(Κάντε κλικ στην εικόνα παραπάνω για να δείτε το βίντεο αυτού του μαθήματος)
Καλωσήρθατε στο μάθημα "AI Agents for Beginners"! Αυτό το μάθημα παρέχει θεμελιώδεις γνώσεις και πρακτικά δείγματα για την κατασκευή Πρακτόρων AI.
Συμμετάσχετε στην Κοινότητα Discord του Azure AI για να γνωρίσετε άλλους μαθητές και Δημιουργούς Πρακτόρων AI και να κάνετε οποιεσδήποτε ερωτήσεις έχετε σχετικά με αυτό το μάθημα.
Για να ξεκινήσουμε αυτό το μάθημα, αρχίζουμε αποκτώντας καλύτερη κατανόηση του τι είναι οι Πράκτορες AI και πώς μπορούμε να τους χρησιμοποιήσουμε στις εφαρμογές και τις ροές εργασίας που δημιουργούμε.
Αυτό το μάθημα περιλαμβάνει:
- Τι είναι οι Πράκτορες AI και ποιοι είναι οι διαφορετικοί τύποι πρακτόρων;
- Ποιες περιπτώσεις χρήσης είναι οι καλύτερες για Πράκτορες AI και πώς μπορούν να μας βοηθήσουν;
- Ποια είναι μερικά από τα βασικά δομικά στοιχεία κατά το σχεδιασμό λύσεων με πράκτορες;
Μετά την ολοκλήρωση αυτού του μαθήματος, θα πρέπει να μπορείτε να:
- Κατανοείτε τις έννοιες των Πρακτόρων AI και πώς διαφέρουν από άλλες λύσεις AI.
- Εφαρμόζετε Πράκτορες AI με τον πιο αποτελεσματικό τρόπο.
- Σχεδιάζετε λύσεις με πράκτορες παραγωγικά για τόσο τους χρήστες όσο και τους πελάτες.
Οι Πράκτορες AI είναι συστήματα που επιτρέπουν στα Μεγάλα Γλωσσικά Μοντέλα(LLMs) να εκτελούν ενέργειες επεκτείνοντας τις δυνατότητές τους παρέχοντας στα LLMs πρόσβαση σε εργαλεία και γνώσεις.
Ας χωρίσουμε αυτόν τον ορισμό σε μικρότερα μέρη:
- Σύστημα - Είναι σημαντικό να σκεφτόμαστε τους πράκτορες όχι απλώς ως ένα μόνο στοιχείο αλλά ως ένα σύστημα πολλών συστατικών. Σε βασικό επίπεδο, τα συστατικά ενός Πράκτορα AI είναι:
- Περιβάλλον - Ο ορισμένος χώρος όπου λειτουργεί ο Πράκτορας AI. Για παράδειγμα, αν είχαμε έναν πράκτορα κρατήσεων ταξιδιού, το περιβάλλον θα μπορούσε να είναι το σύστημα κρατήσεων που ο Πράκτορας χρησιμοποιεί για να ολοκληρώσει εργασίες.
- Αισθητήρες - Τα περιβάλλοντα έχουν πληροφορίες και παρέχουν ανατροφοδότηση. Οι Πράκτορες AI χρησιμοποιούν αισθητήρες για να συλλέγουν και να ερμηνεύουν αυτές τις πληροφορίες σχετικά με την τρέχουσα κατάσταση του περιβάλλοντος. Στο παράδειγμα του Πράκτορα Κρατήσεων Ταξιδιού, το σύστημα κρατήσεων μπορεί να παρέχει πληροφορίες όπως η διαθεσιμότητα ξενοδοχείων ή οι τιμές πτήσεων.
- Ενεργοποιητές - Μόλις ο Πράκτορας AI λάβει την τρέχουσα κατάσταση του περιβάλλοντος, για την τρέχουσα εργασία ο πράκτορας καθορίζει ποια ενέργεια θα εκτελέσει για να αλλάξει το περιβάλλον. Για τον πράκτορα κρατήσεων ταξιδιού, μπορεί να είναι να κάνει κράτηση ενός διαθέσιμου δωματίου για τον χρήστη.
Μεγάλα Γλωσσικά Μοντέλα - Η έννοια των πρακτόρων υπήρχε πριν τη δημιουργία των LLMs. Το πλεονέκτημα της κατασκευής Πρακτόρων AI με LLMs είναι η ικανότητά τους να ερμηνεύουν την ανθρώπινη γλώσσα και τα δεδομένα. Αυτή η ικανότητα επιτρέπει στα LLMs να ερμηνεύουν πληροφορίες περιβάλλοντος και να ορίζουν ένα σχέδιο για να αλλάξουν το περιβάλλον.
Εκτέλεση Ενεργειών - Εκτός των συστημάτων Πρακτόρων AI, τα LLMs περιορίζονται σε καταστάσεις όπου η ενέργεια είναι η δημιουργία περιεχομένου ή πληροφοριών με βάση το αίτημα του χρήστη. Μέσα στα συστήματα Πρακτόρων AI, τα LLMs μπορούν να εκπληρώνουν εργασίες ερμηνεύοντας το αίτημα του χρήστη και χρησιμοποιώντας εργαλεία που είναι διαθέσιμα στο περιβάλλον τους.
Πρόσβαση σε Εργαλεία - Ποια εργαλεία έχει πρόσβαση το LLM ορίζεται από 1) το περιβάλλον στο οποίο λειτουργεί και 2) τον προγραμματιστή του Πράκτορα AI. Στο παράδειγμα του πράκτορα ταξιδιών, τα εργαλεία του πράκτορα περιορίζονται από τις λειτουργίες που είναι διαθέσιμες στο σύστημα κρατήσεων, και/ή ο προγραμματιστής μπορεί να περιορίσει την πρόσβαση του πράκτορα σε εργαλεία για πτήσεις.
Μνήμη+Γνώση - Η μνήμη μπορεί να είναι βραχυπρόθεσμη στο πλαίσιο της συζήτησης μεταξύ του χρήστη και του πράκτορα. Μακροπρόθεσμα, εκτός από τις πληροφορίες που παρέχει το περιβάλλον, οι Πράκτορες AI μπορούν επίσης να ανακτήσουν γνώση από άλλα συστήματα, υπηρεσίες, εργαλεία και ακόμη και άλλους πράκτορες. Στο παράδειγμα του πράκτορα ταξιδιών, αυτή η γνώση θα μπορούσε να είναι οι πληροφορίες για τις ταξιδιωτικές προτιμήσεις του χρήστη που βρίσκονται σε μια βάση δεδομένων πελατών.
Τώρα που έχουμε έναν γενικό ορισμό των Πρακτόρων AI, ας δούμε μερικούς συγκεκριμένους τύπους πρακτόρων και πώς θα εφαρμοστούν σε έναν πράκτορα κρατήσεων ταξιδιού.
| Τύπος Πράκτορα | Περιγραφή | Παράδειγμα |
|---|---|---|
| Απλοί Αντανακλαστικοί Πράκτορες | Εκτελούν άμεσες ενέργειες βάσει προδιαγεγραμμένων κανόνων. | Ο πράκτορας κρατήσεων ταξιδιού ερμηνεύει το περιεχόμενο του email και προωθεί παράπονα ταξιδιών στο τμήμα εξυπηρέτησης πελατών. |
| Αντανακλαστικοί Πράκτορες με Μοντέλο | Εκτελούν ενέργειες βάσει ενός μοντέλου του κόσμου και των αλλαγών σε αυτό το μοντέλο. | Ο πράκτορας κρατήσεων ταξιδιού δίνει προτεραιότητα σε δρομολόγια με σημαντικές αλλαγές τιμών βάσει της πρόσβασης σε ιστορικά δεδομένα τιμολόγησης. |
| Πράκτορες Βασισμένοι σε Στόχους | Δημιουργούν σχέδια για την επίτευξη συγκεκριμένων στόχων ερμηνεύοντας τον στόχο και καθορίζοντας ενέργειες για να τον πετύχουν. | Ο πράκτορας κρατήσεων ταξιδιού κλείνει ένα ταξίδι καθορίζοντας τις απαραίτητες ταξιδιωτικές ρυθμίσεις (αυτοκίνητο, δημόσια συγκοινωνία, πτήσεις) από την τρέχουσα τοποθεσία στον προορισμό. |
| Πράκτορες Βασισμένοι στην Ωφέλεια | Λαμβάνουν υπόψη προτιμήσεις και ζυγίζουν ανταλλαγές αριθμητικά για να καθορίσουν πώς να επιτύχουν τους στόχους. | Ο πράκτορας κρατήσεων ταξιδιού μεγιστοποιεί την ωφέλεια ζυγίζοντας την ευκολία έναντι του κόστους κατά την κράτηση ταξιδιού. |
| Πράκτορες που Μαθαίνουν | Βελτιώνονται με την πάροδο του χρόνου ανταποκρινόμενοι σε ανατροφοδότηση και προσαρμόζοντας ανάλογα τις ενέργειες. | Ο πράκτορας κρατήσεων ταξιδιού βελτιώνεται χρησιμοποιώντας ανατροφοδότηση πελατών από έρευνες μετά το ταξίδι για να κάνει προσαρμογές σε μελλοντικές κρατήσεις. |
| Ιεραρχικοί Πράκτορες | Χαρακτηρίζονται από πολλαπλούς πράκτορες σε ένα ιεραρχικό σύστημα, με ανώτερους πράκτορες να διασπούν εργασίες σε υποεργασίες ώστε οι κατώτεροι να τις ολοκληρώσουν. | Ο πράκτορας κρατήσεων ταξιδιού ακυρώνει ένα ταξίδι διαιρώντας την εργασία σε υποεργασίες (για παράδειγμα, ακύρωση συγκεκριμένων κρατήσεων) και έχοντας κατώτερους πράκτορες να τις ολοκληρώσουν, αναφέροντας πίσω στον ανώτερο πράκτορα. |
| Συστήματα Πολλαπλών Πρακτόρων (MAS) | Οι πράκτορες ολοκληρώνουν εργασίες ανεξάρτητα, είτε συνεργατικά είτε ανταγωνιστικά. | Συνεργατικά: Πολλοί πράκτορες κλείνουν συγκεκριμένες ταξιδιωτικές υπηρεσίες όπως ξενοδοχεία, πτήσεις και ψυχαγωγία. Ανταγωνιστικά: Πολλοί πράκτορες διαχειρίζονται και ανταγωνίζονται πάνω σε ένα κοινό ημερολόγιο κρατήσεων ξενοδοχείου για να κλείσουν πελάτες στο ξενοδοχείο. |
Στην προηγούμενη ενότητα, χρησιμοποιήσαμε την περίπτωση χρήσης του Πράκτορα Κρατήσεων Ταξιδιού για να εξηγήσουμε πώς οι διαφορετικοί τύποι πρακτόρων μπορούν να χρησιμοποιηθούν σε διαφορετικά σενάρια κρατήσεων ταξιδιού. Θα συνεχίσουμε να χρησιμοποιούμε αυτή την εφαρμογή σε όλο το μάθημα.
Ας δούμε τους τύπους περιπτώσεων χρήσης για τους οποίους οι Πράκτορες AI είναι καλύτεροι:
- Ανοικτά Προβλήματα - επιτρέποντας στο LLM να καθορίσει τα απαραίτητα βήματα για την ολοκλήρωση μιας εργασίας επειδή δεν μπορεί πάντα να κωδικοποιηθεί σκληρά σε μια ροή εργασίας.
- Διαδικασίες Πολλών Βημάτων - εργασίες που απαιτούν ένα επίπεδο πολυπλοκότητας στο οποίο ο Πράκτορας AI χρειάζεται να χρησιμοποιήσει εργαλεία ή πληροφορίες σε πολλαπλούς γύρους αντί για άμεση αναζήτηση μίας στιγμής.
- Βελτίωση με την Πάροδο του Χρόνου - εργασίες όπου ο πράκτορας μπορεί να βελτιωθεί με την πάροδο του χρόνου λαμβάνοντας ανατροφοδότηση είτε από το περιβάλλον του είτε από τους χρήστες, ώστε να παρέχει καλύτερη ωφέλεια.
Καλύπτουμε περισσότερες παραμέτρους σχετικά με τη χρήση Πρακτόρων AI στο μάθημα Building Trustworthy AI Agents.
Το πρώτο βήμα στον σχεδιασμό ενός συστήματος Πράκτορα AI είναι ο ορισμός των εργαλείων, των ενεργειών και των συμπεριφορών. Σε αυτό το μάθημα, επικεντρωνόμαστε στη χρήση της Azure AI Agent Service για τον ορισμό των Πρακτόρων μας. Προσφέρει δυνατότητες όπως:
- Επιλογή ανοιχτών μοντέλων όπως OpenAI, Mistral και Llama
- Χρήση αδειοδοτημένων δεδομένων μέσω παρόχων όπως Tripadvisor
- Χρήση τυποποιημένων εργαλείων OpenAPI 3.0
Η επικοινωνία με τα LLM γίνεται μέσω prompts. Δεδομένης της ημι-αυτόνομης φύσης των Πρακτόρων AI, δεν είναι πάντα δυνατό ή απαραίτητο να επαναπροτροπιάζουμε χειροκίνητα το LLM μετά από μια αλλαγή στο περιβάλλον. Χρησιμοποιούμε Πρότυπα λειτουργίας πρακτόρων που μας επιτρέπουν να προτροπιάζουμε το LLM σε πολλαπλά βήματα με πιο επεκτάσιμο τρόπο.
Αυτό το μάθημα χωρίζεται σε μερικά από τα τρέχοντα δημοφιλή πρότυπα λειτουργίας πρακτόρων.
Τα πλαίσια για πράκτορες επιτρέπουν στους προγραμματιστές να υλοποιούν πρότυπα πρακτόρων μέσω κώδικα. Αυτά τα πλαίσια προσφέρουν πρότυπα, πρόσθετα και εργαλεία για καλύτερη συνεργασία Πρακτόρων AI. Αυτά τα οφέλη παρέχουν δυνατότητες για καλύτερη παρατηρησιμότητα και αντιμετώπιση προβλημάτων των συστημάτων Πρακτόρων AI.
Σε αυτό το μάθημα, θα εξερευνήσουμε το Microsoft Agent Framework (MAF) για την κατασκευή πρακτόρων AI έτοιμων για παραγωγή.
- Python: Πλαίσιο Πρακτόρων
- .NET: Πλαίσιο Πρακτόρων
Συμμετάσχετε στο Discord του Microsoft Foundry για να συναντήσετε άλλους μαθητές, να παρακολουθήσετε ώρες γραφείου και να λάβετε απαντήσεις στις ερωτήσεις σας για Πράκτορες AI.
Εξερεύνηση Πλαισίων για Πράκτορες
Αποποίηση ευθυνών: Το παρόν έγγραφο έχει μεταφραστεί με χρήση υπηρεσίας μετάφρασης τεχνητής νοημοσύνης Co-op Translator. Παρότι καταβάλλουμε προσπάθειες για την ακρίβεια, παρακαλούμε λάβετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν σφάλματα ή ανακρίβειες. Το πρωτότυπο έγγραφο στην αρχική του γλώσσα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.
