译自：AI Dev Tools: How To Containerize Agents Using Dagger 作者：Joab Jackson
迎接新的基元。Docker 的创建者强烈主张为了理智起见，对 AI 智能体进行容器化。方法如下。
我们需要标准化构建AI Agent 的流程，那么为什么不从容器生态系统 中寻找灵感呢？
这是 Docker 创建者兼 Dagger 首席执行官在 Sourcegraph 的AI 工具之夜聚会（上周在旧金山 Cloudflare 总部举行）上的演讲中得出的结论。
“应该有一个软件生态系统，让我们可以重用彼此的东西，”他说。“我们建议 Dagger 作为这样一个生态系统。”
Dagger 是一个用于软件构建的开源引擎运行时。DevOps 工程师们已经创建了数千个模块，或DAG，用于他们自己的容器构建流程。Dagger 构建一个包含大量专用逻辑的不可变容器，并且该设计可以很容易地应用于构建基于大型语言模型的 Agent，他认为。
“所有这些向你出售高级基础设施的初创公司……基本上，现在都是开源的，”他说。
为了演示容器如何轻松地使事情变得简单，他构建了一个简单的 AI Agent，并反过来，只使用三个函数调用就构建了一个cURL 克隆。
Docker 容器之所以成功取得成功，很大程度上是因为它驯服了构建 Web 应用程序日益增长的复杂性，他回忆道。将应用程序分解成可重用的组件，并将它们容器化以方便复制。Docker带来了可重用性和可扩展性。
“我建议我们对 Agent 做同样的事情，”他建议道。“把这些大脑装进罐子里，然后控制它们连接的内容。”
将外部系统调用添加到LLM 中是一个重大的突破，并且已迅速成为构建 AI Agent 的一个重要元素。它们为 LLM 提供了一个协议，如果需要完成任务，则可以调用附加函数。
随着 Agent 数量的激增以及它们执行的任务变得越来越复杂，管理这些 Agent 将很快变得难以控制。
他观察到，LLM 的工作方式就像一个良好的不可变软件构建系统一样。它们与不可变状态绑定。你将数据添加到上下文窗口，然后执行一个函数。
Dagger 有一个名为 LLM 的新谓词，它基本上是一个空状态，其中加载了GPT-4o（尽管它可以使用其他模型）。
使用 Dagger shell 或以编程方式，你可以将多个操作链接在一起。第一个操作可能是初始提示。
整个 Dagger API 是一组对象，每个对象都有自己的一组函数调用、模式和状态。因此，在 Dagger Shell 中，你可以创建一个容器对象：
LLM | with-container (Container | from alpine | with-new-file yay.txt 'my favorite language is PHP')
在执行上述创建容器对象的示例时，他添加了一个文件 yay.txt，以证明他的现场演示的真实性。
他指出，除了创建容器之外，该命令还将其连接到 LLM 本身。
从那里，你可以将多个对象链接在一起。
运行“构建”时，OpenTelemetry 检测可以列出它已采取的所有步骤，包括 LLM 如何从 LLM 需要经历的各种错误（例如调用错误的安装包）中恢复以完成其目标（这对于问责制也很重要）。
他还展示了如何在第一次尝试中，创建容器的命令将 PHP 安装到容器本身中，以便后续使用。
太酷了！
他建议，LLM 工作区的最低要求至少应包括一个容器和一个状态、用于读写文件的函数以及一个构建函数（理想情况下没有参数）。 Hykes 用这些东西编写了一个 DAG，名为 toy-workspace。
在演示中，他将 toy-workspace 安装到一个 LLM 容器中。他为 LLM 添加了一个基本的提示：
- 你是一位专家级的 Go 程序员。
- 你可以访问一个工作区。
- 使用读、写和构建工具来完成以下任务：
用户命令被分配给一个 @assignment 变量。
然后他给出了一些最终指示：
- 不要使用容器工具。
- 在你的代码构建之前不要构建。
- 函数是循环的。
Hykes 随后展示了他的演示技巧，运行了这个程序，只添加了指令：“为我编写一个 cURL 克隆”。一分钟后，他得到了一个运行良好的 cURL 克隆。
Hykes 说：“这就是 agent 开发的魔力。”
组织这次聚会的 Sourcegraph 高级 AI 开发倡导者 YK Sugi 对 Dagger 的方法表示赞赏，尤其是在调试方面。 他在 LinkedIn 消息中写道：“作为一名自己构建过 agent 的人，我知道构建 AI agent 可能是一项挑战。”
他写道：“你的错误可能来自你正在使用的 LLM API 或你为 LLM 设置的任何内容。” 它们可能是速率限制问题，或者语法与当前可用的版本不匹配。找到问题的根源可能很痛苦。
“对于 agent，你可能在它尝试遵循的路径上存在特定问题，或者 LLM 输出的工具用法的语法不正确。即使 LLM 的行为符合你的预期，你仍然可能在后端服务方面遇到问题。”
Dagger 能够检查所有日志，不仅是来自 LLM 的日志，还包括来自后端服务的日志，在这方面可能会有很大帮助。
他写道：“这似乎不仅简化了调试，而且简化了整体开发，从而更容易开发更可靠的系统。”
Sourcegraph 的 AI 开发工具之夜的整个晚上 可以在这里找到。