Phase 14: Agent Engineering

Découvrez le flux de travail que les gens effectuent réellement

Type: Learn + Build

Languages: Python (stdlib)

Prerequisites: Phase 14 lesson 47

Time: ~70 minutes

Objectifs d'apprentissage

• Modéliser le flux de travail actuel en actions ordonnées avec des preuves.
• Séparer l'observation directe du comportement rapporté ou déduit.
• Trouvez les frictions, les délivrances, l'autorité et l'état caché.
• Gardez les affirmations incertaines visibles au lieu de les transformer en exigences.

Commencez par le système actuel

Ne commencez pas par demander quelles caractéristiques les gens veulent, mais reconstruisez ce qui se passe maintenant.

Pour chaque étape, enregistrer:

Le flux de travail est plus grand que l'écran. Il comprend l'attente, la copie-collage, les canaux latéraux, l'approbation, la récupération d'erreur et les étapes que les gens ont cessé de remarquer.

Les preuves sont solides

Utilisez une échelle simple:

1. Direct behavior:observation, trace, enregistrement ou événement du système.
2. Artifact:billet, annuaire, journal, formulaire ou sortie complète.
3. Reported behavior:une personne décrit ce qu'elle fait.
4. Inference:L'équipe conclut ce qui se passe probablement.

Les quatre peuvent être utiles. Seuls les deux premiers prouvent directement le comportement actuel.

flowchart TD
  T[Trigger] --> A1[Actor action]
  A1 --> H[Handoff]
  H --> A2[Next actor action]
  A2 --> O[Outcome]
  E1[Direct evidence] -.supports.-> A1
  E2[Artifact] -.supports.-> H
  E3[Reported behavior] -.supports.-> A2

Recherchez quatre choses

• Friction:des efforts répétés, des retards, des réentrées ou des rétablissements.
• Hidden state:des faits contenus dans la mémoire, la conversation ou les notes personnelles.
• Authority:la personne ou le système autorisé à apporter un changement conséquent.
• Exceptions:le cas où le flux de travail normal cesse d'être normal.

Les caractéristiques de l'IA échouent souvent à des remises et des exceptions parce que le chemin heureux était le seul chemin façonné.

Ne négligez pas les désaccords

Deux utilisateurs peuvent effectuer des flux de travail différents pour de bonnes raisons.

• différents rôles;
• différents niveaux de risque;
• l'héritage et le processus actuel;
• les différences d'expertise;
• Un véritable désaccord politique.

Un flux de travail moyen ne peut décrire personne.

Faites-le

Le laboratoire stocke des données sur chaque étape du flux de travail, valide l'ordre et la confiance, calcule le rapport direct-évidence et écrit outputs/workflow-evidence.json- Je suis désolé .

bashCopypython3 code/main.py
python3 -m unittest discover code/tests -v

Ajoutez un chemin d'exception dans lequel le dossier de déploiement manque.

Exercices

1. Reconstruire un flux de travail à partir d'un journal sans interviewer personne.
2. Interroger un utilisateur et marquer toute allégation qui manque encore de preuves directes.
3. Ajouter une limite d'autorité et une étape de récupération de défaillance.
4. Modèle deux variantes de flux de travail sans les fusionner.
5. Identifiez une caractéristique proposée qui supprime une étape visible mais laisse le travail caché intact.

Pour en savoir plus

• Nuseibeh and Easterbrook, Requirements Engineering: A RoadmapIl est important de noter que les données de base sont disponibles dans les pays tiers.
• Gotel and Finkelstein, An Analysis of the Requirements Traceability Problem, pour la difficulté de préserver la relation entre les exigences et leurs sources.

Ce que vous gardez

Je le garde .outputs/workflow-evidence.jsonIl transforme l'observation de la friction et de l'incertitude en une carte d'hypothèse dans la prochaine leçon.

This free lesson is part of the AI Engineering from Scratch curriculum. Read the full explanation, run the lesson code, and verify the result in the interactive reader or from the repository source.

Browse the complete course catalog or open this lesson on GitHub.