(ဤသင်ခန်းစာ၏ ဗီဒီယိုကို ကြည့်ရန် အထက်ပါ ပုံကို နှိပ်ပါ)

"AI Agents for Beginners" သင်ခန်းစာသို့ ကြိုဆိုပါသည်! ဤသင်ခန်းစာသည် AI အေးဂျင့်များကို တည်ဆောက်ရန် အခြေခံသိမှတ်စရာများနှင့် လက်တွေ့နမူနာများကို ပေးသည်။

ဤသင်ခန်းစာကို စတင်ရန်၊ AI အေးဂျင့်များသည် အဘယ်အရာဖြစ်သည်နှင့် ကျွန်ုပ်တို့ တည်ဆောက်သော အက်ပလီကေးရှင်းများနှင့် လုပ်ငန်းစဉ်များတွင် မည်သို့ အသုံးပြုနိုင်သည်ကို ပိုမိုနားလည်ရန် စတင်ပါမည်။

ဤသင်ခန်းစာတွင် ပါဝင်သည်-

• AI အေးဂျင့်များသည် အဘယ်အရာဖြစ်သည်နှင့် အေးဂျင့်အမျိုးအစားများကွဲပြားမှုများ
• AI အေးဂျင့်များအတွက် အကောင်းဆုံး အသုံးပြုမှုများနှင့် ကျွန်ုပ်တို့ကို မည်သို့ အကျိုးပြုနိုင်မည်နည်း
• Agentic Solutions တစ်ခုကို ဒီဇိုင်းဆွဲရာတွင် အခြေခံအဆင့်များ

ဤသင်ခန်းစာကို ပြီးမြောက်ပြီးနောက်၊ သင်သည်-

• AI အေးဂျင့်၏ အယူအဆများကို နားလည်ပြီး အခြား AI ဖြေရှင်းချက်များနှင့် မည်သို့ ကွဲပြားသည်ကို သိရှိနိုင်မည်။
• AI အေးဂျင့်များကို အကျိုးရှိစွာ အသုံးချနိုင်မည်။
• အသုံးပြုသူများနှင့် ဖောက်သည်များအတွက် Agentic Solutions များကို ထိရောက်စွာ ဒီဇိုင်းဆွဲနိုင်မည်။

AI အေးဂျင့်များသည် စနစ်များဖြစ်ပြီး Large Language Models(LLMs) ကို တိုးချဲ့စွမ်းရည်များဖြင့် တက်ကြွလှုပ်ရှားမှုများ ပြုလုပ်စေခြင်းဖြင့် Tools နှင့် Knowledge ကို အသုံးပြုခွင့်ပေးခြင်းဖြင့် အလုပ်လုပ်စေသည်။

ဤအဓိပ္ပါယ်ကို အပိုင်းပိုင်းခွဲ၍ ရှင်းပြပါမည်-

• စနစ် - အေးဂျင့်များကို တစ်ခုတည်းသော အစိတ်အပိုင်းအဖြစ် မထင်ရဘဲ အစိတ်အပိုင်းများစနစ်တစ်ခုအဖြစ် တွေးဆလိုက်ရမည်။ AI အေးဂျင့်၏ အခြေခံအစိတ်အပိုင်းများမှာ-
  • ပတ်ဝန်းကျင် - AI အေးဂျင့်အလုပ်လုပ်နေသော သတ်မှတ်ထားသော နေရာ။ ဥပမာအားဖြင့် ခရီးသွားအေးဂျင့်တစ်ခုရှိပါက၊ အေးဂျင့်သည် အလုပ်လုပ်ရန် အသုံးပြုသော ခရီးသွားအော်ဒါစနစ်သည် ပတ်ဝန်းကျင်ဖြစ်နိုင်သည်။
  • အာရုံခံကိရိယာများ - ပတ်ဝန်းကျင်တွင် အချက်အလက်များရှိပြီး တုံ့ပြန်မှုများပေးသည်။ AI အေးဂျင့်များသည် ပတ်ဝန်းကျင်၏ လက်ရှိအခြေအနေအကြောင်း အချက်အလက်များကို စုဆောင်းပြီး အဓိပ္ပါယ်ဖွင့်ရန် အာရုံခံကိရိယာများကို အသုံးပြုသည်။
  • လှုပ်ရှားမှုများ - AI အေးဂျင့်သည် ပတ်ဝန်းကျင်၏ လက်ရှိအခြေအနေကို ရရှိပြီးနောက်၊ လက်ရှိအလုပ်အတွက် ပတ်ဝန်းကျင်ကို ပြောင်းလဲရန် လုပ်ဆောင်မှုကို သတ်မှတ်သည်။

Large Language Models - အေးဂျင့်၏ အယူအဆသည် LLM မတည်ရှိမီကတည်းက ရှိခဲ့သည်။ LLM များဖြင့် AI အေးဂျင့်များကို တည်ဆောက်ခြင်း၏ အားသာချက်မှာ လူ့ဘာသာစကားနှင့် အချက်အလက်များကို အဓိပ္ပါယ်ဖွင့်နိုင်စွမ်းဖြစ်သည်။

တက်ကြွလှုပ်ရှားမှုများ - AI အေးဂျင့်စနစ်များအပြင် LLM များသည် အသုံးပြုသူ၏ အဆိုပြုချက်အပေါ် အကြောင်းအရာများကို ဖန်တီးခြင်း သို့မဟုတ် အချက်အလက်များကို ပေးခြင်းဖြင့်သာ အလုပ်လုပ်နိုင်သည်။ AI အေးဂျင့်စနစ်များတွင် LLM များသည် အသုံးပြုသူ၏ တောင်းဆိုမှုကို အဓိပ္ပါယ်ဖွင့်ပြီး ပတ်ဝန်းကျင်တွင် ရရှိနိုင်သော Tools များကို အသုံးပြုခြင်းဖြင့် အလုပ်လုပ်နိုင်သည်။

Tools အသုံးပြုခွင့် - LLM သည် Tools များကို အသုံးပြုခွင့်ရှိသည်မှာ ၁) ၎င်း၏ လုပ်ဆောင်နေသော ပတ်ဝန်းကျင်နှင့် ၂) AI အေးဂျင့်၏ Developer မှ သတ်မှတ်ထားခြင်းဖြစ်သည်။

မှတ်ဉာဏ်နှင့် Knowledge - မှတ်ဉာဏ်သည် အသုံးပြုသူနှင့် အေးဂျင့်အကြား စကားဝိုင်း၏ အကျဉ်းချုပ်အနေနှင့် ရှိနိုင်သည်။ ရေရှည်တွင် AI အေးဂျင့်များသည် Knowledge ကို အခြားစနစ်များ၊ ဝန်ဆောင်မှုများ၊ Tools များနှင့် အခြားအေးဂျင့်များမှ ရယူနိုင်သည်။

AI အေးဂျင့်များ၏ အထွေထွေ အဓိပ္ပါယ်ကို နားလည်ပြီးနောက်၊ ခရီးသွားအေးဂျင့်ကို အသုံးပြု၍ အေးဂျင့်အမျိုးအစားများနှင့် ၎င်းတို့ကို မည်သို့ အသုံးချနိုင်မည်ကို ကြည့်ပါ။

အေးဂျင့်အမျိုးအစား	ဖော်ပြချက်	ဥပမာ
Simple Reflex Agents	သတ်မှတ်ထားသော စည်းကမ်းများအပေါ် အခြေခံ၍ ချက်ချင်း လုပ်ဆောင်မှုများ ပြုလုပ်သည်။	ခရီးသွားအေးဂျင့်သည် အီးမေးလ်၏ အကြောင်းအရာကို အဓိပ္ပါယ်ဖွင့်ပြီး ခရီးသွားတိုင်ကြားမှုများကို ဖောက်သည်ဝန်ဆောင်မှုသို့ ပို့သည်။
Model-Based Reflex Agents	ကမ္ဘာ့မော်ဒယ်နှင့် ၎င်း၏ ပြောင်းလဲမှုများအပေါ် အခြေခံ၍ လုပ်ဆောင်မှုများ ပြုလုပ်သည်။	ခရီးသွားအေးဂျင့်သည် သမိုင်းဝင်ဈေးနှုန်းအချက်အလက်များကို အသုံးပြု၍ ဈေးနှုန်းပြောင်းလဲမှုများကို ဦးစားပေးသည်။
Goal-Based Agents	ရည်မှန်းချက်များကို အဓိပ္ပါယ်ဖွင့်ပြီး ရောက်ရှိရန် လိုအပ်သော လုပ်ဆောင်မှုများကို သတ်မှတ်ခြင်းဖြင့် အထူးရည်မှန်းချက်များကို ရောက်ရှိရန် အစီအစဉ်များ ဖန်တီးသည်။	ခရီးသွားအေးဂျင့်သည် လက်ရှိနေရာမှ သွားရောက်လိုသောနေရာသို့ ခရီးသွားရန် လိုအပ်သော အစီအစဉ်များကို သတ်မှတ်ပြီး ခရီးစဉ်ကို အော်ဒါတင်သည်။
Utility-Based Agents	ရည်မှန်းချက်များကို ရောက်ရှိရန် အဆင်ပြေမှုနှင့် ကုန်ကျစရိတ်တို့ကို တိုင်းတာ၍ အကျိုးရှိစွာ ရွေးချယ်သည်။	ခရီးသွားအေးဂျင့်သည် ခရီးစဉ်အော်ဒါတင်ရာတွင် အဆင်ပြေမှုနှင့် ကုန်ကျစရိတ်တို့ကို တိုင်းတာ၍ အကျိုးရှိစွာ ရွေးချယ်သည်။
Learning Agents	တုံ့ပြန်မှုများကို အသုံးပြု၍ အချိန်ကြာလာသည်နှင့်အမျှ လုပ်ဆောင်မှုများကို ပြင်ဆင်ခြင်းဖြင့် တိုးတက်မှုရှိသည်။	ခရီးသွားအေးဂျင့်သည် ခရီးစဉ်ပြီးဆုံးပြီးနောက် သုံးစွဲသူမှ တုံ့ပြန်မှုများကို အသုံးပြု၍ အနာဂတ်အော်ဒါများကို ပြင်ဆင်ခြင်းဖြင့် တိုးတက်မှုရှိသည်။
Hierarchical Agents	အဆင့်မြင့်အေးဂျင့်များသည် အလုပ်များကို အဆင့်နိမ့်အေးဂျင့်များအတွက် အလုပ်ခွဲခြင်းဖြင့် အဆင့်တစ်ခုတည်းတွင် အေးဂျင့်များစနစ်တစ်ခုဖြစ်သည်။	ခရီးသွားအေးဂျင့်သည် ခရီးစဉ်ကို ပယ်ဖျက်ရာတွင် အလုပ်များကို အလုပ်ခွဲခြင်းဖြင့် (ဥပမာ- အော်ဒါတစ်ခုချင်းစီကို ပယ်ဖျက်ခြင်း) အဆင့်နိမ့်အေးဂျင့်များကို အလုပ်လုပ်စေပြီး အဆင့်မြင့်အေးဂျင့်သို့ အစီရင်ခံသည်။
Multi-Agent Systems (MAS)	အေးဂျင့်များသည် လွတ်လပ်စွာ အလုပ်လုပ်ပြီး ပူးပေါင်းမှု သို့မဟုတ် ယှဉ်ပြိုင်မှုဖြင့် အလုပ်များကို ပြီးမြောက်စေသည်။	ပူးပေါင်းမှု- အေးဂျင့်များစွာသည် ဟိုတယ်၊ လေယာဉ်နှင့် အပန်းဖြေဝန်ဆောင်မှုများကို အော်ဒါတင်သည်။ ယှဉ်ပြိုင်မှု- အေးဂျင့်များစွာသည် ဟိုတယ်အော်ဒါတင်ရက်စဉ်ကို စီမံခန့်ခွဲပြီး ဖောက်သည်များကို ဟိုတယ်တွင် အော်ဒါတင်ရန် ယှဉ်ပြိုင်သည်။

ယခင်အပိုင်းတွင် ခရီးသွားအေးဂျင့်ကို အသုံးပြု၍ ခရီးသွားအော်ဒါတင်မှုတွင် အေးဂျင့်အမျိုးအစားများကို မည်သို့ အသုံးချနိုင်သည်ကို ရှင်းပြခဲ့သည်။ ဤသင်ခန်းစာတစ်ခုလုံးတွင် ဤအက်ပလီကေးရှင်းကို ဆက်လက်အသုံးပြုမည်ဖြစ်သည်။

AI အေးဂျင့်များကို အသုံးပြုရန် အကောင်းဆုံးဖြစ်သော အသုံးပြုမှုအမျိုးအစားများကို ကြည့်ပါ-

• ပွင့်လင်းသော ပြဿနာများ - Workflow တစ်ခုတွင် အဆင့်များကို အမြဲတမ်း Hardcode မလုပ်နိုင်သောကြောင့် LLM ကို လိုအပ်သော အဆင့်များကို သတ်မှတ်ရန် ခွင့်ပြုခြင်း။
• အဆင့်များစွာသော လုပ်ငန်းစဉ်များ - AI အေးဂျင့်သည် Tools သို့မဟုတ် အချက်အလက်များကို တစ်ကြိမ်တည်း Retrieve လုပ်ခြင်းမဟုတ်ဘဲ အဆင့်များစွာတွင် အသုံးပြုရန် လိုအပ်သော အဆင့်မြင့်လုပ်ငန်းစဉ်များ။
• အချိန်ကြာလာသည်နှင့်အမျှ တိုးတက်မှုရှိခြင်း - ပတ်ဝန်းကျင် သို့မဟုတ် အသုံးပြုသူများမှ တုံ့ပြန်မှုများကို ရရှိခြင်းဖြင့် Utility ပိုမိုကောင်းမွန်စေရန် တိုးတက်မှုရှိသော အလုပ်များ။

AI အေးဂျင့်များကို အသုံးပြုခြင်းနှင့် ပိုမိုသက်သာစေသော အချက်များကို "Building Trustworthy AI Agents" သင်ခန်းစာတွင် ဆွေးနွေးပါမည်။

AI အေးဂျင့်စနစ်ကို ဒီဇိုင်းဆွဲရာတွင် ပထမဆုံးအဆင့်မှာ Tools, Actions, နှင့် Behaviors များကို သတ်မှတ်ခြင်းဖြစ်သည်။ ဤသင်ခန်းစာတွင် Azure AI Agent Service ကို အသုံးပြု၍ အေးဂျင့်များကို သတ်မှတ်ခြင်းအပေါ် အာရုံစိုက်ပါမည်။ ၎င်းသည် အောက်ပါ Features များကို ပေးသည်-

• Open Models များ (ဥပမာ- OpenAI, Mistral, Llama) ရွေးချယ်ခြင်း
• Tripadvisor ကဲ့သို့သော ပေးသွင်းသူများမှ Licensed Data အသုံးပြုခြင်း
• OpenAPI 3.0 Tools များကို စံပြအနေဖြင့် အသုံးပြုခြင်း

LLM များနှင့် ဆက်သွယ်မှုသည် Prompts ဖြင့် ဖြစ်သည်။ AI အေးဂျင့်များ၏ Semi-Autonomous လုပ်ဆောင်မှုအနေအထားကြောင့် ပတ်ဝန်းကျင်ပြောင်းလဲမှုအပြီး LLM ကို လက်စွဲပြန်လည် Prompt လုပ်ရန် မလိုအပ်နိုင်သည်။ Agentic Patterns များကို အသုံးပြု၍ LLM ကို အဆင့်များစွာတွင် Prompt လုပ်ခြင်းဖြင့် ပိုမို Scalable ဖြစ်စေသည်။

Agentic Frameworks များသည် Developer များကို Agentic Patterns များကို Code ဖြင့် အကောင်အထည်ဖော်ရန် ခွင့်ပြုသည်။ ဤ Frameworks များသည် Template, Plugins, Tools များကို ပေးပြီး AI အေးဂျင့်များ၏ ပိုမိုကောင်းမွန်သော Observability နှင့် Troubleshooting အတွက် အကျိုးကျေးဇူးများပေးသည်။

ဤသင်ခန်းစာတွင် AutoGen Framework နှင့် Semantic Kernel မှ Production-Ready Agent Framework ကို လေ့လာမည်။

Azure AI Foundry Discord သို့ ဝင်ရောက်ပြီး အခြား သင်ယူသူများနှင့် တွေ့ဆုံကာ Office Hours တွင် ပါဝင်ပြီး AI အေးဂျင့်များအကြောင်း မေးမြန်းနိုင်ပါသည်။

Course Setup

Exploring Agentic Frameworks

---

အကြောင်းကြားချက်:
ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု Co-op Translator ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါဝင်နိုင်သည်ကို သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူရင်းဘာသာစကားဖြင့် အာဏာတရားရှိသော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူက ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွတ်များ သို့မဟုတ် အနားယူမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။