(위 이미지를 클릭하여 이 수업의 비디오를 시청하세요)
이 수업에서는 다음을 다룹니다
- 전체 목표를 명확히 정의하고 복잡한 작업을 관리 가능한 작업으로 분해하기.
- 더 신뢰할 수 있고 기계가 읽을 수 있는 응답을 위해 구조화된 출력을 활용하기.
- 동적 작업과 예기치 않은 입력을 처리하기 위한 이벤트 기반 접근 방식 적용하기.
이 수업을 완료하면 다음을 이해하게 됩니다:
- AI 에이전트의 전체 목표를 식별하고 설정하여 무엇을 달성해야 하는지 명확히 알도록 하기.
- 복잡한 작업을 관리 가능한 하위 작업으로 분해하고 이를 논리적 순서로 구성하기.
- 에이전트에게 적절한 도구(예: 검색 도구 또는 데이터 분석 도구)를 제공하고, 언제 어떻게 사용될지 결정하며 발생하는 예기치 않은 상황을 처리하기.
- 하위 작업의 결과를 평가하고 성능을 측정하며 최종 출력을 개선하기 위해 작업을 반복하기.
대부분의 실제 작업은 한 번에 해결하기에는 너무 복잡합니다. AI 에이전트는 계획과 행동을 안내할 간결한 목표가 필요합니다. 예를 들어, 다음과 같은 목표를 고려해 보세요:
"3일 여행 일정을 생성합니다."
간단하게 표현할 수 있지만 여전히 다듬어야 합니다. 목표가 명확할수록 에이전트(및 인간 협력자)가 항공편 옵션, 호텔 추천 및 활동 제안과 같은 포괄적인 일정을 만드는 올바른 결과에 집중하기가 더 쉽습니다.
큰 작업이나 복잡한 작업은 더 작고 목표 지향적인 하위 작업으로 나누면 관리하기 쉬워집니다. 여행 일정 예시의 경우, 목표를 다음과 같이 분해할 수 있습니다:
- 항공권 예약
- 호텔 예약
- 렌터카 예약
- 개인화
각 하위 작업은 전담 에이전트 또는 프로세스가 처리할 수 있습니다. 한 에이전트는 최적의 항공 요금을 검색하는 데 특화될 수 있고, 다른 에이전트는 호텔 예약에 집중하는 식입니다. 조정 역할을 하는 또는 "다운스트림" 에이전트가 이러한 결과를 하나의 일관된 일정으로 최종 사용자에게 통합할 수 있습니다.
이 모듈식 접근 방식은 점진적인 개선도 허용합니다. 예를 들어, 음식 추천이나 지역 활동 제안을 위한 전문 에이전트를 추가하고 시간이 지남에 따라 일정을 다듬을 수 있습니다.
대형 언어 모델(LLM)은 다운스트림 에이전트나 서비스가 파싱하고 처리하기 쉬운 구조화된 출력(예: JSON)을 생성할 수 있습니다. 이는 계획 출력이 수신된 후에 이러한 작업을 실행할 수 있는 다중 에이전트 환경에서 특히 유용합니다.
다음 Python 스니펫은 계획 에이전트가 목표를 하위 작업으로 분해하고 구조화된 계획을 생성하는 간단한 예를 보여줍니다:
from pydantic import BaseModel
from enum import Enum
from typing import List, Optional, Union
import json
import os
from typing import Optional
from pprint import pprint
from agent_framework.azure import AzureAIProjectAgentProvider
from azure.identity import AzureCliCredential
class AgentEnum(str, Enum):
FlightBooking = "flight_booking"
HotelBooking = "hotel_booking"
CarRental = "car_rental"
ActivitiesBooking = "activities_booking"
DestinationInfo = "destination_info"
DefaultAgent = "default_agent"
GroupChatManager = "group_chat_manager"
# 여행 하위 작업 모델
class TravelSubTask(BaseModel):
task_details: str
assigned_agent: AgentEnum # 작업을 에이전트에게 할당하려고 합니다
class TravelPlan(BaseModel):
main_task: str
subtasks: List[TravelSubTask]
is_greeting: bool
provider = AzureAIProjectAgentProvider(credential=AzureCliCredential())
# 사용자 메시지를 정의합니다
system_prompt = """You are a planner agent.
Your job is to decide which agents to run based on the user's request.
Provide your response in JSON format with the following structure:
{'main_task': 'Plan a family trip from Singapore to Melbourne.',
'subtasks': [{'assigned_agent': 'flight_booking',
'task_details': 'Book round-trip flights from Singapore to '
'Melbourne.'}
Below are the available agents specialised in different tasks:
- FlightBooking: For booking flights and providing flight information
- HotelBooking: For booking hotels and providing hotel information
- CarRental: For booking cars and providing car rental information
- ActivitiesBooking: For booking activities and providing activity information
- DestinationInfo: For providing information about destinations
- DefaultAgent: For handling general requests"""
user_message = "Create a travel plan for a family of 2 kids from Singapore to Melbourne"
response = client.create_response(input=user_message, instructions=system_prompt)
response_content = response.output_text
pprint(json.loads(response_content))
이 예에서 시맨틱 라우터 에이전트는 사용자 요청(예: "여행을 위한 호텔 계획이 필요합니다.")을 수신합니다.
플래너는 다음을 수행합니다:
- 호텔 계획 수신: 플래너는 사용자의 메시지를 받고 시스템 프롬프트(사용 가능한 에이전트 세부 정보 포함)를 기반으로 구조화된 여행 계획을 생성합니다.
- 에이전트 및 그 도구 나열: 에이전트 레지스트리는 항공, 호텔, 렌터카 및 활동 등과 같은 에이전트 목록과 그들이 제공하는 함수 또는 도구를 보유합니다.
- 계획을 해당 에이전트로 라우팅: 하위 작업 수에 따라 플래너는 메시지를 전담 에이전트에게 직접 전송(단일 작업 시나리오의 경우)하거나 다중 에이전트 협업을 위해 그룹 채팅 매니저를 통해 조정합니다.
- 결과 요약: 마지막으로 플래너는 생성된 계획을 명확하게 요약합니다. 다음 Python 코드 샘플은 이러한 단계를 설명합니다:
from pydantic import BaseModel
from enum import Enum
from typing import List, Optional, Union
class AgentEnum(str, Enum):
FlightBooking = "flight_booking"
HotelBooking = "hotel_booking"
CarRental = "car_rental"
ActivitiesBooking = "activities_booking"
DestinationInfo = "destination_info"
DefaultAgent = "default_agent"
GroupChatManager = "group_chat_manager"
# 여행 하위 작업 모델
class TravelSubTask(BaseModel):
task_details: str
assigned_agent: AgentEnum # 작업을 에이전트에게 할당하려고 합니다
class TravelPlan(BaseModel):
main_task: str
subtasks: List[TravelSubTask]
is_greeting: bool
import json
import os
from typing import Optional
from agent_framework.azure import AzureAIProjectAgentProvider
from azure.identity import AzureCliCredential
# 클라이언트를 생성합니다
provider = AzureAIProjectAgentProvider(credential=AzureCliCredential())
from pprint import pprint
# 사용자 메시지를 정의합니다
system_prompt = """You are a planner agent.
Your job is to decide which agents to run based on the user's request.
Below are the available agents specialized in different tasks:
- FlightBooking: For booking flights and providing flight information
- HotelBooking: For booking hotels and providing hotel information
- CarRental: For booking cars and providing car rental information
- ActivitiesBooking: For booking activities and providing activity information
- DestinationInfo: For providing information about destinations
- DefaultAgent: For handling general requests"""
user_message = "Create a travel plan for a family of 2 kids from Singapore to Melbourne"
response = client.create_response(input=user_message, instructions=system_prompt)
response_content = response.output_text
# 응답 내용을 JSON으로 로드한 후 출력합니다
pprint(json.loads(response_content))
다음은 이전 코드의 출력이며 이 구조화된 출력을 assigned_agent로 라우팅하고 여행 계획을 최종 사용자에게 요약하는 데 사용할 수 있습니다.
{
"is_greeting": "False",
"main_task": "Plan a family trip from Singapore to Melbourne.",
"subtasks": [
{
"assigned_agent": "flight_booking",
"task_details": "Book round-trip flights from Singapore to Melbourne."
},
{
"assigned_agent": "hotel_booking",
"task_details": "Find family-friendly hotels in Melbourne."
},
{
"assigned_agent": "car_rental",
"task_details": "Arrange a car rental suitable for a family of four in Melbourne."
},
{
"assigned_agent": "activities_booking",
"task_details": "List family-friendly activities in Melbourne."
},
{
"assigned_agent": "destination_info",
"task_details": "Provide information about Melbourne as a travel destination."
}
]
}
이전 코드 샘플이 포함된 예제 노트북은 여기에서 확인할 수 있습니다.
일부 작업은 한 작업의 결과가 다음 작업에 영향을 미치는 왕복 또는 재계획이 필요합니다. 예를 들어, 에이전트가 항공권 예약 중 예상치 못한 데이터 형식을 발견하면 호텔 예약으로 넘어가기 전에 전략을 조정해야 할 수 있습니다.
또한 사용자 피드백(예: 사용자가 더 이른 항공편을 선호한다고 결정하는 경우)은 부분적인 재계획을 촉발할 수 있습니다. 이러한 동적이고 반복적인 접근 방식은 최종 솔루션이 실제 제약 조건과 진화하는 사용자 선호도에 부합하도록 보장합니다.
예: 샘플 코드
from agent_framework.azure import AzureAIProjectAgentProvider
from azure.identity import AzureCliCredential
#.. 이전 코드와 동일하며 사용자 기록과 현재 계획을 전달합니다
system_prompt = """You are a planner agent to optimize the
Your job is to decide which agents to run based on the user's request.
Below are the available agents specialized in different tasks:
- FlightBooking: For booking flights and providing flight information
- HotelBooking: For booking hotels and providing hotel information
- CarRental: For booking cars and providing car rental information
- ActivitiesBooking: For booking activities and providing activity information
- DestinationInfo: For providing information about destinations
- DefaultAgent: For handling general requests"""
user_message = "Create a travel plan for a family of 2 kids from Singapore to Melbourne"
response = client.create_response(
input=user_message,
instructions=system_prompt,
context=f"Previous travel plan - {TravelPlan}",
)
# .. 다시 계획을 세우고 각 에이전트에 작업을 보냅니다
더 포괄적인 계획에 대해서는 복잡한 작업을 해결하기 위한 Magnetic One 블로그 게시물을 확인하세요.
이 문서에서는 정의된 사용 가능한 에이전트를 동적으로 선택할 수 있는 플래너를 만드는 방법의 예를 살펴보았습니다. 플래너의 출력은 작업을 분해하고 에이전트에 할당하여 실행할 수 있도록 합니다. 에이전트가 작업 수행에 필요한 함수/도구에 접근할 수 있다고 가정합니다. 에이전트 외에도 리플렉션, 요약기 및 라운드 로빈 채팅과 같은 다른 패턴을 포함하여 추가로 사용자화할 수 있습니다.
Magentic One - 복잡한 작업을 해결하기 위한 제너럴리스트 다중 에이전트 시스템으로 여러 도전적인 에이전트 벤치마크에서 인상적인 결과를 달성했습니다. 참조: Magentic One. 이 구현에서 오케스트레이터는 작업별 계획을 생성하고 이러한 작업을 사용 가능한 에이전트에게 위임합니다. 또한 오케스트레이터는 작업 진행을 모니터링하고 필요에 따라 재계획하는 추적 메커니즘을 사용합니다.
다른 학습자들과 교류하고 오피스 아워에 참석하며 AI 에이전트 관련 질문에 답을 얻으려면 Microsoft Foundry Discord에 참여하세요.
면책 사항: 이 문서는 AI 번역 서비스 Co-op Translator를 사용하여 번역되었습니다. 정확성을 위해 노력하고 있으나 자동 번역에는 오류나 부정확성이 있을 수 있음을 유의해 주십시오. 원문(원어) 문서를 권위 있는 출처로 간주하시기 바랍니다. 중요한 정보의 경우 전문 번역가의 번역을 권장합니다. 이 번역의 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 당사는 책임을 지지 않습니다.
