Hugging Face AI Agents Course Practice Test
Hugging Face AI Agents Course के लिए अपना आत्मविश्वास बढ़ाएँ। अवधारणाओं का अभ्यास करें, उत्तरों को समझें और हर सवाल के साथ अपना ज्ञान मज़बूत करें।
एक नमूना सवाल आज़माएँपरीक्षा का परिचय और विवरण
The Hugging Face AI Agents Course Practice Test is a comprehensive assessment designed to evaluate your understanding of building, deploying, and optimizing AI agents using the Hugging Face ecosystem. This exam covers five core areas: Fundamentals (agent architectures, tool use, and memory), Core Knowledge (transformer models, tokenization, and inference pipelines), Practical Application (building multi-step agents, integrating APIs, and handling errors), Advanced Topics (multi-agent systems, fine-tuning for agentic tasks, and safety alignment), and Best Practices (evaluation metrics, logging, and deployment strategies). It is intended for developers, data scientists, and AI engineers who have completed an introductory course on Hugging Face agents or possess equivalent hands-on experience. By taking this practice test, you will gain a clear benchmark of your current skills, identify knowledge gaps, and build confidence in applying agent frameworks to real-world problems. The 59 questions range from multiple-choice and code-snippet analysis to scenario-based reasoning, ensuring a thorough evaluation of both theoretical understanding and practical implementation. Whether you are preparing for a certification, a job interview, or a production deployment, this test provides a structured path to mastery.
नमूना प्रश्न
अभ्यास कैसे काम करता है, यह जानने के लिए एक उत्तर चुनें और व्याख्या देखें।
During a workshop review, a participant shows a trace from Alfred's agent and asks why the next step did not match the course transcript. The implementation uses smolagents, but the trace shows that @tool decorator is being handled as if it were plain chat. What adjustment matches the course's smolagents lesson?
कार्यशाला समीक्षा के दौरान, एक भागीदार अल्फ्रेड के एजेंट से एक ट्रेस दिखाता है और पूछता है कि अगला कदम क्यों कोर्स ट्रांसक्रिप्ट के अनुसार नहीं मेल खाता है। इस्तेमाल की जाने वाली निष्पादन प्रणाली smolagents है, लेकिन ट्रेस में दिखाया जा रहा है कि @tool डेकोरेटर को सामान्य चैट के रूप में हैंडल किया जा रहा है। कोर्स के smolagents पाठ के अनुसार कौन सा समायोजन मेल खाता है?
HF एजेंट्स कोर्स यूनिट 2.1 के अनुसार, डेकोरेटर टाइप हिंट्स और एक डॉकस्ट्रिंग का उपयोग करता है ताकि फंक्शन कॉन्ट्रैक्ट एजेंट के साथ उजागर हो। विकल्प ए आकर्षक है क्योंकि एक शिक्षक इसे एक मॉडल साइज़ के रूप में देख सकता है और एक बड़े इन्स्ट्रक्ट चेकपॉइंट पर स्विच करने से पहले एजेंट लूप को बदल सकता है। यह विफल होता है क्योंकि एक बिना दस्तावेज़ किया गया फंक्शन कमजोर या अनुपयोगी टूल मेटाडेटा देता है।
A student ports the course example into a small Gradio Space, then compares the local notebook trace with the Space log. The LangGraph exercise has a graph that runs once, but StateGraph nodes is missing from the design. Which change reflects the framework unit?
कोर्स उदाहरण को छोटे Gradio स्पेस में पोर्ट करते समय एक छात्र, स्थानीय नोटबुक ट्रेस को स्पेस लॉग से तुलना करता है। LangGraph अभ्यास में एक ग्राफ है जो एक बार चलता है, लेकिन StateGraph नोड डिज़ाइन से गायब है। जो परिवर्तन फ्रेमवर्क इकाई को दर्शाता है, वह क्या है?
HF एजेंट्स कोर्स यूनिट 2.3 के अनुसार, नोड्स स्टेट को परिवर्तित करते हैं और एजेस अगले चरण को चलाने के लिए परिभाषित करते हैं। विकल्प बी आकर्षक है क्योंकि एक शिक्षक एक ही सामग्री को एक लंबे उपयोगकर्ता प्रॉम्प्ट में शिफ्ट कर सकता है ताकि मॉडल के पास अधिक उदाहरणों को नकल करने का अवसर हो। लेकिन यह विफल हो जाता है क्योंकि एक साधारण श्रृंखला ग्राफ-स्तरीय रूटिंग और लूप्स की कमी के कारण विफल हो जाती है।
A learner is following the current Hugging Face AI Agents Course notebook and changes one line while keeping the rest of the exercise unchanged. The learner builds a LlamaIndex agent for the framework unit, but ReActAgent is wired like an ordinary helper instead of an agent tool. What should be changed before rerunning the example?
HF एजेंट्स कोर्स यूनिट 2.2 के अनुसार, एजेंट टूल्स को एक-एक करके चुनता है और प्रतिक्रियाओं को शामिल करता है इससे पहले कि वह उत्तर दे। विकल्प बी आकर्षक हो सकता है क्योंकि एक सीखने वाला इसे एक मॉडल आकार के समस्या के रूप में देख सकता है और एक बड़े निर्देश चेकपॉइंट पर स्विच करता है इससे पहले कि वह एजेंट लूप को बदले। लेकिन यह असफल है क्योंकि एक एक-शॉट क्वेरी इंजन का उत्तर एजेंट के निर्णय लूप को छोड़ देता है।
A learner is following the current Hugging Face AI Agents Course notebook and changes one line while keeping the rest of the exercise unchanged. The LangGraph exercise has a graph that runs once, but ToolNode is missing from the design. Which change reflects the framework unit?
HF एजेंट्स कोर्स यूनिट 2.3 के अनुसार, टूल नोड (ToolNode) पूछे गए टूल कॉल को निष्पादित करता है और स्टेट में टूल मैसेज जोड़ता है। विकल्प बी आकर्षक हो सकता है क्योंकि एक सीखने वाला इसे मॉडल आकार के समस्या के रूप में देख सकता है और एक बड़े इन्स्ट्रक्ट चेकपॉइंट पर स्विच करने से पहले एजेंट लूप को बदल सकता है। लेकिन यह विफल होता है क्योंकि एलएलएम नोड (LLM node) अकेले केवल प्रस्तावित कॉल को प्रस्तुत करता है।
During a workshop review, a participant shows a trace from Alfred's agent and asks why the next step did not match the course transcript. The implementation uses smolagents, but the trace shows that browser and vision agents is being handled as if it were plain chat. What adjustment matches the course's smolagents lesson?
कार्यशाला समीक्षा के दौरान, एक भागीदार अल्फ्रेड के एजेंट से एक ट्रेस दिखाता है और पूछता है कि अगला कदम क्यों कोर्स ट्रांसक्रिप्ट के अनुसार नहीं मेल खाता है। इसने स्मॉल एजेंट्स का उपयोग किया है, लेकिन ट्रेस दिखाता है कि ब्राउज़र और विजन एजेंट्स को प्लेन चैट की तरह ही संभाला जा रहा है। कोर्स के स्मॉल एजेंट्स के सबक के अनुसार कौन सी समायोजन मेल खाती है?
HF एजेंट्स कोर्स यूनिट 2.1 के अनुसार, विशेषज्ञ उपकरण या एजेंट वेबपेज और छवियों तक लूप को बढ़ाते हैं। विकल्प बी आकर्षक है क्योंकि एक शिक्षार्थी उसी सामग्री को एक लंबे उपयोगकर्ता प्रॉम्प्ट में स्थानांतरित कर सकता है ताकि मॉडल के पास अधिक उदाहरणों को प्रतिकृति करने का अवसर हो। लेकिन यह विफल हो जाता है क्योंकि बेस कोड एजेंट को वहां के पिक्सेल देखने के लिए कोई चमत्कारी क्षमता नहीं है।
इस परीक्षा में क्या शामिल है
01Agent Fundamentals
विषय
- Explain Tools, Thoughts, Actions, Observations, and their formats
- Explain LLMs, messages, special tokens and chat templates
- Show a simple use case using python functions as tools
सीखने के उद्देश्य
- Explain Tools, Thoughts, Actions, Observations, and their formats
- Explain LLMs, messages, special tokens and chat templates
- Show a simple use case using python functions as tools
02Final Assignment
विषय
- Build an agent for a selected benchmark and prove your understanding of Agents on the student leaderboard
सीखने के उद्देश्य
- Build an agent for a selected benchmark and prove your understanding of Agents on the student leaderboard
03Frameworks
विषय
- Understand how the fundamentals are implemented in popular libraries: smolagents, LangGraph, LLamaIndex
सीखने के उद्देश्य
- Understand how the fundamentals are implemented in popular libraries: smolagents, LangGraph, LLamaIndex
04Onboarding
विषय
- Set you up with the tools and platforms that you will use
सीखने के उद्देश्य
- Set you up with the tools and platforms that you will use
05Use Cases
विषय
- Build some real life use cases (open to PRs from experienced Agent builders)
सीखने के उद्देश्य
- Build some real life use cases (open to PRs from experienced Agent builders)