec une prise en charge complète et testée de bout en bout des fonctionnalités MCP, y compris l’échantillonnage. Les modèles Anthropic (Haiku, Sonnet, Opus) et OpenAI (famille gpt-4o, famille o1/o3) sont pris en charge.

La syntaxe déclarative simple vous permet de vous concentrer sur la composition de vos invites et de vos serveurs MCP pour créer des agents efficaces.

fast-agent est multimodal, prenant en charge les images et les PDF pour les points de terminaison Anthropic et OpenAI via les invites, les ressources et les résultats de l’appel de l’outil MCP. L’inclusion de LLM passthrough et de lecture permet de développer et de tester rapidement le code de collage Python pour vos applications.

Pourboire

fast-agent est maintenant MCP Native ! Bientôt disponible - site de documentation complet et autres exemples de MCP.

Développement d’applications d’agent

Les invites et les configurations qui définissent vos applications d’agent sont stockées dans des fichiers simples, avec un minimum de passe-partout, ce qui simplifie la gestion et le contrôle des versions.

Discutez avec les agents et les composants individuels avant, pendant et après l’exécution du workflow pour ajuster et diagnostiquer votre application. Les agents peuvent demander une intervention humaine pour obtenir un contexte supplémentaire pour l’exécution des tâches.

La sélection simple du modèle facilite le test de l’interaction du < du modèle avec > MCP Server. Vous pouvez en savoir plus sur la motivation derrière ce projet ici

fast-agent - MCP native Agents and Workflows - fast-agent documentation

https://fast-agent.ai/

evalstate/fast-agent: Define, Prompt and Test MCP enabled Agents and Workflows

https://github.com/evalstate/fast-agent?tab=readme-ov-file

-------------------------------------------------------------