Agente com Registro de Ferramenta no Oracle AI Data Platform Workbench

O Oracle AI Data Platform Workbench oferece suporte à construção flexível de agentes e à orquestração interna de ferramentas. Este tópico fornece um exemplo de abordagem recomendada para definir, registrar e usar ferramentas em um agente.

1. Descrever as ferramentas por meio da configuração

Cada ferramenta é um dicionário Python:

my_tool = {
    "name": "blog_idea_tool",
    "description": "Generate blog ideas for a topic.",
    "class": "PromptTool",
    "conf": {...},  # tool-specific settings
    "params": [
        {"name": "topic", "type": "string", "description": "Blog topic"}
    ]
}

2. Registrar ferramentas em um registro/configuração

Todas as ferramentas do usuário são coletadas em um registro para pesquisa de agente:

tool_conf = {
    "blog_idea_tool": my_tool,
    "social_post_tool": another_tool,
    # ... more tools
}

3. Encapsulamento de framework: Criar objetos de ferramenta consumíveis pelo agente

A construção do agente requer a conversão desses ditados em objetos de ferramenta executáveis (StructuredTool ou similar):

from langchain_core.tools import StructuredTool

def create_langgraph_tool(tool):
    def tool_fn(**kwargs):
        # Example implementation: you would use utils.call_tool_by_name/tool runner, etc.
        return f"Executed {tool['name']} with inputs: {kwargs}"
    return StructuredTool.from_function(
        func=tool_fn,
        name=tool['name'],
        description=tool['description'],
        args_schema=None,  # Build a pydantic schema if detailed validation required
        infer_schema=False
    )

4. Memória e Usando uma Ponteiro de Verificação

Os agentes no AI Data Platform Workbench geralmente precisam de memória para persistir no estado intermediário, permitir a retomabilidade e permitir a recuperação após falhas ou em fluxos de trabalho de longa execução. O mecanismo típico é um objeto checkpointer, que salva e restaura o estado do agente.

# Suppose you have a 'checkpointer' object available:
# It might be provided to your agent context directly, or created via aidp-agent-runtime utilities

# During agent run:
state = {"step": "tool_invoked", "result": tool_result}

if checkpointer:
    checkpointer.save(state)
    # To restore later:
    loaded_state = checkpointer.load()
    print(f"Restored state: {loaded_state}")

# You can persist any serializable agent context, params, or partial results

Padrão de uso:

• Informe o 'checkpointer' para o código/classe do agente na construção ou como uma variável global/de contexto.
• Salve o estado após cada evento crítico do agente, como saída da ferramenta, etapa do prompt ou geração de LLM.
• Estado de restauração na reinicialização do agente, se disponível.

Fontes típicas do ponteiro de verificação:

• No código de demonstração do AI Data Platform Workbench, um `checkpointer` pode ser injetado via configuração do fluxo de trabalho ou globals, por exemplo, `checkpointer = globals().get("checkpointer", None)`
• Para casos de uso complexos, o ponteiro de verificação pode envolver armazenamento externo, bancos de dados ou estado de nuvem para permitir a recuperação robusta de falhas.

# Inside agent code
checkpointer = globals().get("checkpointer", None)
if checkpointer:
    checkpointer.save({"step": "after_tool", "context": context_vars})
    # ...
    restored_state = checkpointer.load()