(Kliknij obrazek powyżej, aby obejrzeć wideo z tej lekcji)
Witamy w kursie "Agenci AI dla Początkujących"! Ten kurs dostarcza podstawowej wiedzy oraz praktycznych przykładów budowania Agentów AI.
Dołącz do Azure AI Foundry Discord, aby spotkać innych uczestników i twórców Agentów AI oraz zadawać pytania dotyczące tego kursu.
Aby rozpocząć kurs, najpierw lepiej zrozumiemy, czym są Agenci AI i jak możemy ich używać w aplikacjach i procesach, które tworzymy.
Ta lekcja obejmuje:
- Czym są Agenci AI i jakie są ich różne typy?
- Jakie przypadki użycia najlepiej nadają się dla Agentów AI i jak mogą nam pomóc?
- Jakie są podstawowe elementy projektowania rozwiązań agentowych?
Po ukończeniu tej lekcji będziesz w stanie:
- Zrozumieć koncepcje Agentów AI i jak różnią się od innych rozwiązań AI.
- Wykorzystywać Agenty AI w najbardziej efektywny sposób.
- Projektować rozwiązania agentowe produktywnie zarówno dla użytkowników, jak i klientów.
Agenci AI to systemy, które umożliwiają Modelom Językowym (LLM) wykonywanie działań poprzez rozszerzanie ich możliwości, dając im dostęp do narzędzi i wiedzy.
Rozbijmy tę definicję na mniejsze części:
- System - Ważne jest, aby myśleć o agentach nie jako o pojedynczym komponencie, ale jako o systemie składającym się z wielu elementów. Na podstawowym poziomie elementy Agenta AI to:
- Środowisko - Zdefiniowana przestrzeń, w której działa Agent AI. Na przykład, jeśli mamy agenta rezerwacji podróży, środowiskiem może być system rezerwacji podróży, z którego agent korzysta, aby wykonać zadania.
- Czujniki - Środowiska dostarczają informacji i zapewniają sprzężenie zwrotne. Agenci AI używają czujników do zbierania i interpretowania tych informacji o aktualnym stanie środowiska. W przykładzie agenta rezerwacji podróży system rezerwacji może dostarczać informacji, takich jak dostępność hoteli czy ceny lotów.
- Siłowniki - Po otrzymaniu informacji o aktualnym stanie środowiska, agent określa, jakie działanie podjąć, aby zmienić środowisko. W przypadku agenta rezerwacji podróży może to być zarezerwowanie dostępnego pokoju dla użytkownika.
Modele Językowe - Koncepcja agentów istniała przed powstaniem LLM. Przewagą budowania Agentów AI z LLM jest ich zdolność do interpretowania języka ludzkiego i danych. Ta zdolność pozwala LLM interpretować informacje środowiskowe i definiować plan zmiany środowiska.
Wykonywanie Działań - Poza systemami Agentów AI, LLM są ograniczone do sytuacji, w których działaniem jest generowanie treści lub informacji na podstawie zapytania użytkownika. W systemach Agentów AI LLM mogą realizować zadania, interpretując prośbę użytkownika i korzystając z narzędzi dostępnych w ich środowisku.
Dostęp do Narzędzi - Narzędzia, do których LLM ma dostęp, są definiowane przez 1) środowisko, w którym działa, oraz 2) programistę Agenta AI. W naszym przykładzie agenta podróży narzędzia agenta są ograniczone przez operacje dostępne w systemie rezerwacji, a programista może dodatkowo ograniczyć dostęp agenta do narzędzi, np. tylko do lotów.
Pamięć + Wiedza - Pamięć może być krótkoterminowa w kontekście rozmowy między użytkownikiem a agentem. Długoterminowo, poza informacjami dostarczanymi przez środowisko, Agenci AI mogą również pobierać wiedzę z innych systemów, usług, narzędzi, a nawet innych agentów. W przykładzie agenta podróży wiedza ta może obejmować informacje o preferencjach podróży użytkownika znajdujące się w bazie danych klientów.
Teraz, gdy mamy ogólną definicję Agentów AI, przyjrzyjmy się niektórym konkretnym typom agentów i ich zastosowaniom na przykładzie agenta rezerwacji podróży.
| Typ Agenta | Opis | Przykład |
|---|---|---|
| Proste Agenty Reaktywne | Wykonują natychmiastowe działania na podstawie zdefiniowanych reguł. | Agent podróży interpretuje kontekst e-maila i przekazuje skargi dotyczące podróży do działu obsługi klienta. |
| Agenty Reaktywne z Modelem | Wykonują działania na podstawie modelu świata i jego zmian. | Agent podróży priorytetyzuje trasy z istotnymi zmianami cen na podstawie dostępu do historycznych danych cenowych. |
| Agenty Celowe | Tworzą plany osiągnięcia określonych celów, interpretując cel i określając działania potrzebne do jego realizacji. | Agent podróży rezerwuje podróż, określając niezbędne środki transportu (samochód, transport publiczny, loty) z miejsca początkowego do celu podróży. |
| Agenty Użytecznościowe | Uwzględniają preferencje i oceniają kompromisy liczbowo, aby określić, jak osiągnąć cele. | Agent podróży maksymalizuje użyteczność, ważąc wygodę w stosunku do kosztów podczas rezerwacji podróży. |
| Agenty Uczące się | Ulepszają się z czasem, reagując na opinie i dostosowując swoje działania. | Agent podróży ulepsza się, korzystając z opinii klientów z ankiet po podróży, aby wprowadzać zmiany w przyszłych rezerwacjach. |
| Agenty Hierarchiczne | Składają się z wielu agentów w systemie warstwowym, gdzie agenci wyższego poziomu dzielą zadania na podzadania dla agentów niższego poziomu. | Agent podróży anuluje podróż, dzieląc zadanie na podzadania (np. anulowanie konkretnych rezerwacji) i zlecając ich wykonanie agentom niższego poziomu, którzy raportują wyniki agentowi wyższego poziomu. |
| Systemy Wieloagentowe (MAS) | Agenci wykonują zadania niezależnie, współpracując lub konkurując. | Współpraca: Wielu agentów rezerwuje konkretne usługi podróżnicze, takie jak hotele, loty i rozrywka. Konkurencja: Wielu agentów zarządza wspólnym kalendarzem rezerwacji hotelowych, konkurując o rezerwacje dla klientów. |
W poprzedniej sekcji użyliśmy przykładu agenta podróży, aby wyjaśnić, jak różne typy agentów mogą być używane w różnych scenariuszach rezerwacji podróży. Będziemy kontynuować korzystanie z tej aplikacji w całym kursie.
Przyjrzyjmy się typom przypadków użycia, w których Agenci AI sprawdzają się najlepiej:
- Problemy Otwarte - pozwalają LLM określić potrzebne kroki do wykonania zadania, ponieważ nie zawsze można je zakodować w przepływie pracy.
- Procesy Wieloetapowe - zadania wymagające pewnego poziomu złożoności, w których Agent AI musi korzystać z narzędzi lub informacji w wielu krokach, zamiast jednorazowego pobierania danych.
- Ulepszanie z Czasem - zadania, w których agent może się ulepszać, otrzymując opinie od środowiska lub użytkowników, aby zapewnić lepszą użyteczność.
Więcej rozważań na temat używania Agentów AI omówimy w lekcji Budowanie Wiarygodnych Agentów AI.
Pierwszym krokiem w projektowaniu systemu Agenta AI jest zdefiniowanie narzędzi, działań i zachowań. W tym kursie skupiamy się na korzystaniu z Azure AI Agent Service do definiowania naszych Agentów. Oferuje on funkcje takie jak:
- Wybór Otwartych Modeli, takich jak OpenAI, Mistral i Llama
- Wykorzystanie Licencjonowanych Danych od dostawców, takich jak Tripadvisor
- Korzystanie ze standaryzowanych narzędzi OpenAPI 3.0
Komunikacja z LLM odbywa się za pomocą promptów. Ze względu na półautonomiczny charakter Agentów AI, nie zawsze jest możliwe lub konieczne ręczne ponowne promptowanie LLM po zmianie w środowisku. Używamy Wzorców Agentowych, które pozwalają na promptowanie LLM w wielu krokach w bardziej skalowalny sposób.
Ten kurs jest podzielony na niektóre z obecnie popularnych wzorców agentowych.
Frameworki Agentowe pozwalają programistom implementować wzorce agentowe za pomocą kodu. Te frameworki oferują szablony, wtyczki i narzędzia do lepszej współpracy Agentów AI. Te korzyści zapewniają lepszą obserwowalność i rozwiązywanie problemów w systemach Agentów AI.
W tym kursie zbadamy framework badawczy AutoGen oraz gotowy do produkcji framework Agent z Semantic Kernel.
Dołącz do Azure AI Foundry Discord, aby spotkać się z innymi uczestnikami, wziąć udział w godzinach konsultacji i uzyskać odpowiedzi na pytania dotyczące Agentów AI.
Odkrywanie Frameworków Agentowych
Zastrzeżenie:
Ten dokument został przetłumaczony za pomocą usługi tłumaczeniowej AI Co-op Translator. Chociaż dokładamy wszelkich starań, aby zapewnić dokładność, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego rodzimym języku powinien być uznawany za wiarygodne źródło. W przypadku informacji krytycznych zaleca się skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z tego tłumaczenia.
