Створення LLM-агента, що пише та виконує код

Можливості агентів, що виконують код

Надання LLM-агенту здатності писати та виконувати код значно розширює його можливості. Це дозволяє агенту виконувати такі завдання, як інспекція файлів або наборів даних, написання логіки обробки даних та створення артефактів для подальшого використання. Такий підхід відкриває двері для ширшого спектру агентних застосунків.

Як працюють агенти, що виконують код

Код-виконуючий агент складається з трьох важливих компонентів: моделі, робочого простору та середовища виконання.

Модель

Основою код-виконуючого агента є велика мовна модель (LLM). Її завдання включають інспекцію доступних файлів, визначення необхідного типу аналізу, написання коду, читання результатів та продовження ітерацій.

Робочий простір

Робочий простір — це місце, де агент працює. Сюди надходять вхідні файли (наприклад, CSV, PDF, папки документів), агент обробляє їх і зберігає створені артефакти.

Середовище виконання

Оскільки LLM-агент лише пише код, але не виконує його, потрібне середовище виконання. Це може бути хостингове середовище, кероване платформою, або локальна пісочниця, яку контролює розробник. Docker часто використовується для пакування середовища виконання та ізоляції процесів.

Контроль

Важливим аспектом є контроль над системою агента. На рівні моделі необхідно визначити інструкції та очікувані артефакти. На рівні робочого простору — які файли завантажуються та які результати повертаються. На рівні середовища виконання — які залежності доступні та чи дозволено мережевий або оболонковий доступ.

Реалізація за допомогою OpenAI Agents SDK

OpenAI Agents SDK пропонує SandboxAgent, який реалізує описаний патерн. Для конфігурації агента, що виконує код, спочатку потрібно описати робочий простір за допомогою Manifest. Цей Manifest вказує, які локальні файли мають бути доступні в робочому просторі агента.

Далі визначається модель агента (наприклад, gpt-5.4), інструкції та Manifest робочого простору. Для створення середовища виконання використовується DockerSandboxClient, який дозволяє створити пісочницю Docker. Образ Docker, вказаний у DockerSandboxClientOptions, визначає середовище, включаючи попередньо встановлені залежності.

Нарешті, агент та сесія пісочниці підключаються під час виконання за допомогою Runner.run(). Після завершення роботи робочий простір пісочниці можна зберегти як архів, щоб витягти вихідні файли, такі як звіти або графіки.

Крім SandboxAgent, SDK також надає інші інструменти, такі як CodeInterpreterTool для виконання коду в керованому OpenAI середовищі або ShellTool для виконання команд оболонки.

Приклад використання: Аналіз CSV-файлу

Розглянемо приклад, де агент аналізує CSV-файл для виявлення аномалій у споживанні енергії.

Налаштування кейсу

Завдання полягає у виявленні незвичайних подій у погодинних даних про споживання енергії будівлею. Вхідні дані — це синтетичний CSV-файл data/building_energy.csv з колонками timestamp, energy_kwh та outdoor_temp_c. Агент повинен проаналізувати файл, побудувати базову лінію поведінки та порівняти спостереження з очікуваними патернами. Очікувані вихідні файли: output/anomalies.csv, output/energy_anomalies.png та output/anomaly_report.md.

Підготовка Docker-середовища

Перед конфігурацією агента готується середовище виконання коду за допомогою Docker-контейнера. Цей контейнер слугує тимчасовою машиною агента з робочим каталогом, середовищем виконання Python та необхідними бібліотеками для аналізу даних (numpy, scipy, pandas, matplotlib). Dockerfile визначає це середовище, включаючи встановлення бібліотек та налаштування MPLBACKEND=Agg для збереження графіків без інтерактивного дисплея. Образ Docker потім збирається та використовується для створення пісочниці.

Визначення та запуск агента

Агент визначається за допомогою Manifest, який вказує наявність input/building_energy.csv у робочому просторі. Інструкції агента чітко визначають його роль як практичного аналітика даних, який використовує пісочницю для інспекції файлів, написання та виконання коду, а також збереження артефактів. В інструкціях також вказуються доступні бібліотеки Python.

Агент запускається з конкретним запитом, який деталізує завдання: проаналізувати input/building_energy.csv на предмет аномалій у споживанні енергії та зберегти три вказані вихідні файли. Після запуску агента, пісочниця Docker створюється з підготовленим образом, і агент виконує завдання.

Перевірка результатів

Після виконання агент створює запитувані файли. Робочий простір пісочниці зберігається, і вихідні файли (наприклад, anomalies.csv, energy_anomalies.png, anomaly_report.md) витягуються до локальної папки. Агент може виявити аномальні події, як показано на згенерованому графіку. Процес роботи агента включає інспекцію даних, завантаження CSV за допомогою pandas, перевірку даних, написання та виконання скрипту для виявлення аномалій (з використанням numpy та pandas), генерацію графіків та звітів, а також валідацію вихідних даних.

Практичні аспекти

При створенні агента, що виконує код, важливо враховувати кілька деталей:

• Чітко формулювати інструкції агента, його роль, завдання та очікуваний результат.
• Визначити, які файли мають бути доступні в робочому просторі.
• Визначити середовище виконання агента, включаючи необхідні бібліотеки.
• Явно вказати імена та розташування вихідних файлів для легкого вилучення.

Дотримання цих аспектів дозволяє повторно використовувати цей патерн для багатьох інших агентних робочих процесів.

Що це означає для розробників

Розробники можуть використовувати OpenAI Agents SDK та Docker для створення агентів, здатних самостійно писати та виконувати код. Це відкриває можливості для автоматизації завдань, таких як аналіз даних, інспекція файлів та генерація звітів у ізольованому середовищі, що значно розширює спектр агентних застосунків.

Ключові факти

• LLM-агенти можуть писати та виконувати код для розширення своїх можливостей.

• Це дозволяє агентам інспектувати файли/набори даних, писати логіку обробки даних та створювати артефакти.

• Код-виконуючий агент складається з моделі (LLM), робочого простору та середовища виконання.

• Модель (LLM) вирішує, який аналіз потрібен, пише код та інтерпретує результати.

• Робочий простір – це місце для вхідних та вихідних файлів агента.

Джерела

• Build an LLM Agent That Can Write and Run Code