As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Usando agentes de IA com o Deadline Cloud
Use agentes de IA para escrever pacotes de tarefas, desenvolver pacotes conda e solucionar problemas de trabalhos no Deadline Cloud. Este tópico explica o que são os agentes de IA, os principais pontos para trabalhar com eles de forma eficaz e os recursos para ajudar os agentes a entender o Deadline Cloud.
Um agente de IA é uma ferramenta de software que usa um modelo de linguagem grande (LLM) para realizar tarefas de forma autônoma. Os agentes de IA podem ler e gravar arquivos, executar comandos e iterar soluções com base no feedback. Os exemplos incluem ferramentas de linha de comando, como o Kiro
Pontos-chave para trabalhar com agentes de IA
Os pontos principais a seguir ajudam você a obter melhores resultados ao usar agentes de IA com o Deadline Cloud.
-
Forneça uma base — os agentes de IA têm melhor desempenho quando têm acesso a documentação, especificações e exemplos relevantes. Você pode fornecer uma base direcionando o agente para páginas de documentação específicas, compartilhando códigos de exemplo existentes como referências, clonando repositórios de código aberto relevantes no espaço de trabalho local e fornecendo documentação para aplicativos de terceiros.
-
Especifique os critérios de sucesso — defina o resultado esperado e os requisitos técnicos para o agente. Por exemplo, ao pedir a um agente que desenvolva um pacote de tarefas, especifique as entradas, os parâmetros e as saídas esperadas da tarefa. Se você não tiver certeza sobre as especificações, peça ao agente que proponha as opções primeiro e depois refine os requisitos juntos.
-
Habilite um ciclo de feedback — os agentes de IA interagem com mais eficiência quando podem testar suas soluções e receber feedback. Em vez de esperar uma solução funcional na primeira tentativa, dê ao agente a capacidade de executar a solução e analisar os resultados. Essa abordagem funciona bem quando o agente pode acessar atualizações de status, registros e erros de validação. Por exemplo, ao desenvolver um pacote de tarefas, permita que o agente envie a tarefa e revise os registros.
-
Espere iterar — mesmo com um bom contexto, os agentes podem se desviar do caminho certo ou fazer suposições que não combinam com seu ambiente. Observe como o agente aborda a tarefa e forneça orientação ao longo do caminho. Adicione o contexto ausente se o agente tiver dificuldades, ajude a encontrar erros apontando para arquivos de log específicos, refine os requisitos à medida que os descobre e adicione requisitos negativos para declarar explicitamente o que o agente deve evitar.
Recursos para o contexto do agente
Os recursos a seguir ajudam os agentes de IA a entender os conceitos do Deadline Cloud e a produzir resultados precisos.
-
Servidor Deadline Cloud Model Context Protocol (MCP) — Para agentes que oferecem suporte ao Model Context Protocol, o repositório deadline-cloud
contém o cliente Deadline Cloud, que inclui um servidor MCP para interagir com trabalhos. -
AWSServidor MCP de documentação — Para agentes que oferecem suporte ao MCP, configure o servidor MCP de AWS documentação
para dar ao agente acesso direto à AWS documentação, incluindo o Guia do usuário e o Guia do desenvolvedor do Deadline Cloud. -
Especificação Open Job Description — A especificação Open Job Description
em GitHub define o esquema para modelos de trabalho. Consulte esse repositório quando os agentes precisarem entender a estrutura e a sintaxe dos modelos de trabalho. -
deadline-cloud-samples— O deadline-cloud-samples
repositório contém exemplos de pacotes de trabalho, receitas de conda e CloudFormation modelos para aplicativos e casos de uso comuns. -
organização aws-deadline — A GitHub organização aws-deadline
GitHub contém plug-ins de referência para muitos aplicativos de terceiros que você pode usar como exemplos para outras integrações.
Exemplo de solicitação: Escrevendo um pacote de tarefas
O exemplo de prompt a seguir demonstra como usar um agente de IA para criar pacotes de tarefas que treinam um adaptador LoRa (Low-Rank Adaptation) para gerar imagens de IA. O prompt ilustra os principais pontos discutidos anteriormente: ele fornece uma base apontando para repositórios relevantes, define critérios de sucesso para os resultados do pacote de tarefas e descreve um ciclo de feedback para o desenvolvimento 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.
