Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Uso de agentes de IA con Deadline Cloud
Usa agentes de IA para escribir paquetes de trabajos, desarrollar paquetes de conda y solucionar problemas de trabajos en Deadline Cloud. En este tema se explica qué son los agentes de IA, los puntos clave para trabajar con ellos de forma eficaz y los recursos para ayudar a los agentes a entender Deadline Cloud.
Un agente de IA es una herramienta de software que utiliza un modelo de lenguaje amplio (LLM) para realizar tareas de forma autónoma. Los agentes de IA pueden leer y escribir archivos, ejecutar comandos e iterar las soluciones en función de los comentarios. Algunos ejemplos son las herramientas de línea de comandos, como Kiro,
Puntos clave para trabajar con agentes de IA
Los siguientes puntos clave le ayudarán a obtener mejores resultados cuando utilice agentes de IA con Deadline Cloud.
-
Proporcionan una base sólida: los agentes de IA obtienen mejores resultados cuando tienen acceso a la documentación, las especificaciones y los ejemplos pertinentes. Puedes proporcionar información básica dirigiendo al agente a páginas de documentación específicas, compartiendo el código de ejemplo existente como referencia, clonando los repositorios de código abierto pertinentes en el espacio de trabajo local y proporcionando documentación para aplicaciones de terceros.
-
Especifique los criterios de éxito: defina el resultado esperado y los requisitos técnicos del agente. Por ejemplo, cuando pida a un agente que desarrolle un paquete de trabajos, especifique las entradas, los parámetros y los resultados esperados del trabajo. Si no está seguro de las especificaciones, pídale al agente que primero le proponga opciones y, a continuación, defina los requisitos en conjunto.
-
Habilite un ciclo de retroalimentación: los agentes de IA realizan iteraciones de manera más eficaz cuando pueden probar sus soluciones y recibir comentarios. En lugar de esperar una solución que funcione en el primer intento, brinde al agente la capacidad de ejecutar su solución y revisar los resultados. Este enfoque funciona bien cuando el agente puede acceder a las actualizaciones de estado, los registros y los errores de validación. Por ejemplo, al desarrollar un paquete de trabajos, permita que el agente envíe el trabajo y revise los registros.
-
Prepárese para repetir: incluso con un contexto adecuado, los agentes pueden perder el rumbo o hacer suposiciones que no coinciden con su entorno. Observe cómo el agente aborda la tarea y ofrézcale orientación a lo largo del proceso. Agregue el contexto que falte si el agente tiene dificultades, ayude a encontrar errores haciendo referencia a archivos de registro específicos, perfeccione los requisitos a medida que los descubra y añada requisitos negativos para indicar de forma explícita lo que el agente debe evitar.
Recursos para el contexto del agente
Los siguientes recursos del GitHub sitio web ayudan a los agentes de IA a comprender los conceptos de Deadline Cloud y a producir resultados precisos.
-
Servidor Deadline-Cloud Model Context Protocol (MCP): para los agentes que admiten el Model Context Protocol, el repositorio de
Deadline-Cloud contiene el cliente Deadline Cloud, que incluye un servidor MCP para interactuar con los trabajos. -
AWS Servidor MCP de documentación: para los agentes que admiten el MCP, configure el servidor MCP de AWS documentación para que el agente tenga acceso directo
a la AWS documentación, incluidas la guía del usuario y la guía del desarrollador de Deadline Cloud. -
Especificación de descripción de trabajo abierta: la especificación de descripción de trabajo abierta
define el esquema de las plantillas de trabajo. Consulte el repositorio cuando los agentes necesiten entender la estructura y la sintaxis de las plantillas de trabajo. -
deadline-cloud-samples: el repositorio
deadline-cloud-samples contiene paquetes de trabajos de muestra, recetas de conda y plantillas para aplicaciones y CloudFormation casos de uso comunes. -
organización aws-deadline: GitHub la organización aws-deadline contiene complementos de referencia para muchas aplicaciones de
GitHub terceros que puede usar como ejemplos para otras integraciones.
Ejemplo de mensaje: escribir un paquete de trabajos
El siguiente ejemplo de solicitud muestra cómo usar un agente de IA para crear paquetes de trabajos que entrenen a un adaptador LoRa (Low-Rank adaptación) para generar imágenes de IA. El mensaje ilustra los puntos clave discutidos anteriormente: proporciona una base al señalar los repositorios relevantes, define los criterios de éxito para los resultados de los paquetes de trabajo y describe un ciclo de retroalimentación para el desarrollo iterativo.
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.
