(לחצו על התמונה למעלה לצפייה בסרטון של השיעור)
ברוכים הבאים לקורס "סוכני AI למתחילים"! קורס זה מספק ידע בסיסי ודוגמאות מעשיות לבניית סוכני AI.
הצטרפו ל-קהילת Azure AI בדיסקורד לפגוש לומדים אחרים ובוני סוכני AI ולשאול כל שאלה שיש לכם על הקורס הזה.
כדי להתחיל קורס זה, נתחיל בהבנה טובה יותר של מה הם סוכני AI ואיך ניתן להשתמש בהם ביישומים ובזרמי עבודה שאנו בונים.
שיעור זה מכסה:
- מה הם סוכני AI ומהם סוגי הסוכנים השונים?
- באילו מקרי שימוש סוכני AI מתאימים ביותר ואיך הם יכולים לעזור לנו?
- מהם כמה מהבלוקים הבסיסיים בבניית פתרונות סוכניים?
לאחר שסיימתם את השיעור, אתם אמורים להיות מסוגלים:
- להבין את מושגי סוכני AI ואיך הם שונים מפתרונות AI אחרים.
- להשתמש בסוכני AI ביעילות המרבית.
- לעצב פתרונות סוכניים באופן פרודוקטיבי למשתמשים וללקוחות.
סוכני AI הם מערכות שמאפשרות למודלים לשוניים גדולים (LLMs) לבצע פעולות על ידי הרחבת היכולות שלהם על ידי מתן גישה של LLMs לכלים וידע.
נפרק את ההגדרה הזו לחלקים קטנים יותר:
- מערכת – חשוב לחשוב על סוכנים לא רק כמרכיב אחד אלא כמערכת של מרכיבים רבים. ברמה הבסיסית, מרכיבי סוכן AI הם:
- סביבה – המרחב המוגדר שבו פועל סוכן ה-AI. לדוגמה, אם היה לנו סוכן AI להזמנת טיולים, הסביבה יכולה להיות מערכת ההזמנות שבה משתמש הסוכן לבצע משימות.
- חיישנים – לסביבות יש מידע ומספקות משוב. סוכני AI משתמשים בחיישנים לאיסוף ופרשנות מידע על המצב הנוכחי של הסביבה. בדוגמת סוכן ההזמנות, מערכת ההזמנות יכולה לספק מידע כמו זמינות מלונות או מחירי טיסות.
- מפעילים – ברגע שסוכן ה-AI מקבל את המצב הנוכחי של הסביבה, עבור המשימה הנוכחית הסוכן קובע איזו פעולה לבצע כדי לשנות את הסביבה. בסוכן ההזמנות, זה יכול להיות להזמין חדר פנוי למשתמש.
מודלים לשוניים גדולים – הקונספט של סוכנים קדם ליצירת מודלי השפה הגדולים. היתרון בבניית סוכני AI עם LLMs הוא היכולת שלהם לפרש שפה אנושית ונתונים. יכולת זו מאפשרת ל-LLMs לפרש מידע סביבתי ולהגדיר תוכנית לשינוי הסביבה.
לבצע פעולות – מחוץ למערכות סוכני AI, LLMs מוגבלים למצבים שבהם הפעולה היא יצירת תוכן או מידע בהתבסס על הפרומפט של המשתמש. בתוך מערכות סוכני AI, LLMs יכולים להשיג משימות על ידי פירוש בקשת המשתמש ושימוש בכלים הזמינים בסביבתם.
גישה לכלים – אילו כלים ה-LLM יכול לגשת אליהם מוגדר על ידי 1) הסביבה שבה הוא פועל ו-2) מפתח סוכן ה-AI. בדוגמת סוכן ההזמנות שלנו, כלי הסוכן מוגבלים על ידי הפעולות הזמינות במערכת ההזמנות, ו/או המפתח יכול להגביל את גישת הכלים של הסוכן לטיסות.
זיכרון + ידע – הזיכרון יכול להיות לטווח קצר בהקשר של השיחה בין המשתמש לסוכן. לטווח ארוך, מעבר למידע המסופק על ידי הסביבה, סוכני AI יכולים גם לאחזר ידע ממערכות אחרות, שירותים, כלים ואפילו מסוכנים אחרים. בדוגמת סוכן ההזמנות, ידע זה יכול להיות המידע על העדפות הנסיעה של המשתמש הנמצא במאגר מידע של לקוחות.
כעת כשיש לנו הגדרה כללית של סוכני AI, נבחן כמה סוגים ספציפיים של סוכנים ואיך הם היו מיושמים על סוכן הזמנות טיולים.
| סוג סוכן | תיאור | דוגמה |
|---|---|---|
| סוכני רפלקס פשוטים | מבצעים פעולות מיידיות בהתבסס על חוקים מוגדרים מראש. | סוכן טיולים מפרש את ההקשר של המייל ומעביר תלונות על טיולים לשירות לקוחות. |
| סוכני רפלקס מבוססי מודל | מבצעים פעולות בהתבסס על מודל של העולם ושינויים במודל זה. | סוכן טיולים מעדיף מסלולים עם שינויים משמעותיים במחירים בהתבסס על גישה לנתוני מחירים היסטוריים. |
| סוכני מבוססי מטרה | יוצרים תוכניות להשגת מטרות ספציפיות על ידי פירוש המטרה וקביעת פעולות להשגתה. | סוכן טיולים מזמין נסיעה על ידי קביעת הסדרי נסיעה נדרשים (רכב, תחבורה ציבורית, טיסות) מהמיקום הנוכחי ליעד. |
| סוכני מבוססי תועלת | שוקלים העדפות ומשקללים הבנות מספריות כדי לקבוע כיצד להשיג מטרות. | סוכן טיולים ממקסם את התועלת על ידי שקלול נוחות מול עלות בעת הזמנת נסיעות. |
| סוכני למידה | משתפרים עם הזמן על ידי תגובה למשוב והתאמת פעולות בהתאם. | סוכן טיולים משתפר על ידי שימוש במשוב לקוחות מסקרים לאחר הנסיעה כדי לבצע התאמות להזמנות עתידיות. |
| סוכנים היררכיים | כוללים סוכנים מרובים במערכת מדורגת, כאשר סוכנים ברמה גבוהה מחלקים משימות למשימות משנה עבור סוכנים ברמה נמוכה להשלים. | סוכן טיולים מבטל נסיעה על ידי חלוקת המשימה למשימות משנה (למשל ביטול הזמנות ספציפיות) וסוכנים ברמה נמוכה משלימים אותן, ודיווח בחזרה לסוכן ברמה גבוהה. |
| מערכות סוכנים מרובים (MAS) | סוכנים משלימים משימות באופן עצמאי, באופן שיתופי או תחרותי. | שיתופי: סוכנים מרובים מזמינים שירותי נסיעה ספציפיים כגון מלונות, טיסות ובידור. תחרותי: סוכנים מרובים מנהלים ומתחרים על לוח הזמנות משותף של מלון כדי להזמין לקוחות. |
בחלק הקודם השתמשנו במקרי השימוש של סוכן הטיולים כדי להסביר איך ניתן להשתמש בסוגי הסוכנים השונים בתרחישים שונים של הזמנת נסיעות. נמשיך להשתמש ביישום זה לאורך הקורס.
נבחן את סוגי מקרי השימוש שבהם סוכני AI מתאימים ביותר:
- בעיות פתוחות – מאפשרים ל-LLM לקבוע את הצעדים הדרושים לביצוע משימה כי אי אפשר תמיד לקודד אותם מראש בזרם עבודה.
- תהליכים מרובי שלבים – משימות שדורשות רמת מורכבות שבה סוכן ה-AI צריך להשתמש בכלים או מידע לאורך מספר סבבים במקום כדוגמת שליפה בודדת.
- שיפור לאורך זמן – משימות שבהן הסוכן יכול להשתפר עם הזמן על ידי קבלת משוב מהסביבה או מהמשתמשים כדי לספק תועלת טובה יותר.
נכסה שיקולים נוספים של שימוש בסוכני AI בשיעור "בניית סוכני AI אמינים".
השלב הראשון בעיצוב מערכת סוכן AI הוא להגדיר את הכלים, הפעולות וההתנהגויות. בקורס זה, אנו מתמקדים בשימוש בשירות סוכן Azure AI להגדרת הסוכנים שלנו. הוא מציע תכונות כמו:
- בחירת מודלים פתוחים כגון OpenAI, Mistral, ו-Llama
- שימוש בנתונים מורשים דרך ספקים כמו Tripadvisor
- שימוש בכלים סטנדרטיים של OpenAPI 3.0
התקשורת עם LLMs נעשית דרך פרומפטים. בהתחשב בטבע החצי-אוטונומי של סוכני AI, לא תמיד אפשרי או נדרש לפרומפט מחדש את ה-LLM לאחר שינוי בסביבה. אנו משתמשים בתבניות סוכניות שמאפשרות לנו לפרומפט את ה-LLM לאורך מספר שלבים בצורה יותר масштабית.
הקורס מחולק לכמה מהתבניות הסוכניות הפופולריות כיום.
מסגרות סוכניות מאפשרות למפתחים ליישם תבניות סוכניות באמצעות קוד. מסגרות אלו מציעות תבניות, תוספים, וכלים לשיתוף פעולה טוב יותר בין סוכני AI. יתרונות אלו מספקים יכולות תצפית טובה יותר ופתרון בעיות במערכות סוכני AI.
בקורס זה נחקור את מסגרת הסוכן של מיקרוסופט (MAF) לבניית סוכני AI מוכנים לייצור.
- פייתון: מסגרת סוכנים
- .NET: מסגרת סוכנים
הצטרפו ל-Microsoft Foundry Discord לפגוש לומדים נוספים, להשתתף בשעות קבלה ולקבל מענה על שאלותיכם לגבי סוכני AI.
כתב ויתור: מסמך זה תורגם באמצעות שירות תרגום בינה מלאכותית Co-op Translator. למרות שאנו שואפים לדיוק, יש להיות מודעים לכך שתרגומים אוטומטיים עשויים להכיל שגיאות או אי-דיוקים. יש להחשיב את המסמך המקורי בשפתו המקורית כמקור הסמכות. עבור מידע קריטי מומלץ לשקול תרגום מקצועי על ידי אדם. אנו לא נושאים באחריות לכל אי-הבנות או פרשנויות שגויות הנובעות משימוש בתרגום זה.
