agents.md 6.2 KB
sidebar_position: 3
🧠 Agents et Capacités
Agent CodeAct
Description
Cet agent implémente l'idée CodeAct (article, tweet) qui consolide les actions des agents LLM en un espace d'action code unifié pour à la fois la simplicité et la performance (voir article pour plus de détails).
L'idée conceptuelle est illustrée ci-dessous. À chaque tour, l'agent peut :
- Converse : Communiquer avec les humains en langage naturel pour demander des clarifications, des confirmations, etc.
- CodeAct : Choisir d'accomplir la tâche en exécutant du code
- Exécuter toute commande
bashLinux valide - Exécuter tout code
Pythonvalide avec un interpréteur Python interactif. Cela est simulé à travers la commandebash, voir le système de plugin ci-dessous pour plus de détails.
Système de Plugin
Pour rendre l'agent CodeAct plus puissant avec seulement l'accès à l'espace d'action bash, l'agent CodeAct exploite le système de plugins d'OpenDevin:
- Plugin Jupyter : pour l'exécution d'IPython via la commande bash
- Plugin outil agent SWE : Outils de ligne de commande bash puissants pour les tâches de développement logiciel introduits par swe-agent.
Démonstration
https://github.com/OpenDevin/OpenDevin/assets/38853559/f592a192-e86c-4f48-ad31-d69282d5f6ac
Exemple de CodeActAgent avec gpt-4-turbo-2024-04-09 effectuant une tâche de science des données (régression linéaire)
Actions
Action,
CmdRunAction,
IPythonRunCellAction,
AgentEchoAction,
AgentFinishAction,
AgentTalkAction
Observations
CmdOutputObservation,
IPythonRunCellObservation,
AgentMessageObservation,
UserMessageObservation
Méthodes
| Méthode | Description |
|---|---|
__init__ |
Initialise un agent avec llm et une liste de messages list[Mapping[str, str]] |
step |
Effectue une étape en utilisant l'agent CodeAct. Cela inclut la collecte d'informations sur les étapes précédentes et invite le modèle à exécuter une commande. |
En cours de réalisation & prochaine étape
[] Support de la navigation sur le web [] Compléter le workflow pour l'agent CodeAct afin de soumettre des PRs Github
Agent Monologue
Description
L'agent Monologue utilise la mémoire à long terme et à court terme pour accomplir des tâches. La mémoire à long terme est stockée en tant qu'objet LongTermMemory et le modèle l'utilise pour rechercher des exemples du passé. La mémoire à court terme est stockée en tant qu'objet Monologue et le modèle peut la condenser si nécessaire.
Actions
Action,
NullAction,
CmdRunAction,
FileWriteAction,
FileReadAction,
BrowseURLAction,
GithubPushAction,
AgentThinkAction
Observations
Observation,
NullObservation,
CmdOutputObservation,
FileReadObservation,
BrowserOutputObservation
Méthodes
| Méthode | Description |
|---|---|
__init__ |
Initialise l'agent avec une mémoire à long terme et un monologue interne |
_add_event |
Ajoute des événements au monologue de l'agent et condense avec un résumé automatiquement si le monologue est trop long |
_initialize |
Utilise la liste INITIAL_THOUGHTS pour donner à l'agent un contexte pour ses capacités et comment naviguer dans le /workspace |
step |
Modifie l'état actuel en ajoutant les actions et observations les plus récentes, puis invite le modèle à réfléchir à la prochaine action à entreprendre. |
Agent Planificateur
Description
L'agent planificateur utilise une stratégie d'incitation spéciale pour créer des plans à long terme pour résoudre les problèmes. L'agent reçoit ses paires action-observation précédentes, la tâche actuelle, et un indice basé sur la dernière action effectuée à chaque étape.
Actions
NullAction,
CmdRunAction,
BrowseURLAction,
GithubPushAction,
FileReadAction,
FileWriteAction,
AgentThinkAction,
AgentFinishAction,
AgentSummarizeAction,
AddTaskAction,
ModifyTaskAction,
Observations
Observation,
NullObservation,
CmdOutputObservation,
FileReadObservation,
BrowserOutputObservation
Méthodes
| Méthode | Description |
|---|---|
__init__ |
Initialise un agent avec llm |
step |
Vérifie si l'étape actuelle est terminée, retourne AgentFinishAction si oui. Sinon, crée une incitation de planification et l'envoie au modèle pour inférence, en ajoutant le résultat comme prochaine action. |