(Кликнете върху изображението по-горе, за да гледате видеото към този урок)
Добре дошли в курса "AI Агенти за начинаещи"! Този курс предоставя основни знания и практически примери за изграждане на AI Агенти.
Присъединете се към Azure AI Foundry Discord, за да се срещнете с други обучаващи се и създатели на AI Агенти и да зададете въпроси относно този курс.
За да започнем курса, първо ще се запознаем с това какво представляват AI Агенти и как можем да ги използваме в приложенията и работните процеси, които създаваме.
Този урок обхваща:
- Какво представляват AI Агенти и какви са различните видове агенти?
- Кои случаи на употреба са най-подходящи за AI Агенти и как могат да ни помогнат?
- Какви са основните градивни елементи при проектирането на агентни решения?
След завършване на този урок, трябва да можете:
- Да разбирате концепциите за AI Агенти и как те се различават от други AI решения.
- Да прилагате AI Агенти по най-ефективен начин.
- Да проектирате агентни решения продуктивно както за потребители, така и за клиенти.
AI Агенти са системи, които позволяват на Модели за Голям Език (LLMs) да извършват действия, като разширяват техните възможности чрез предоставяне на достъп до инструменти и знания.
Нека разгледаме тази дефиниция на части:
- Система - Важно е да мислим за агентите не като за един-единствен компонент, а като за система от много компоненти. На основно ниво, компонентите на AI Агент са:
- Среда - Определеното пространство, в което AI Агентът оперира. Например, ако имаме AI Агент за резервации на пътувания, средата може да бъде системата за резервации, която агентът използва за изпълнение на задачи.
- Сензори - Средите предоставят информация и обратна връзка. AI Агенти използват сензори, за да събират и интерпретират тази информация за текущото състояние на средата. В примера с агента за резервации, системата може да предоставя информация като наличност на хотели или цени на полети.
- Актуатори - След като AI Агентът получи текущото състояние на средата, той определя какво действие да извърши, за да промени средата. Например, агентът за резервации може да резервира налична стая за потребителя.
Модели за Голям Език - Концепцията за агенти съществуваше преди създаването на LLMs. Предимството на изграждането на AI Агенти с LLMs е способността им да интерпретират човешки език и данни. Тази способност позволява на LLMs да разбират информацията от средата и да създават план за промяна на средата.
Извършване на действия - Извън системите на AI Агенти, LLMs са ограничени до ситуации, в които действието е генериране на съдържание или информация въз основа на заявка на потребителя. В рамките на системите на AI Агенти, LLMs могат да изпълняват задачи, като интерпретират заявката на потребителя и използват наличните инструменти в тяхната среда.
Достъп до инструменти - Какви инструменти има на разположение LLM зависи от 1) средата, в която оперира, и 2) разработчика на AI Агента. В примера с агента за пътувания, инструментите на агента са ограничени от операциите, налични в системата за резервации, и/или разработчикът може да ограничи достъпа на агента до определени инструменти, като например само за полети.
Памет + Знания - Паметта може да бъде краткосрочна в контекста на разговора между потребителя и агента. Дългосрочно, извън информацията, предоставена от средата, AI Агенти могат също да извличат знания от други системи, услуги, инструменти и дори други агенти. В примера с агента за пътувания, тези знания могат да включват информация за предпочитанията на потребителя, съхранявана в клиентска база данни.
Сега, след като имаме обща дефиниция за AI Агенти, нека разгледаме някои специфични видове агенти и как те биха се приложили към AI Агент за резервации на пътувания.
| Тип Агент | Описание | Пример |
|---|---|---|
| Прости Рефлексни Агенти | Извършват незабавни действия въз основа на предварително зададени правила. | Агент за пътувания интерпретира контекста на имейл и препраща оплаквания за пътувания към обслужване на клиенти. |
| Моделно-Базирани Рефлексни Агенти | Извършват действия въз основа на модел на света и промени в този модел. | Агент за пътувания приоритизира маршрути със значителни промени в цените въз основа на достъп до исторически данни за цени. |
| Агенти, Базирани на Цели | Създават планове за постигане на конкретни цели, като интерпретират целта и определят действията за нейното постигане. | Агент за пътувания резервира пътуване, като определя необходимите транспортни средства (кола, обществен транспорт, полети) от текущото местоположение до дестинацията. |
| Агенти, Базирани на Полезност | Вземат предвид предпочитанията и претеглят компромиси числено, за да определят как да постигнат целите. | Агент за пътувания максимизира полезността, като претегля удобството спрямо цената при резервиране на пътуване. |
| Обучаващи се Агенти | Подобряват се с времето, като реагират на обратна връзка и съответно коригират действията си. | Агент за пътувания се подобрява, като използва обратна връзка от анкети след пътуването, за да прави корекции при бъдещи резервации. |
| Йерархични Агенти | Съдържат множество агенти в йерархична система, като агенти на по-високо ниво разделят задачи на подзадачи за изпълнение от агенти на по-ниско ниво. | Агент за пътувания отменя пътуване, като разделя задачата на подзадачи (например, анулиране на конкретни резервации) и възлага изпълнението им на агенти на по-ниско ниво, които докладват обратно на агента на по-високо ниво. |
| Системи с Множество Агенти (MAS) | Агенти изпълняват задачи независимо, било то кооперативно или конкурентно. | Кооперативно: Множество агенти резервират специфични услуги за пътуване като хотели, полети и развлечения. Конкурентно: Множество агенти управляват и се конкурират за споделен календар за резервации на хотели. |
В предишния раздел използвахме примера с агента за пътувания, за да обясним как различните видове агенти могат да се използват в различни сценарии за резервации. Ще продължим да използваме това приложение през целия курс.
Нека разгледаме типовете случаи на употреба, за които AI Агенти са най-подходящи:
- Отворени проблеми - позволяване на LLM да определи необходимите стъпки за изпълнение на задача, тъй като те не винаги могат да бъдат предварително зададени в работен процес.
- Многоетапни процеси - задачи, които изискват ниво на сложност, при което AI Агентът трябва да използва инструменти или информация в множество стъпки, вместо еднократно извличане.
- Подобрение с времето - задачи, при които агентът може да се подобрява с времето, като получава обратна връзка от средата или потребителите, за да предоставя по-добра полезност.
Ще разгледаме повече съображения за използването на AI Агенти в урока за изграждане на надеждни AI Агенти.
Първата стъпка при проектирането на система за AI Агенти е да се дефинират инструментите, действията и поведението. В този курс се фокусираме върху използването на Azure AI Agent Service за дефиниране на нашите агенти. Тя предлага функции като:
- Избор на отворени модели като OpenAI, Mistral и Llama
- Използване на лицензирани данни чрез доставчици като Tripadvisor
- Използване на стандартизирани инструменти OpenAPI 3.0
Комуникацията с LLMs се осъществява чрез подканвания. Поради полуавтономния характер на AI Агенти, не винаги е възможно или необходимо ръчно да се подканва LLM след промяна в средата. Използваме Агентни Шаблони, които позволяват подканване на LLM в множество стъпки по по-мащабируем начин.
Този курс е разделен на някои от текущо популярните агентни шаблони.
Агентните рамки позволяват на разработчиците да прилагат агентни шаблони чрез код. Тези рамки предлагат шаблони, плъгини и инструменти за по-добро сътрудничество на AI Агенти. Тези предимства осигуряват възможности за по-добра наблюдаемост и отстраняване на проблеми в системите на AI Агенти.
В този курс ще изследваме изследователската рамка AutoGen и производствено готовата рамка Agent от Semantic Kernel.
Присъединете се към Azure AI Foundry Discord, за да се срещнете с други обучаващи се, да участвате в консултации и да получите отговори на вашите въпроси за AI Агенти.
Отказ от отговорност:
Този документ е преведен с помощта на AI услуга за превод Co-op Translator. Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
