Agentic AI: Ngăn Xếp của Kỹ Sư Agent

Tác giả, một người dùng Habr, nhận thấy nhiều ứng viên cho vị trí kỹ sư Python chuyên về agent gặp khó khăn với các khái niệm và công cụ phổ biến trong lĩnh vực này. Để giúp đỡ, anh ấy cung cấp một bài tổng quan thực tế. Anh ấy định nghĩa một agent là một thực thể có prompt, một mô hình ngôn ngữ lớn (LLM), và các công cụ, nhưng quan trọng là có một vòng lặp và phản hồi: mô hình quyết định từng bước tiếp theo, hành động và quan sát kết quả, không giống như một chuỗi được xác định trước. Anh ấy lưu ý rằng trong khi chuỗi có một lộ trình cố định, các agent có một tập hợp các khả năng và một mục tiêu, với lộ trình được hình thành động. Vòng lặp liên quan đến việc khai báo công cụ thông qua lược đồ API (JSON Schema), mô hình yêu cầu gọi công cụ, và runtime thực thi chúng và trả kết quả về ngữ cảnh. Các điều kiện dừng, chẳng hạn như mô hình quyết định nhiệm vụ đã hoàn thành hoặc giới hạn số lần lặp, là quan trọng. PydanticAI được nhấn mạnh là một framework an toàn về kiểu dữ liệu để xây dựng agent, sử dụng các mô hình Pydantic để xác thực đầu ra, các công cụ với chú thích kiểu và docstring, tiêm phụ thuộc thông qua RunContext, và các bộ xác thực đầu ra. LangGraph được trình bày như một cách tiếp cận dựa trên đồ thị cho các quy trình làm việc có trạng thái, cho phép phê duyệt của con người và điểm kiểm tra. smolagents từ Hugging Face sử dụng các agent mã, viết mã Python để thực thi. CrewAI cung cấp một cách tiếp cận dựa trên vai trò với các agent có vai trò, mục tiêu và tiểu sử, được điều phối trong một đội nhóm. Bài viết cũng đề cập đến MCP (Giao thức Ngữ cảnh Mô hình), một tiêu chuẩn mở của Anthropic để kết nối các công cụ, được mô tả như USB-C cho AI, cho phép khả năng tương tác. Tài liệu này nhằm giúp người đọc vượt qua các cuộc phỏng vấn, đồng thời thừa nhận rằng lĩnh vực này phát triển nhanh chóng.