Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Utilizzo di agenti AI con Deadline Cloud
Usa gli agenti di intelligenza artificiale per scrivere pacchetti di lavoro, sviluppare pacchetti conda e risolvere i problemi dei lavori in Deadline Cloud. Questo argomento spiega cosa sono gli agenti di intelligenza artificiale, i punti chiave per lavorare con loro in modo efficace e le risorse per aiutare gli agenti a comprendere Deadline Cloud.
Un agente AI è uno strumento software che utilizza un modello linguistico di grandi dimensioni (LLM) per eseguire attività in modo autonomo. Gli agenti di intelligenza artificiale possono leggere e scrivere file, eseguire comandi e iterare sulle soluzioni in base al feedback. Gli esempi includono strumenti da riga di comando come Kiro
Punti chiave per lavorare con gli agenti di intelligenza artificiale
I seguenti punti chiave ti aiutano a ottenere risultati migliori quando utilizzi agenti di intelligenza artificiale con Deadline Cloud.
-
Fornisci le basi: gli agenti di intelligenza artificiale ottengono i migliori risultati quando hanno accesso a documentazione, specifiche ed esempi pertinenti. Puoi fornire le basi indirizzando l'agente a pagine di documentazione specifiche, condividendo il codice di esempio esistente come riferimento, clonando i repository open source pertinenti nello spazio di lavoro locale e fornendo documentazione per applicazioni di terze parti.
-
Specifica i criteri di successo: definisci il risultato previsto e i requisiti tecnici per l'agente. Ad esempio, quando chiedi a un agente di sviluppare un pacchetto di lavoro, specifica gli input, i parametri e i risultati previsti per il lavoro. Se non sei sicuro delle specifiche, chiedi prima all'agente di proporre delle opzioni, quindi perfeziona insieme i requisiti.
-
Abilita un ciclo di feedback: gli agenti di intelligenza artificiale iterano in modo più efficace quando possono testare le loro soluzioni e ricevere feedback. Invece di aspettarti una soluzione funzionante al primo tentativo, offri all'agente la possibilità di eseguire la soluzione e rivedere i risultati. Questo approccio funziona bene quando l'agente può accedere agli aggiornamenti di stato, ai log e agli errori di convalida. Ad esempio, quando si sviluppa un job bundle, consenti all'agente di inviare il job e di rivedere i log.
-
Aspettatevi delle iterazioni: anche in presenza di un contesto adeguato, gli agenti possono andare fuori strada o formulare ipotesi che non corrispondono al vostro ambiente. Osserva come l'agente affronta l'attività e fornisci indicazioni lungo il percorso. Aggiungete il contesto mancante se l'agente ha difficoltà, aiutate a trovare gli errori indicando file di registro specifici, perfezionate i requisiti man mano che li scoprite e aggiungete requisiti negativi per indicare esplicitamente cosa deve evitare l'agente.
Risorse per il contesto degli agenti
Le seguenti risorse sul GitHub sito Web aiutano gli agenti di intelligenza artificiale a comprendere i concetti di Deadline Cloud e a produrre risultati accurati.
-
Server Deadline Cloud Model Context Protocol (MCP): per gli agenti che supportano il Model Context Protocol, il repository
deadline-cloud contiene il client Deadline Cloud che include un server MCP per interagire con i lavori. -
AWS Server MCP Documentation: per gli agenti che supportano MCP, configura il server Documentation MCP per fornire all'agente l'accesso diretto alla
AWS documentazione, incluse la Deadline Cloud User Guide e la Developer AWS Guide. -
Specifica Open Job Description: la specifica Open Job Description
definisce lo schema per i modelli di lavoro. Fai riferimento al repository quando gli agenti devono comprendere la struttura e la sintassi dei modelli di lavoro. -
deadline-cloud-samples: il repository
deadline-cloud-samples contiene esempi di job bundle, ricette di conda e modelli per applicazioni e casi d'uso comuni. CloudFormation -
aws-deadline GitHub organization — L'organizzazione aws-deadline contiene plugin di riferimento per molte applicazioni di terze parti che puoi usare come esempi per altre
GitHub integrazioni.
Richiesta di esempio: Scrittura di un pacchetto di lavoro
Il seguente prompt di esempio dimostra come utilizzare un agente AI per creare pacchetti di lavoro che addestrano un adattatore LoRa (Low-Rank Adaptation) per la generazione di immagini AI. Il prompt illustra i punti chiave discussi in precedenza: fornisce le basi indicando i repository pertinenti, definisce i criteri di successo per i risultati del job bundle e delinea un ciclo di feedback per lo sviluppo 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.
