执行和监测你的智能体

智能体初步指令和首次动作编码完成后，是时候让它运行起来，看看实际效果了。在这一步，理论部分、大型语言模型、你提供的指令以及智能体编程的能力会结合起来，完成一项任务。

运行你的智能体

大型语言模型智能体的运行和监控，通常涉及执行其Python脚本。例如，一个名为 my_first_agent.py 的智能体脚本，通常会从终端或命令提示符中用如下命令运行：

python my_first_agent.py

当你按下回车键，Python解释器会启动，读取你的脚本，并开始执行你设定的指令。你的智能体将：

1. 进行初始化，可能加载任何必要的配置或API密钥。
2. 处理你为其设定的目标。
3. 可能调用大型语言模型，帮助决定最佳行动方案或处理信息。
4. 尝试执行你编写的第一个（在这种简单情况下，也可能是唯一一个）动作。

这是一个重要时刻。你的智能体正从静态代码变为一个活跃的进程。

监测：观察智能体的运行情况

智能体运行后，你的角色就从程序员转变为观察者。监测是指观察智能体的行为，以了解它在做什么、如何做出判断（如果你已公开此功能），以及它是否达到了目标。对于你的第一个智能体，监测会比较直接，主要依赖于你设计它产生的输出。

控制台：你的主要窗口

监测智能体最直接的方式是观察终端或控制台窗口中的输出。Python代码中的所有 print() 语句都会在这里显示其信息。这就是为什么在编码阶段放置得当的 print() 语句非常有用。它们充当你的耳目，汇报智能体的内部状态和动作。

关注点

智能体执行时，请留意显示以下信息的提示：

• 初始化： 确认智能体已启动并加载了设置。例如：

  智能体启动中...
  目标：总结提供的文本。
  

• 大型语言模型交互： 如果你的智能体设计会显示这些，你可能会看到发送给大型语言模型的提示或大型语言模型的直接响应。这有助于你了解智能体的“思考”部分。

  发送至大型语言模型：“总结以下内容：[长文本...]”
  大型语言模型响应：“该文本讨论了大型语言体智能体的主要组成部分。”
  

• 动作执行： 确认智能体正在尝试或已完成某个动作的提示。

  动作：正在将总结写入文件“summary.txt”。
  文件“summary.txt”已成功创建。
  

• 状态变化： 如果你的智能体修改数据或其内部状态（例如向待办事项列表添加项目），显示这些变化的输出很重要。

  正在向待办事项列表添加“购买杂货”。
  当前列表：['安排会议', '购买杂货']
  

• 完成或错误： 指示任务完成的最终消息，或者，如果出现问题，任何错误消息（这点很重要）。错误是学习机会，将在“解决初始问题”部分进一步说明。

  任务完成：待办事项列表已更新。
  

  或者，错误可能看起来像：

  错误：无法连接到大型语言模型API。请检查你的API密钥和互联网连接。
  

观察智能体的运行循环（简化版）

即使在一个非常基础的智能体中，你也在观察基本智能体循环的一个微缩版本：

1. 观察： 智能体以初始状态和目标开始（例如，一个空的待办事项列表和添加项目的目标）。
2. 思考： 它处理这些信息，可能使用大型语言模型来确定要做什么（例如，“我需要制定一个‘添加项目’命令”）。
3. 行动： 它执行已编码的动作（例如，更新列表）。

你的监测工作使你能够看到“行动”阶段及其结果，在更复杂的智能体中，这会反馈到一个新的“观察”阶段。

示例：监测待办事项列表智能体

假设你正在运行将在实践操作中构建的“待办事项列表智能体”。如果你运行它并发出添加项目的命令，由于 print 语句的良好放置，你的控制台输出可能看起来像这样：

待办事项列表智能体已初始化。
目标：将“起草项目提案”添加到待办事项列表。
正在咨询大型语言模型以制定任务...
大型语言模型建议动作：添加“起草项目提案”。
正在执行：将“起草项目提案”添加到列表。
当前待办事项列表：['起草项目提案']
任务“添加起草项目提案”已完成。

该输出清楚地显示了每个步骤：智能体对目标的了解、其（模拟或实际）与大型语言模型的交互、所采取的具体动作、状态的变化（更新后的列表），以及任务完成的确认。

监测不仅仅是被动地观看。这是一个主动的过程，需要将智能体的行为与你的预期进行比较。它是否正确地理解了目标？大型语言模型是否提供了合理的建议？该动作是否达到了预期效果？这些问题的答案对于验证你的智能体是否正常运行以及找出改进或调试的方面很重要，这正是我们接下来将要查看的内容。