(Klikněte na obrázek výše pro zobrazení videa této lekce)
Vítejte v kurzu "AI Agents for Beginners"! Tento kurz poskytuje základní znalosti a praktické ukázky pro vytváření AI agentů.
Připojte se ke Komunitě Azure AI na Discordu, kde se můžete setkat s dalšími studenty a tvůrci AI agentů a zeptat se na jakékoli otázky týkající se tohoto kurzu.
Pro zahájení tohoto kurzu začneme tím, že lépe pochopíme, co jsou AI agenti a jak je můžeme využít v aplikacích a pracovních postupech, které vytváříme.
Tato lekce zahrnuje:
- Co jsou AI agenti a jaké jsou různé typy agentů?
- Pro které případy použití jsou AI agenti nejvhodnější a jak nám mohou pomoci?
- Jaké jsou některé základní stavební bloky při navrhování agentických řešení?
Po dokončení této lekce byste měli být schopni:
- Pochopit koncepty AI agentů a jak se liší od jiných AI řešení.
- Efektivně využívat AI agenty.
- Produktivně navrhovat agentická řešení pro uživatele i zákazníky.
AI agenti jsou systémy, které umožňují Velké jazykové modely(LLMs) provádět akce tím, že rozšiřují jejich schopnosti poskytnutím přístupu k nástrojům a znalostem.
Rozdělme tuto definici na menší části:
- Systém - Je důležité uvažovat o agentech nikoli jen jako o jedné součásti, ale jako o systému mnoha komponent. Na základní úrovni jsou komponenty AI agenta:
- Prostředí - Definovaný prostor, ve kterém AI agent operuje. Například u AI agenta pro rezervaci cest by prostředím mohl být rezervační systém, který agent používá k dokončení úkolů.
- Senzory - Prostředí má informace a poskytuje zpětnou vazbu. AI agenti používají senzory ke sběru a interpretaci těchto informací o aktuálním stavu prostředí. V příkladu cestovního agenta může rezervační systém poskytovat informace jako dostupnost hotelů nebo ceny letů.
- Aktuátory - Jakmile AI agent obdrží aktuální stav prostředí, pro aktuální úkol určí, kterou akci provést, aby změnil prostředí. U cestovního agenta to může být rezervace dostupného pokoje pro uživatele.
Velké jazykové modely - Koncept agentů existoval už před vytvořením LLM. Výhodou budování AI agentů s LLM je jejich schopnost interpretovat lidský jazyk a data. Tato schopnost umožňuje LLM interpretovat informace z prostředí a definovat plán, jak změnit prostředí.
Provádět akce - Mimo systémy AI agentů jsou LLM omezené na situace, kde je akcí generování obsahu nebo informací na základě uživatelova dotazu. V systémech AI agentů mohou LLM úkoly dokončit tím, že interpretují uživatelovu žádost a používají nástroje dostupné v jejich prostředí.
Přístup k nástrojům - Jaké nástroje má LLM k dispozici, je definováno 1) prostředím, ve kterém operuje, a 2) vývojářem AI agenta. V našem příkladu cestovního agenta jsou agentovy nástroje omezeny operacemi dostupnými v rezervačním systému a/nebo může vývojář omezit přístup agenta pouze na lety.
Paměť+Znalosti - Paměť může být krátkodobá v kontextu konverzace mezi uživatelem a agentem. Dlouhodobě, mimo informace poskytnuté prostředím, mohou AI agenti také získávat znalosti z jiných systémů, služeb, nástrojů a dokonce jiných agentů. V příkladu cestovního agenta by tyto znalosti mohly být informace o uživatelových cestovních preferencích uložené v databázi zákazníků.
Nyní, když máme obecnou definici AI agentů, podívejme se na některé konkrétní typy agentů a jak by byly uplatněny na AI agenta pro rezervaci cest.
| Agent Type | Description | Example |
|---|---|---|
| Simple Reflex Agents | Provedou okamžité akce na základě předdefinovaných pravidel. | Cestovní agent interpretuje kontext e-mailu a přeposílá stížnosti na cestování zákaznickému servisu. |
| Model-Based Reflex Agents | Provedou akce na základě modelu světa a změn v tomto modelu. | Cestovní agent upřednostní trasy s významnými změnami cen na základě přístupu k historickým cenovým údajům. |
| Goal-Based Agents | Vytvářejí plány k dosažení konkrétních cílů interpretací cíle a určením kroků k jeho dosažení. | Cestovní agent zarezervuje cestu tím, že určí potřebná cestovní uspořádání (auto, veřejná doprava, lety) z aktuální polohy do cíle. |
| Utility-Based Agents | Zohledňují preference a numericky vyvažují kompromisy pro rozhodnutí, jak dosáhnout cílů. | Cestovní agent maximalizuje užitek vážením pohodlí versus ceny při rezervaci cesty. |
| Learning Agents | Zlepšují se v čase reakcí na zpětnou vazbu a přizpůsobováním akcí. | Cestovní agent se zlepšuje pomocí zpětné vazby od zákazníků z dotazníků po cestě a provádí úpravy u budoucích rezervací. |
| Hierarchical Agents | Obsahují více agentů ve vícestupňovém systému, přičemž vyšší úrovně rozdělují úkoly na podúkoly pro nižší úrovně. | Cestovní agent zruší cestu rozdělením úkolu na podúkoly (například zrušení konkrétních rezervací) a nižší úrovně agentů je dokončí a ohlásí zpět vyššímu agentovi. |
| Multi-Agent Systems (MAS) | Agenti dokončují úkoly nezávisle, buď kooperativně, nebo soutěživě. | Kooperativní: Více agentů zarezervuje specifické cestovní služby, jako jsou hotely, lety a zábava. Soutěživé: Více agentů spravuje a soupeří o sdílený kalendář rezervací hotelu, aby zákazníky umístili do hotelu. |
V předchozí části jsme použili případ použití cestovního agenta, abychom vysvětlili, jak lze různé typy agentů využít v různých scénářích rezervací cest. Tento příklad budeme používat i v průběhu kurzu.
Podívejme se na typy případů použití, pro které jsou AI agenti nejvhodnější:
- Problémy s otevřeným koncem - umožnění LLM určit potřebné kroky k dokončení úkolu, protože to nelze vždy pevně zakódovat do pracovního postupu.
- Vícekrokové procesy - úkoly, které vyžadují úroveň složitosti, při níž agent potřebuje používat nástroje nebo informace přes více kol místo jednorázového získání.
- Zlepšení v čase - úkoly, kde se agent může zlepšovat v průběhu času přijímáním zpětné vazby buď ze svého prostředí, nebo od uživatelů, aby poskytl lepší užitek.
Další úvahy o používání AI agentů probíráme v lekci Budování důvěryhodných AI agentů.
Prvním krokem při navrhování systému AI agentů je definovat nástroje, akce a chování. V tomto kurzu se zaměřujeme na použití služby Azure AI Agent Service k definování našich agentů. Nabízí funkce jako:
- Výběr otevřených modelů, například OpenAI, Mistral a Llama
- Použití licencovaných dat prostřednictvím poskytovatelů jako Tripadvisor
- Použití standardizovaných nástrojů OpenAPI 3.0
Komunikace s LLM probíhá pomocí promptů. Vzhledem k poloautonomní povaze AI agentů není vždy možné nebo nutné ručně opětovně promptovat LLM po změně v prostředí. Používáme agentické vzory, které nám umožňují promptovat LLM přes více kroků škálovatelnějším způsobem.
Tento kurz je rozdělen do některých současných populárních agentických vzorů.
Agentické rámce umožňují vývojářům implementovat agentické vzory pomocí kódu. Tyto rámce nabízejí šablony, zásuvné moduly a nástroje pro lepší spolupráci agentů. Tyto výhody zvyšují možnost lepší pozorovatelnosti a odstraňování problémů systémů AI agentů.
V tomto kurzu prozkoumáme Microsoft Agent Framework (MAF) pro vytváření agentů připravených do produkce.
- Python: Rámec agentů
- .NET: Rámec agentů
Připojte se na Microsoft Foundry Discord, kde se můžete setkat s dalšími studenty, účastnit se konzultačních hodin a získat odpovědi na své otázky ohledně AI agentů.
Upozornění: Tento dokument byl přeložen pomocí služby překladu založené na umělé inteligenci Co-op Translator (https://github.com/Azure/co-op-translator). Ačkoliv usilujeme o přesnost, vezměte prosím na vědomí, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za závazný zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Za jakákoli nedorozumění nebo mylné výklady vyplývající z použití tohoto překladu neneseme odpovědnost.
