Menggunakan agen AI dengan Deadline Cloud - Batas Waktu Cloud

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Menggunakan agen AI dengan Deadline Cloud

Gunakan agen AI untuk menulis paket pekerjaan, mengembangkan paket conda, dan memecahkan masalah pekerjaan di Deadline Cloud. Topik ini menjelaskan apa itu agen AI, poin-poin penting untuk bekerja dengan mereka secara efektif, dan sumber daya untuk membantu agen memahami Deadline Cloud.

Agen AI adalah alat perangkat lunak yang menggunakan model bahasa besar (LLM) untuk melakukan tugas secara mandiri. Agen AI dapat membaca dan menulis file, menjalankan perintah, dan mengulangi solusi berdasarkan umpan balik. Contohnya termasuk alat baris perintah seperti Kiro dan asisten terintegrasi IDE.

Poin penting untuk bekerja dengan agen AI

Poin-poin penting berikut membantu Anda mendapatkan hasil yang lebih baik ketika Anda menggunakan agen AI dengan Deadline Cloud.

  • Menyediakan landasan — agen AI berkinerja terbaik ketika mereka memiliki akses ke dokumentasi, spesifikasi, dan contoh yang relevan. Anda dapat memberikan landasan dengan mengarahkan agen ke halaman dokumentasi tertentu, membagikan kode contoh yang ada sebagai referensi, mengkloning repositori open source yang relevan ke ruang kerja lokal, dan menyediakan dokumentasi untuk aplikasi pihak ketiga.

  • Tentukan kriteria keberhasilan — Tentukan hasil yang diharapkan dan persyaratan teknis untuk agen. Misalnya, ketika Anda meminta agen untuk mengembangkan paket pekerjaan, tentukan input pekerjaan, parameter, dan output yang diharapkan. Jika Anda tidak yakin tentang spesifikasinya, mintalah agen untuk mengusulkan opsi terlebih dahulu, lalu perbaiki persyaratan bersama.

  • Aktifkan loop umpan balik — agen AI melakukan iterasi lebih efektif ketika mereka dapat menguji solusi mereka dan menerima umpan balik. Alih-alih mengharapkan solusi yang berfungsi pada upaya pertama, berikan agen kemampuan untuk menjalankan solusinya dan meninjau hasilnya. Pendekatan ini bekerja dengan baik ketika agen dapat mengakses pembaruan status, log, dan kesalahan validasi. Misalnya, ketika Anda mengembangkan paket pekerjaan, izinkan agen untuk mengirimkan pekerjaan dan meninjau log.

  • Berharap untuk mengulangi — Bahkan dengan konteks yang baik, agen dapat keluar jalur atau membuat asumsi yang tidak sesuai dengan lingkungan Anda. Amati bagaimana agen mendekati tugas dan memberikan bimbingan di sepanjang jalan. Tambahkan konteks yang hilang jika agen berjuang, membantu menemukan kesalahan dengan menunjuk ke file log tertentu, memperbaiki persyaratan saat Anda menemukannya, dan menambahkan persyaratan negatif untuk secara eksplisit menyatakan apa yang harus dihindari agen.

Sumber daya untuk konteks agen

Sumber daya berikut membantu agen AI memahami konsep Deadline Cloud dan menghasilkan output yang akurat.

  • Server Deadline Cloud Model Context Protocol (MCP) — Untuk agen yang mendukung Model Context Protocol, repositori deadline-cloud berisi klien Deadline Cloud yang mencakup server MCP untuk berinteraksi dengan pekerjaan.

  • AWSDokumentasi MCP server — Untuk agen yang mendukung MCP, konfigurasikan server MCP AWS Dokumentasi untuk memberikan agen akses langsung ke AWS dokumentasi, termasuk Panduan Pengguna Cloud Tenggat Waktu dan Panduan Pengembang.

  • Spesifikasi Open Job Description — Spesifikasi Open Job Description pada GitHub mendefinisikan skema untuk template pekerjaan. Referensikan repositori ini ketika agen perlu memahami struktur dan sintaks template pekerjaan.

  • deadline-cloud-samples— deadline-cloud-samplesRepositori berisi contoh bundel pekerjaan, resep conda, dan CloudFormation template untuk aplikasi umum dan kasus penggunaan.

  • aws-deadline GitHub organization — Organisasi aws-deadline GitHub berisi plugin referensi untuk banyak aplikasi pihak ketiga yang dapat Anda gunakan sebagai contoh untuk integrasi lainnya.

Contoh prompt: Menulis bundel pekerjaan

Contoh prompt berikut menunjukkan cara menggunakan agen AI untuk membuat bundel pekerjaan yang melatih adaptor LoRa (Adaptasi Peringkat Rendah) untuk menghasilkan gambar AI. Prompt mengilustrasikan poin-poin penting yang dibahas sebelumnya: ini memberikan landasan dengan menunjuk ke repositori yang relevan, mendefinisikan kriteria keberhasilan untuk output bundel pekerjaan, dan menguraikan loop umpan balik untuk pengembangan berulang.

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.