एजेंटिक एआई: एजेंट इंजीनियर का स्टैक

लेखक, जो हबर उपयोगकर्ता है, ने देखा है कि एजेंटिक पायथन इंजीनियर पदों के लिए कई उम्मीदवार क्षेत्र की सामान्य अवधारणाओं और उपकरणों के साथ संघर्ष करते हैं। मदद के लिए, वह एक व्यावहारिक अवलोकन प्रदान करता है। वह एजेंट को एक प्रॉम्प्ट, एक एलएलएम और टूल्स के साथ एक इकाई के रूप में परिभाषित करता है, लेकिन महत्वपूर्ण रूप से एक लूप और फीडबैक के साथ: मॉडल प्रत्येक अगले चरण का निर्णय करता है, कार्य करता है और परिणामों का अवलोकन करता है, एक पूर्व-परिभाषित श्रृंखला के विपरीत। वह नोट करता है कि जहां श्रृंखलाओं का एक निश्चित मार्ग होता है, वहीं एजेंटों के पास क्षमताओं का एक सेट और एक लक्ष्य होता है, और मार्ग गतिशील रूप से उभरता है। लूप में एपीआई स्कीमा (जेसन स्कीमा) के माध्यम से टूल घोषणाएं, मॉडल द्वारा टूल कॉल का अनुरोध, और रनटाइम द्वारा निष्पादन और संदर्भ में परिणाम लौटाना शामिल है। रोक शर्तें, जैसे मॉडल का यह निर्णय कि कार्य पूरा हो गया है या पुनरावृत्ति सीमाएं, महत्वपूर्ण हैं। PydanticAI को एजेंट बनाने के लिए एक टाइप-सुरक्षित फ्रेमवर्क के रूप में उजागर किया गया है, जो आउटपुट सत्यापन के लिए Pydantic मॉडल, टाइप एनोटेशन और डॉकस्ट्रिंग वाले टूल, RunContext के माध्यम से निर्भरता इंजेक्शन और आउटपुट वैलिडेटर का उपयोग करता है। LangGraph को राज्यवान वर्कफ़्लो के लिए ग्राफ-आधारित दृष्टिकोण के रूप में प्रस्तुत किया गया है, जो मानव अनुमोदन और चेकपॉइंट की अनुमति देता है। हगिंग फेस से smolagents कोड एजेंटों का उपयोग करता है जो निष्पादन के लिए पायथन कोड लिखते हैं। CrewAI एक भूमिका-आधारित दृष्टिकोण प्रदान करता है जिसमें एजेंटों की भूमिकाएं, लक्ष्य और जीवनी होती हैं, जिन्हें एक क्रू में व्यवस्थित किया जाता है। लेख में MCP (मॉडल कॉन्टेक्स्ट प्रोटोकॉल) का भी उल्लेख है, जो टूल्स को जोड़ने के लिए एंथ्रोपिक द्वारा एक ओपन स्टैंडर्ड है, जिसे एआई के लिए यूएसबी-सी के रूप में वर्णित किया गया है, जो इंटरऑपरेबिलिटी को सक्षम बनाता है। यह सामग्री पाठकों को इंटरव्यू पास करने में मदद करने के उद्देश्य से है, यह स्वीकार करते हुए कि क्षेत्र तेजी से विकसित हो रहा है।