如何用Smolagents構建代理抹布？

>代碼代理：自主生成和執行代碼在E2B等安全環境中。

使用“思考：...動作：...”格式與工具進行交互，非常適合結構化輸出和API集成。 >

廣泛集成：支持各種LLM（擁抱Face推理API，OpenAI，通過Litellm進行擬人化）和一個關於擁抱臉部集線器的共享工具存儲庫。
1. > 有效的體系結構：
為複雜的代理行為提供了強大的構建塊。
> smolagents組件：
4. LLM核心：決策引擎。 >
>工具存儲庫：

>解析器：

1. 系統提示：>提供指令並確保一致的輸出。 >
2. 內存：維護跨迭代的上下文。 >
錯誤處理：
3. 包括記錄和重試機制。
4. 理解代理rag 通過添加代理功能（推理，計劃，動態工具交互），Agentic Rag通過添加代理功能來擴展傳統抹布。這允許通過查詢分解，信息檢索和迭代精緻進行複雜的任務處理。
>
5. >結合Smolagents和Agentic抹布的關鍵好處：>
   1. 增強智能：在抹布管道中添加推理和計劃。
   2. >動態適應性：根據檢索到的數據進行調整。
   3. 提高效率：自動化迭代過程，減少手動干預。
   4. 提高安全性：>安全執行外部代碼和查詢。 >
   可伸縮性：
   5. 很容易縮放並適應不同的域。 >
   >帶有smolagents的構建劑

   >本節指導您建立系統。 它涉及從PDF加載和處理數據，將其分成塊，生成嵌入，並使用這些嵌入在矢量數據庫（FAISS）中進行語義搜索。 搜索代理從外部來源檢索數據。

   必要的python軟件包：

   <code>%pip install pypdf -q
   %pip install faiss-cpu -q
   !pip install -U langchain-community</code>

   登入後複製
   導入庫：

   （用於加載，分裂，嵌入生成，Smolagents實現，定義回收器工具和代理設置的剩餘代碼部分，無法在此處複製。請參閱完整的代碼snippets的原始輸入。） Smolagents的

   from langchain.document_loaders import PyPDFLoader
   from langchain.vectorstores import FAISS
   from langchain_openai import OpenAIEmbeddings
   from langchain_openai.llms import OpenAI
   from langchain_openai.chat_models import ChatOpenAI
   from langchain_core.documents import Document
   from langchain_text_splitters import RecursiveCharacterTextSplitter

   登入後複製
   對代理抹布的好處：

   >

   簡單：最小代理的最小代碼。 >

   靈活性：
   • 與各種LLM和工具集成。 > 安全性：
   促進在沙盒環境中的安全執行。
   結論：
   • > Smolagents和Agentic Rag的組合可以顯著提高智能，自主系統的創建。 Smolagents的簡化設計，結合了Agesic Rag的動態功能，可以有效地處理複雜的任務，從而提高適應性，安全性和可擴展性。 這種方法是各種應用的理想選擇。 圖像按照要求保留其原始格式和位置。 >