(ऊपर की छवि पर क्लिक करके इस पाठ का वीडियो देखें)

“AI Agents for Beginners” पाठ्यक्रम में आपका स्वागत है! यह पाठ्यक्रम AI एजेंट्स बनाने के लिए मौलिक ज्ञान और अनुप्रयुक्त नमूने प्रदान करता है।

अन्य शिक्षार्थियों और AI एजेंट निर्माताओं से मिलने तथा इस पाठ्यक्रम के बारे में अपने प्रश्न पूछने के लिए Azure AI Discord समुदाय में शामिल हों।

इस पाठ्यक्रम की शुरुआत करने के लिए, हम यह बेहतर समझने से शुरू करते हैं कि AI एजेंट क्या हैं और हम उन्हें अपने बनाए गए अनुप्रयोगों और वर्कफ़्लोज़ में कैसे उपयोग कर सकते हैं।

इस पाठ में शामिल हैं:

• AI एजेंट क्या हैं और एजेंटों के विभिन्न प्रकार क्या हैं?
• कौन से उपयोग मामले AI एजेंट के लिए सबसे उपयुक्त हैं और वे हमारी कैसे मदद कर सकते हैं?
• एजेंटिक समाधान डिजाइन करते समय कुछ बुनियादी घटक क्या होते हैं?

इस पाठ को पूरा करने के बाद, आप निम्न कर पाएंगे:

• AI एजेंट अवधारणाओं को समझें और वे अन्य AI समाधानों से कैसे भिन्न हैं।
• AI एजेंट्स को सबसे कुशलतापूर्वक लागू करना।
• उपयोगकर्ताओं और ग्राहकों दोनों के लिए उत्पादक रूप से एजेंटिक समाधान डिज़ाइन करना।

AI एजेंट ऐसे सिस्टम हैं जो Large Language Models(LLMs) को उनके कार्यक्षेत्र का विस्तार करके, LLMs को उपकरणों तक पहुंच और ज्ञान प्रदान कर क्रियाएँ करने में सक्षम बनाते हैं।

आइए इस परिभाषा को छोटे भागों में विभाजित करें:

• सिस्टम - एजेंट्स को केवल एक घटक के रूप में नहीं बल्कि कई घटकों वाला एक सिस्टम मानना महत्वपूर्ण है। बुनियादी स्तर पर, एक AI एजेंट के घटक हैं:
  • Environment - वह परिभाषित स्थान जहाँ AI एजेंट कार्य कर रहा है। उदाहरण के लिए, यदि हमारे पास एक ट्रैवल बुकिंग AI एजेंट है, तो पर्यावरण वह ट्रैवल बुकिंग सिस्टम हो सकता है जिसका AI एजेंट कार्य पूर्ण करने के लिए उपयोग करता है।
  • Sensors - परिवेश में जानकारी होती है और वह प्रतिक्रिया प्रदान करता है। AI एजेंट वर्तमान पर्यावरण की स्थिति के बारे में इस जानकारी को इकट्ठा और व्याख्या करने के लिए सेंसर्स का उपयोग करते हैं। ट्रैवल बुकिंग एजेंट उदाहरण में, ट्रैवल बुकिंग सिस्टम होटल की उपलब्धता या उड़ान के दाम जैसी जानकारी प्रदान कर सकता है।
  • Actuators - एक बार जब AI एजेंट को पर्यावरण की वर्तमान स्थिति मिल जाती है, तो वर्तमान कार्य के लिए एजेंट यह निर्धारित करता है कि पर्यावरण को बदलने के लिए कौन सी क्रिया करनी है। ट्रैवल बुकिंग एजेंट के लिए, यह उपयोगकर्ता के लिए एक उपलब्ध कक्ष बुक करना हो सकता है।

Large Language Models - एजेंट्स की अवधारणा LLMs के बनने से पहले भी मौजूद थी। LLMs के साथ AI एजेंट बनाने का लाभ उनकी मानव भाषा और डेटा को व्याख्या करने की क्षमता है। यह क्षमता LLMs को पर्यावरणीय जानकारी को व्याख्यायित करने और पर्यावरण को बदलने की योजना परिभाषित करने में सक्षम बनाती है।

Perform Actions - AI एजेंट सिस्टम के बाहर, LLMs उन स्थितियों तक सीमित हैं जहाँ क्रिया उपयोगकर्ता के प्रॉम्प्ट के आधार पर सामग्री या जानकारी उत्पन्न करना होती है। AI एजेंट सिस्टम के भीतर, LLMs उपयोगकर्ता के अनुरोध की व्याख्या करके और अपने पर्यावरण में उपलब्ध उपकरणों का उपयोग करके कार्य पूर्ण कर सकते हैं।

Access To Tools - LLM को किन उपकरणों तक पहुँच है यह 1) जिस परिवेश में यह कार्य कर रहा है और 2) AI एजेंट के डेवलपर द्वारा निर्धारित होता है। हमारे ट्रैवल एजेंट उदाहरण के लिए, एजेंट के उपकरण बुकिंग सिस्टम में उपलब्ध ऑपरेशन्स द्वारा सीमित होते हैं, और/या डेवलपर एजेंट की उपकरण पहुँच को केवल उड़ानों तक सीमित कर सकता है।

Memory+Knowledge - स्मृति (Memory) उपयोगकर्ता और एजेंट के बीच बातचीत के संदर्भ में अल्पकालिक हो सकती है। दीर्घकालिक रूप से, पर्यावरण द्वारा प्रदान की गई जानकारी के बाहर, AI एजेंट अन्य सिस्टमों, सेवाओं, उपकरणों और यहाँ तक कि अन्य एजेंट्स से भी ज्ञान पुनः प्राप्त कर सकते हैं। ट्रैवल एजेंट उदाहरण में, यह ज्ञान ग्राहक डेटाबेस में स्थित उपयोगकर्ता की यात्रा प्राथमिकताओं की जानकारी हो सकती है।

अब जब हमारे पास AI एजेंट्स की सामान्य परिभाषा है, आइए कुछ विशिष्ट एजेंट प्रकारों और उन्हें ट्रैवल बुकिंग AI एजेंट पर कैसे लागू किया जा सकता है, देखें।

एजेंट प्रकार	विवरण	उदाहरण
सरल रिफ्लेक्स एजेंट	पूर्वनिर्धारित नियमों के आधार पर तात्कालिक क्रियाएँ करते हैं।	ट्रैवल एजेंट ईमेल के संदर्भ की व्याख्या करता है और यात्रा संबंधित शिकायतें कस्टमर सर्विस को अग्रेषित करता है।
मॉडल-आधारित रिफ्लेक्स एजेंट	दुनिया के एक मॉडल और उस मॉडल में परिवर्तनों के आधार पर क्रियाएँ करते हैं।	ट्रैवल एजेंट ऐतिहासिक मूल्य डेटा तक पहुंच के आधार पर महत्वपूर्ण मूल्य परिवर्तनों वाले मार्गों को प्राथमिकता देता है।
लक्ष्य-आधारित एजेंट	लक्ष्य की व्याख्या करके और उसे प्राप्त करने के लिए आवश्यक क्रियाएँ निर्धारित करके विशिष्ट लक्ष्यों को प्राप्त करने के लिए योजनाएँ बनाते हैं।	ट्रैवल एजेंट वर्तमान स्थान से गंतव्य तक की आवश्यक यात्रा व्यवस्था (कार, सार्वजनिक परिवहन, उड़ानें) निर्धारित करके यात्रा बुक करता है।
उपयोगिता-आधारित एजेंट	पसंदों पर विचार करते हैं और लक्ष्यों को प्राप्त करने के लिए समझौतों का संख्यात्मक रूप से मूल्यांकन करते हैं।	ट्रैवल एजेंट यात्रा बुक करते समय सुविधा बनाम लागत का वजन करके उपयोगिता को अधिकतम करता है।
लर्निंग एजेंट	प्रतिक्रिया का उत्तर देकर और तदनुसार क्रियाएँ समायोजित करके समय के साथ सुधार करते हैं।	ट्रैवल एजेंट पोस्ट-ट्रिप सर्वे से ग्राहक प्रतिक्रिया का उपयोग करके भविष्य की बुकिंग्स में समायोजन करके सुधार करता है।
हाइरार्किकल एजेंट	अनेक एजेंटों को एक स्तरित प्रणाली में दिखाते हैं, जहाँ उच्च-स्तरीय एजेंट कार्यों को उप-कार्यों में विभाजित करते हैं ताकि निचले-स्तरीय एजेंट उन्हें पूरा कर सकें।	ट्रैवल एजेंट किसी यात्रा को रद्द करने के लिए कार्य को उप-कार्य (उदाहरण के लिए, विशिष्ट बुकिंग्स रद्द करना) में विभाजित करता है और निचले-स्तरीय एजेंटों से उन्हें पूरा करवा कर उच्च-स्तरीय एजेंट को रिपोर्ट कराता है।
मल्टी-एजेंट सिस्टम (MAS)	एजेंट स्वतंत्र रूप से कार्य पूरा करते हैं, सहकारी या प्रतिस्पर्धी दोनों रूपों में।	सहयोगात्मक: कई एजेंट होटल, उड़ानें और मनोरंजन जैसी विशिष्ट यात्रा सेवाओं को बुक करते हैं। प्रतिस्पर्धी: कई एजेंट साझा होटल बुकिंग कैलेंडर का प्रबंधन करते हैं और ग्राहकों को होटल में बुक करने के लिए प्रतिस्पर्धा करते हैं।

पिछले अनुभाग में, हमने ट्रैवल एजेंट उपयोग‑मामला का उपयोग यह समझाने के लिए किया कि विभिन्न प्रकार के एजेंट ट्रैवल बुकिंग के विभिन्न परिदृश्यों में कैसे उपयोग किए जा सकते हैं। हम इस एप्लीकेशन का पूरा पाठ्यक्रम में उपयोग जारी रखेंगे।

आइए उन प्रकार के उपयोग मामलों को देखें जिनके लिए AI एजेंट सबसे उपयुक्त हैं:

• Open-Ended Problems - LLM को उस कार्य को पूरा करने के लिए आवश्यक कदम निर्धारित करने देना, क्योंकि इसे हमेशा वर्कफ़्लो में हार्डकोड नहीं किया जा सकता।
• Multi-Step Processes - ऐसे कार्य जिनमें एक स्तर की जटिलता आवश्यक है जहाँ AI एजेंट को टूल्स या जानकारी का उपयोग कई चरणों में करना पड़ता है न कि एक ही बार में प्राप्त करना।
• Improvement Over Time - ऐसे कार्य जहाँ एजेंट अपने वातावरण या उपयोगकर्ताओं से प्रतिक्रिया प्राप्त करके समय के साथ सुधार कर सकता है ताकि बेहतर उपयोगिता प्रदान कर सके।

हम AI एजेंट्स का उपयोग करने के और विचार Building Trustworthy AI Agents पाठ में कवर करते हैं।

AI एजेंट सिस्टम डिजाइन करने का पहला चरण उपकरणों, क्रियाओं और व्यवहारों को परिभाषित करना है। इस पाठ्यक्रम में, हम अपने एजेंट्स को परिभाषित करने के लिए Azure AI Agent Service का उपयोग करने पर ध्यान केंद्रित करते हैं। यह निम्न सुविधाएँ प्रदान करता है:

• OpenAI, Mistral, और Llama जैसे ओपन मॉडल का चयन
• Tripadvisor जैसे प्रदाताओं के माध्यम से लाइसेंस किए गए डेटा का उपयोग
• मानकीकृत OpenAPI 3.0 टूल्स का उपयोग

LLMs के साथ संचार प्रॉम्प्ट्स के माध्यम से होता है। AI एजेंट्स की अर्ध-स्वायत्त प्रकृति को देखते हुए, पर्यावरण में परिवर्तन के बाद LLM को मैन्युअली पुनः‑प्रॉम्प्ट करना हमेशा संभव या आवश्यक नहीं होता। हम Agentic Patterns का उपयोग करते हैं जो हमें अधिक स्केलेबल तरीके से कई चरणों में LLM को प्रॉम्प्ट करने की अनुमति देते हैं।

यह पाठ्यक्रम वर्तमान में लोकप्रिय कुछ एजेंटिक पैटर्न्स में विभाजित है।

Agentic फ्रेमवर्क डेवलपर्स को कोड के माध्यम से एजेंटिक पैटर्न्स लागू करने की अनुमति देते हैं। ये फ्रेमवर्क टेम्पलेट्स, प्लगइन्स और बेहतर AI एजेंट सहयोग के लिए उपकरण प्रदान करते हैं। ये लाभ AI एजेंट सिस्टम्स की बेहतर ऑब्ज़र्वेबिलिटी और ट्रबलशूटिंग की क्षमताएं देते हैं।

इस पाठ्यक्रम में, हम प्रोडक्शन-रेडी AI एजेंट बनाने के लिए Microsoft Agent Framework (MAF) का अन्वेषण करेंगे।

• Python: एजेंट फ्रेमवर्क
• .NET: एजेंट फ्रेमवर्क

अन्य शिक्षार्थियों से मिलने, ऑफिस ऑवर्स में भाग लेने और अपने AI एजेंट्स के प्रश्नों के उत्तर प्राप्त करने के लिए Microsoft Foundry डिस्कॉर्ड में शामिल हों।

कोर्स सेटअप

एजेंटिक फ्रेमवर्क्स का अन्वेषण

---

अस्वीकरण: यह दस्तावेज़ AI अनुवाद सेवा Co-op Translator का उपयोग करके अनुवादित किया गया है। जबकि हम सटीकता के लिए प्रयास करते हैं, कृपया ध्यान दें कि स्वचालित अनुवादों में त्रुटियाँ या अशुद्धियाँ हो सकती हैं। मूल भाषा में उपलब्ध दस्तावेज़ को अधिकृत स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए पेशेवर मानव अनुवाद की सलाह दी जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम उत्तरदायी नहीं हैं।