Fil de meng shao (@shao__meng)

[Tutoriel Open Source] Modèle Open Source + Framework d'agents mature + Outils => Réplication de l'agent IA Claude au niveau du code Composants techniques clés et modèle open source : DeepSeek-V3.2 • Cadre d'agents matures : kit de développement logiciel (SDK) Claude Agents Outils et données : Serveur MongoDB MCP Architecture globale : Modèle → SDK des agents → Outil MongoDB → Base de données, réalisant une interaction en boucle fermée. Concept central du projet : Une puissante combinaison de trois technologies clés. La création d'un agent intelligent capable de comprendre le langage humain et de manipuler automatiquement des bases de données intègre trois technologies : 1. Le cerveau – DeepSeek v3.2 : L'opération de « remplacement cérébral » consiste à modifier l'URL de base de l'API pour que le SDK des agents Claude croie par erreur qu'il appelle le modèle Claude, alors qu'en réalité il appelle DeepSeek v3.2. Cette opération est devenue standard pour les API LLM après l'API OpenAI. 2. Squelette – Kit de développement logiciel (SDK) des agents Claude : Motif du choix : LangChain ou OpenAI SDK n’ont pas été sélectionnés car le SDK Claude Agents fournit une « structure » ​​mature (telle que la gestion des sous-agents, la prise en charge MCP, etc.) nécessaire à la construction d’agents complexes, qui sont les technologies de base qui animent Claude Code. 3. Coordination main-œil – Serveur MongoDB MCP : Points forts techniques : Grâce au protocole MCP, l’IA peut effectuer des requêtes, analyser des schémas et même écrire des données de manière standardisée via le serveur MCP de MongoDB, sans avoir besoin de code d’interface complexe. Essence architecturale : Combattre le « brouillard cérébral » grâce aux « sous-agents » La partie la plus complexe du tutoriel sur le plan technique. L'auteur soulève un problème crucial : la dégradation du contexte. Même si un modèle prétend prendre en charge plus de 200 000 contextes, il devient inopérant et perturbe les outils lorsqu'on lui fournit trop d'entrées. Solution : Diviser pour régner (sous-agents) Au lieu d'utiliser un seul agent tout-puissant, le tutoriel construit trois sous-agents spécialisés, chacun responsable d'une partie seulement de l'ensemble d'outils MongoDB MCP : • Agent de lecture : Responsable uniquement de la lecture (récupération des données). • Agent littéraire : Responsable uniquement de la rédaction (ajout, suppression et modification). • Agent de requête : chargé de trouver les données pertinentes à partir de commandes floues. Avantages : En limitant le champ de vision et la boîte à outils de chaque agent, DeepSeek réduit considérablement la probabilité de commettre des erreurs, garantissant ainsi la précision des opérations. Valeur pratique : du « jouet » à l'« outil » Le tutoriel ne se contente pas de présenter une démonstration simple comme « combien de films existe-t-il ? », mais fournit également un exemple concret très pertinent : • Migration et analyse des données : Ce script montre comment importer des données réelles (statistiques de modèles, popularité des ensembles de données, etc.) depuis Hugging Face Hub vers MongoDB. • Requêtes complexes : Après l'importation, vous pouvez directement demander à l'Agent : « Quels sont les 10 modèles les plus populaires sur Hugging Face ? » L'Agent générera automatiquement une requête agrégée et extraira la réponse de la base de données. Résumé • Démystification des modèles : Vous n’avez pas besoin de recourir à des modèles propriétaires coûteux (tels que Claude Opus 4.5). DeepSeek v3.2, grâce à son architecture performante, est parfaitement capable de gérer des tâches complexes. • Adoption du protocole MCP : La connexion aux bases de données via le protocole MCP deviendra la norme, réduisant considérablement les obstacles au développement d’applications d’IA. • Priorité à l'architecture : comparée à la poursuite de contextes plus longs, l'architecture « agent principal + sous-agents spécialisés » est une solution stable pour résoudre des problèmes complexes. Tutoriel original