View a markdown version of this page

Verwendung von KI-Agenten mit Deadline Cloud - Deadline Cloud

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Verwendung von KI-Agenten mit Deadline Cloud

Verwenden Sie KI-Agenten, um Auftragspakete zu schreiben, Conda-Pakete zu entwickeln und Probleme bei Aufträgen in Deadline Cloud zu beheben. In diesem Thema wird erklärt, was KI-Agenten sind, wichtige Punkte für eine effektive Zusammenarbeit mit ihnen und Ressourcen, die Agenten helfen, Deadline Cloud zu verstehen.

Ein KI-Agent ist ein Softwaretool, das ein großes Sprachmodell (LLM) verwendet, um Aufgaben autonom auszuführen. KI-Agenten können Dateien lesen und schreiben, Befehle ausführen und auf der Grundlage von Feedback an Lösungen iterieren. Beispiele hierfür sind Befehlszeilentools wie Kiro auf der Kiro-Website und Assistenten. IDE-integrated

Wichtige Punkte für die Arbeit mit KI-Agenten

Die folgenden wichtigen Punkte helfen Ihnen dabei, bessere Ergebnisse zu erzielen, wenn Sie KI-Agenten mit Deadline Cloud verwenden.

  • Sorgen Sie für fundierte Kenntnisse — KI-Agenten arbeiten am besten, wenn sie Zugriff auf relevante Dokumentationen, Spezifikationen und Beispiele haben. Sie können den Agenten auf bestimmte Dokumentationsseiten verweisen, vorhandenen Beispielcode als Referenz verwenden, relevante Open-Source-Repositorys in den lokalen Arbeitsbereich klonen und Dokumentation für Drittanbieteranwendungen bereitstellen.

  • Erfolgskriterien angeben — Definieren Sie das erwartete Ergebnis und die technischen Anforderungen an den Agenten. Wenn Sie beispielsweise einen Agenten bitten, ein Auftragspaket zu entwickeln, geben Sie die Auftragseingaben, Parameter und erwarteten Ergebnisse an. Wenn Sie sich bezüglich der Spezifikationen nicht sicher sind, bitten Sie den Agenten, zuerst Optionen vorzuschlagen, und verfeinern Sie dann gemeinsam die Anforderungen.

  • Ermöglichen Sie eine Feedback-Schleife — KI-Agenten iterieren effektiver, wenn sie ihre Lösungen testen und Feedback erhalten können. Anstatt beim ersten Versuch eine funktionierende Lösung zu erwarten, geben Sie dem Agenten die Möglichkeit, seine Lösung auszuführen und die Ergebnisse zu überprüfen. Dieser Ansatz funktioniert gut, wenn der Agent auf Statusaktualisierungen, Protokolle und Validierungsfehler zugreifen kann. Wenn Sie beispielsweise ein Auftragspaket entwickeln, erlauben Sie dem Agenten, den Job einzureichen und die Protokolle zu überprüfen.

  • Rechnen Sie mit Wiederholungen — Selbst bei einem guten Kontext können Agenten aus dem Ruder laufen oder Annahmen treffen, die nicht zu Ihrer Umgebung passen. Beobachten Sie, wie der Agent an die Aufgabe herangeht, und geben Sie ihm Tipps. Fügen Sie fehlenden Kontext hinzu, wenn der Agent Probleme hat, helfen Sie, Fehler zu finden, indem Sie auf bestimmte Protokolldateien verweisen, verfeinern Sie die Anforderungen, sobald Sie sie entdecken, und fügen Sie negative Anforderungen hinzu, um explizit anzugeben, was der Agent vermeiden sollte.

Ressourcen für den Agentenkontext

Die folgenden Ressourcen auf der GitHub Website helfen KI-Agenten dabei, die Konzepte von Deadline Cloud zu verstehen und genaue Ergebnisse zu erzielen.

  • Deadline Cloud Model Context Protocol (MCP) -Server — Für Agenten, die das Model Context Protocol unterstützen, enthält das https://github.com/aws-deadline/deadline-cloud Deadline-Cloud-Repository den Deadline-Cloud-Client, der einen MCP-Server für die Interaktion mit Jobs enthält.

  • AWS Dokumentations-MCP-Server — Für Agenten, die MCP unterstützen, konfigurieren Sie den AWS Documentation MCP-Server so, dass der Agent direkten Zugriff auf die Dokumentation hat, einschließlich des Deadline Cloud-Benutzerhandbuchs AWS und des Entwicklerhandbuchs.

  • Offene Jobbeschreibungsspezifikation — Die Open Job Description -Spezifikation definiert das Schema für Jobvorlagen. Verweisen Sie auf das Repository, wenn Agenten die Struktur und Syntax von Jobvorlagen verstehen müssen.

  • deadline-cloud-samples — Das https://github.com/aws-deadline/deadline-cloud-samples Deadline-Cloud-Samples-Repository enthält Beispiel-Job-Pakete, Conda-Rezepte und Vorlagen für gängige Anwendungen und CloudFormation Anwendungsfälle.

  • aws-deadline organization — Die GitHub https://github.com/aws-deadline/ GitHub aws-deadline-Organisation enthält Referenz-Plugins für viele Drittanbieteranwendungen, die Sie als Beispiele für andere Integrationen verwenden können.

Beispiel für eine Eingabeaufforderung: Ein Job-Paket schreiben

Die folgende Beispielaufforderung zeigt, wie ein AI-Agent verwendet wird, um Auftragspakete zu erstellen, die einen LoRa-Adapter (Low-Rank Adaptation) für die Generierung von KI-Bildern trainieren. Die Aufforderung veranschaulicht die zuvor erörterten wichtigsten Punkte: Sie bietet eine Grundlage, indem sie auf relevante Repositorys verweist, Erfolgskriterien für die Ergebnisse der Jobpakete definiert und eine Feedback-Schleife für die iterative Entwicklung skizziert.

Write a pair of job bundles for Deadline Cloud that use the diffusers Python library to train a LoRA adapter on a set of images and then generate images from it.

Requirements:
- The training job takes a set of JPEG images as input, uses an image description, LoRA rank, learning rate, batch size, and number of training steps as parameters, and outputs a `.safetensors` file.
- The generation job takes the `.safetensors` file as input and the number of images to generate, then outputs JPEG images. The jobs use Stable Diffusion 1.5 as the base model.
- The jobs run `diffusers` as a Python script. Install the necessary packages using conda by setting the job parameters:
    - `CondaChannels`: `conda-forge`
    - `CondaPackages`: list of conda packages to install

For context, clone the following repositories to your workspace and review their documentation and code:
- OpenJobDescription specification: https://github.com/OpenJobDescription/openjd-specifications/blob/mainline/wiki/2023-09-Template-Schemas.md
- Deadline Cloud sample job bundles: https://github.com/aws-deadline/deadline-cloud-samples/tree/mainline/job_bundles
- diffusers library: https://github.com/huggingface/diffusers

Read through the provided context before you start. To develop a job bundle, iterate with the following steps until the submitted job succeeds. If a step fails, update the job bundle and restart the loop:
1. Create a job bundle.
2. Validate the job template syntax: `openjd check`
3. Submit the job to Deadline Cloud: `deadline bundle submit`
4. Wait for the job to complete: `deadline job wait`
5. View the job status and logs: `deadline job logs`
6. Download the job output: `deadline job download-output`

To verify the training and generation jobs work together, iterate with the following steps until the generation job produces images that resemble the dog in the training data:
1. Develop and submit a training job using the training images in `./exdog`
2. Wait for the job to succeed then download its output.
3. Develop and submit a generation job using the LoRA adapter from the training job.
4. Wait for the job to succeed then download its output.
5. Inspect the generated images. If they resemble the dog in the training data, you're done. Otherwise, review the job template, job parameters, and job logs to identify and fix the issue.