Einsatz 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.

Einsatz von KI-Agenten mit Deadline Cloud

Verwenden Sie KI-Agenten, um Job-Bundles zu schreiben, Conda-Pakete zu entwickeln und Jobs in Deadline Cloud zu beheben. In diesem Thema wird erklärt, was KI-Agenten sind, was wichtig ist, um effektiv mit ihnen zu arbeiten, und Ressourcen, die Agenten dabei 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 Lösungen entwickeln. Beispiele hierfür sind Befehlszeilentools wie Kiro und IDE-integrierte Assistenten.

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.

  • Grundlagen schaffen — KI-Agenten schneiden am besten ab, wenn sie Zugriff auf relevante Dokumentationen, Spezifikationen und Beispiele haben. Sie können die Grundlage schaffen, indem Sie den Agenten auf bestimmte Dokumentationsseiten verweisen, vorhandenen Beispielcode als Referenz weitergeben, relevante Open-Source-Repositorys in den lokalen Workspace klonen und Dokumentation für Anwendungen von Drittanbietern bereitstellen.

  • Erfolgskriterien angeben — Definieren Sie das erwartete Ergebnis und die technischen Anforderungen für 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, zunächst Optionen vorzuschlagen und die Anforderungen dann gemeinsam zu verfeinern.

  • 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 vom Kurs abweichen oder Annahmen treffen, die nicht zu Ihrer Umgebung passen. Beobachten Sie, wie der Agent an die Aufgabe herangeht, und geben Sie ihm dabei Unterstützung. Fügen Sie fehlenden Kontext hinzu, falls der Agent Probleme hat, helfen Sie bei der Fehlersuche, 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 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 Deadline-Cloud-Repository den Deadline-Cloud-Client, der einen MCP-Server für die Interaktion mit Jobs enthält.

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

  • Open Job Description Specification — Die Open Job Description Specification on GitHub definiert das Schema für Jobvorlagen. Verweisen Sie auf dieses Repository, wenn Agenten die Struktur und Syntax von Jobvorlagen verstehen müssen.

  • deadline-cloud-samples— Das deadline-cloud-samplesRepository enthält Beispiel-Job-Bundles, Conda-Rezepte und CloudFormation Vorlagen für gängige Anwendungen und Anwendungsfälle.

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

Beispielaufforderung: Ein Job-Bundle schreiben

Die folgende Beispielaufforderung zeigt, wie ein KI-Agent verwendet wird, um Job-Bundles zu erstellen, die einen LoRa-Adapter (Low-Rank Adaptation) für die Generierung von KI-Images trainieren. Die Eingabeaufforderung veranschaulicht die zuvor erörterten wichtigsten Punkte: Sie bietet eine Grundlage, indem sie auf relevante Repositorien verweist, definiert Erfolgskriterien für die Job-Bundle-Ausgaben und skizziert eine Feedback-Schleife für die iterative Entwicklung.

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.