В этом руководстве мы создаём полностью функционального агента-наставника, который выходит за рамки кратковременных чатов и постоянно обучается. Мы разрабатываем систему, которая сохраняет предпочтения пользователя, отслеживает слабые места в обучении и выборочно вспоминает только релевантный прошлый контекст при ответе.
Этапы разработки
1. Настройка среды выполнения и импорт библиотек:
— Устанавливаем необходимые библиотеки для создания агента с сохранением состояния.
— Определяем основные пути и служебные функции для работы со временем и подключениями к базе данных.
2. Определение моделей данных:
— Определяем модели данных для хранения воспоминаний и сигналов о слабых темах.
— Создаём модель `FallbackTutorLLM` для обработки запросов пользователя.
3. Инициализация базы данных:
— Создаём таблицы для хранения событий, воспоминаний и слабых тем.
— Инициализируем хранилище данных.
4. Встраивание и семантический поиск:
— Используем модель `SentenceTransformer` для кодирования воспоминаний.
— Сохраняем закодированные воспоминания в векторном индексе `faiss`.
5. Извлечение и сохранение воспоминаний:
— Определяем функцию `extract` для извлечения воспоминаний из сообщения пользователя.
— Определяем функцию `store_memory` для сохранения воспоминаний в базе данных.
6. Вызов и генерация практических занятий:
— Определяем функцию `tutor_turn` для обработки взаимодействия с пользователем.
— Генерируем практические занятия на основе извлечённых воспоминаний и слабых тем.
Заключение
Мы реализовали агента-наставника, который запоминает, рассуждает и адаптируется в течение нескольких сеансов. Мы показали, как структурированное извлечение памяти, долгосрочное сохранение и релевантный поиск работают вместе, чтобы преодолеть ограничение «памяти золотой рыбки», характерное для большинства агентов.
Получившаяся система непрерывно уточняет своё понимание слабых сторон пользователя. Она проактивно генерирует целевые практические занятия, демонстрируя практическую основу для создания агентов с сохранением состояния, долгосрочным горизонтом и улучшением взаимодействия при длительном взаимодействии.
1. Какие этапы разработки агента-наставника описаны в статье?
Ответ: в статье описаны следующие этапы разработки агента-наставника: настройка среды выполнения и импорт библиотек, определение моделей данных, инициализация базы данных, встраивание и семантический поиск, извлечение и сохранение воспоминаний, вызов и генерация практических занятий.
2. Какие модели данных используются для хранения воспоминаний и сигналов о слабых темах?
Ответ: в статье упоминается модель данных для хранения воспоминаний и сигналов о слабых темах, но конкретные названия моделей не приводятся. Однако указано, что создаётся модель `FallbackTutorLLM` для обработки запросов пользователя.
3. Какие функции используются для извлечения и сохранения воспоминаний?
Ответ: для извлечения воспоминаний из сообщения пользователя определяется функция `extract`, а для сохранения воспоминаний в базе данных — функция `store_memory`.
4. Какие инструменты и библиотеки используются для создания агента с сохранением состояния?
Ответ: в статье указано, что для создания агента с сохранением состояния устанавливаются необходимые библиотеки. Конкретные названия библиотек не приводятся, но упоминается использование модели `SentenceTransformer` для кодирования воспоминаний и векторного индекса `faiss` для сохранения закодированных воспоминаний.
5. Какие преимущества имеет система, описанная в статье, по сравнению с агентами, имеющими «память золотой рыбки»?
Ответ: система, описанная в статье, имеет преимущество в виде непрерывного уточнения понимания слабых сторон пользователя и проактивной генерации целевых практических занятий. Это позволяет преодолеть ограничение «памяти золотой рыбки», характерное для большинства агентов, и улучшить взаимодействие при длительном взаимодействии.