La discussion de Harrison Chase sur le cycle de vie du développement d'agents (ADLC) lors d'Interrupt26 NYC a suscité une réflexion sur la place que l'ADLC occupe dans le développement d'applications. Un agent peut enquêter sur un e-mail, mais l'application détermine comment l'enquête entre dans une file d'attente, parvient à un analyste ou conduit à une action. Améliorer l'enquête et modifier le flux de travail sont des activités connectées avec des questions de conception différentes et des preuves de progression différentes.
L'ADLC doit être coordonné séparément mais avec l'application qu'il alimente, car les agents peuvent changer de manière indépendante tout en affectant la conception et les résultats de l'application dans une boucle de développement étroitement couplée. Cette boucle peut être organisée par des investigations de conception explicites, des exigences partagées et des cas d'évaluation qui suivent les résultats de l'agent vers l'application. La même équipe peut être propriétaire des deux responsabilités, mais chacune doit rester visible et distincte dans le plan de développement.
Les orientations existantes sur l'ADLC comprennent un travail substantiel de conception et expérimental, Harrison Chase décrivant des comparaisons parmi les prompts, les modèles, les stratégies de récupération, les schémas d'outils et les modèles d'orchestration au sein de Construire, Tester, Déployer et Surveiller. Salesforce commence par Idéation et Conception, décrivant une boucle de développement interne et une boucle de surveillance externe. Traiter l'agent comme un sous-système signifie développer explicitement sa capacité et vérifier sa contribution et son impact sur l'application, en commençant par examiner la limite du système puis la boucle de développement de l'agent.
Les sections sur les exigences et la coordination expliquent comment les cas d'évaluation partagés relient le travail, tandis que la Discussion examine les coûts et les limites de la séparation des cycles de vie, et la Conclusion esquisse des étapes pratiques.
Source: Towards Data Science · Résumé par HeadlinesBriefing