Phase 14: Agent Engineering

Escolha o pedaço mais pequeno que possa mudar a decisão

Type: Learn + Build

Languages: Python (stdlib)

Prerequisites: Phase 14 lesson 49

Time: ~65 minutes

Objetivos de aprendizagem

• Defina uma fatia com base nas suposições que ela prova.
• Equilibrar o valor do resultado, a redução da incerteza, o esforço e a consequência.
• Prefere provas reversíveis ao compromisso de produção prematura.
• Rejeitar as fatias que omitem a parte arriscada do fluxo de trabalho.

Vertical Means Evidência Final a fim

Uma fatia útil cruza o fluxo de trabalho real mínimo necessário para observar um resultado. Pode ser estreita em usuários, dados, duração e capacidade. Não deve ser estreita eliminando a incerteza exata que você precisa testar.

Exemplos:

• Uma repetição de apenas leitura em dez incidentes reais testa a identificação do serviço e a confiança do operador.
• Um painel polido em dados sintéticos pode testar a compreensão, mas não a viabilidade dos dados.
• Um automediador de produção testa tudo de uma vez com consequências inaceitáveis.

Defina primeiro a prova necessária

Tomar as suposições abertas de maior risco e transformá-las num conjunto de provas exigidas.

Em seguida, compare as fatias elegíveis em:

A pontuação do laboratório é intencionalmente simples.

flowchart TD
  R[Required proof] --> C1[Candidate slice 1]
  R --> C2[Candidate slice 2]
  R --> C3[Candidate slice 3]
  C1 --> G{Covers all proof?}
  C2 --> G
  C3 --> G
  G -->|No| X[Reject]
  G -->|Yes| S[Compare evidence per effort and risk]
  S --> B[Build one slice]

Minimos falsos comuns

• The UI-only minimum:Elimina os dados e a incerteza operacional.
• The infrastructure-only minimum:prova uma possibilidade técnica sem valor para o utilizador.
• The happy-path minimum:O que é mais perigoso é que não há excepção.
• The demo minimum:produz um artefato persuasivo, mas não uma medida repetível.
• The platform minimum:Construir máquinas reutilizáveis antes de um fluxo de trabalho ganhá-las.

Adicionar uma regra de parada

Antes da implementação, escreva o que acontece se a fatia falhar:

• abandonar o resultado;
• Alterar o utilizador-alvo ou a situação;
• Teste um mecanismo diferente;
• recolher melhores provas;
• Mas ainda mais poder restrito.

Se cada resultado levar à construção, a fatia não é um experimento.

Construí-lo

O laboratório filtra os candidatos com as provas necessárias, marca as fatias elegíveis e escreve outputs/slice-decision.json- Não .

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

Adicione um candidato mais barato que provem apenas uma suposição necessária.

Exercícios

1. Desenhar três fatias para o mesmo resultado em diferentes níveis de consequências.
2. Indique a prova necessária antes de as marcar.
3. Remover uma capacidade, preservando a prova decisiva.
4. Adicione uma regra de parada para um piloto falhado.
5. Identificar um componente reutilizarável da plataforma que deve esperar até o término da fatia.

Mais leitura

• Barry Boehm, A Spiral Model of Software Development and Enhancement, para combinar cada ciclo de desenvolvimento com os riscos que deve resolver.
• Lenarduzzi and Taibi, MVP Explained: A Systematic Mapping Study on the Definitions of Minimal Viable Product, pela ambiguidade em torno de minimum e viable na prática de produtos de software.

O que você guarda

• Não .outputs/slice-decision.jsonEle registra porque é que esta fatia é a menor que pode mudar a decisão.

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.