(ਉਪਰ ਦਿੱਤੀ ਚਿੱਤਰ 'ਤੇ ਕਲਿਕ ਕਰਕੇ ਇਸ ਪਾਠ ਦਾ ਵੀਡੀਓ ਵੇਖੋ)

ਸੁਆਗਤ ਹੈ "AI Agents for Beginners" کورس ਵਿੱਚ! ਇਹ ਕੋਰਸ AI ਏਜੰਟ ਬਣਾਉਣ ਲਈ ਮੂਲਭੂਤ ਗਿਆਨ ਅਤੇ ਅਮਲੀ ਉਦਾਹਰਣਾਂ ਮੁਹੱਈਆ ਕਰਦਾ ਹੈ।

ਦੂਜੇ ਸਿੱਖਣ ਵਾਲਿਆਂ ਅਤੇ AI ਏਜੰਟ ਬਿਲਡਰਾਂ ਨਾਲ ਮਿਲਣ ਅਤੇ ਇਸ ਕੋਰਸ ਬਾਰੇ ਕੋਈ ਵੀ ਸਵਾਲ ਪੁੱਛਣ ਲਈ Azure AI Discord ਕਮਿਊਨਿਟੀ ਨਾਲ ਜੁੜੋ।

ਇਸ ਕੋਰਸ ਦੀ ਸ਼ੁਰੂਆਤ ਕਰਨ ਲਈ, ਅਸੀਂ ਪਹਿਲਾਂ ਇਹ ਸਮਝਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਾਂਗੇ ਕਿ AI ਏਜੰਟ ਕੀ ਹਨ ਅਤੇ ਅਸੀਂ ਉਨ੍ਹਾਂ ਨੂੰ ਆਪਣੇ ਬਣਾਏ ਹੋਏ ਐਪ्लਿਕੇਸ਼ਨਾਂ ਅਤੇ ਵਰਕਫਲੋਜ਼ ਵਿੱਚ ਕਿਵੇਂ ਵਰਤ ਸਕਦੇ ਹਾਂ।

ਇਹ ਪਾਠ ਇਹਨਾਂ ਗੱਲਾਂ ਨੂੰ ਕਵਰ ਕਰਦਾ ਹੈ:

• AI ਏਜੰਟ ਕੀ ਹਨ ਅਤੇ ਏਜੰਟਾਂ ਦੇ ਵੱਖ-ਵੱਖ ਕਿਸਮ ਕੀ ਹਨ?
• ਕਿਹੜੇ ਉਪਯੋਗ ਕੇਸ AI ਏਜੰਟਾਂ ਲਈ ਸਭ ਤੋਂ ਉਚਿਤ ਹਨ ਅਤੇ ਓਹ ਸਾਡੀ ਮਦਦ ਕਿਵੇਂ ਕਰ ਸਕਦੇ ਹਨ?
• ਏਜੈਂਟਿਕ ਹੱਲਾਂ ਦੀ ਡਿਜ਼ਾਈਨਿੰਗ ਦੇ ਸਮੇਂ ਕੁਝ ਮੂਲ ਭਾਗ ਕੀ ਹਨ?

ਇਸ ਪਾਠ ਨੂੰ ਪੂਰਾ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਤੁਸੀਂ ਸਮਰੱਥ ਹੋਵੋਗੇ:

• AI ਏਜੰਟ ਸੰਕਲਪਾਂ ਨੂੰ ਸਮਝਣਾ ਅਤੇ ਇਹ ਕਿ ਉਹ ਹੋਰ AI ਹੱਲਾਂ ਤੋਂ ਕਿਵੇਂ ਵੱਖਰੇ ਹਨ।
• AI ਏਜੰਟਾਂ ਨੂੰ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ালী ਤਰੀਕੇ ਨਾਲ ਲਾਗੂ ਕਰਨਾ।
• ਉਪਭੋਗਤਾਵਾਂ ਅਤੇ ਗ੍ਰਾਹਕਾਂ ਲਈ ਉਤਪਾਦਕ ਤਰੀਕੇ ਨਾਲ ਏਜੈਂਟਿਕ ਹੱਲ ਡਿਜ਼ਾਈਨ ਕਰਨਾ।

AI ਏਜੰਟ ਉਹ ਸਿਸਟਮ ਹਨ ਜੋ Large Language Models(LLMs) ਨੂੰ ਉਨ੍ਹਾਂ ਦੀ ਸਮਰੱਥਾ ਵਧਾ ਕੇ ਕਾਰਵਾਈ ਕਰਨ ਯੋਗ ਬਣਾਉਂਦੇ ਹਨ, LLMs ਨੂੰ ਟੂਲਾਂ ਤੱਕ ਐਕਸੈਸ ਅਤੇ ਜਾਣਕਾਰੀ ਦੇ ਕੇ।

ਆਓ ਇਸ ਪਰਿਭਾਸ਼ਾ ਨੂੰ ਛੋਟੇ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡੀਏ:

• System - ਏਜੰਟਾਂ ਨੂੰ ਸਿਰਫ ਇੱਕ ਇਕਾਈ ਵਜੋਂ ਨਹੀਂ, ਸਗੋਂ ਕਈ ਹਿੱਸਿਆਂ ਵਾਲੀ ਪ੍ਰਣਾਲੀ ਵਜੋਂ ਸੋਚਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਮੂਲ ਪੱਧਰ 'ਤੇ, ਇੱਕ AI ਏਜੰਟ ਦੇ ਹਿੱਸੇ ਹਨ:
  • Environment - ਉਹ ਪਰਿਭਾਸ਼ਿਤ ਖੇਤਰ ਜਿੱਥੇ AI ਏਜੰਟ ਸਚਾਲਤ ਹੈ। ਉਦਾਹਰਨ ਵਜੋਂ, ਜੇ ਸਾਡੇ ਕੋਲ ਇੱਕ ਟ੍ਰੈਵਲ ਬੁਕਿੰਗ AI ਏਜੰਟ ਹੈ, ਤਾਂ ਵਾਤਾਵਰਣ ਟ੍ਰੈਵਲ ਬੁਕਿੰਗ ਸਿਸਟਮ ਹੋ ਸਕਦਾ ਹੈ ਜਿਸ ਨੂੰ ਏਜੰਟ ਆਪਣੇ ਕੰਮ ਪੂਰੇ ਕਰਨ ਲਈ ਵਰਤਦਾ ਹੈ।
  • Sensors - ਵਾਤਾਵਰਣ ਵਿੱਚ ਜਾਣਕਾਰੀ ਹੁੰਦੀ ਹੈ ਅਤੇ ਫੀਡਬੈਕ ਦਿੰਦੀ ਹੈ। AI ਏਜੰਟ ਸੈਂਸਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਾਤਾਵਰਣ ਦੀ ਵਰਤਮਾਨ ਸਥਿਤੀ ਬਾਰੇ ਜਾਣਕਾਰੀ ਇਕੱਠੀ ਅਤੇ ਵਿਵਖਿਆ ਕਰਦਾ ਹੈ। ਟ੍ਰੈਵਲ ਬੁਕਿੰਗ ਏਜੰਟ ਦੇ ਉਦਾਹਰਨ ਵਿੱਚ, ਟ੍ਰੈवਲ ਬੁਕਿੰਗ ਸਿਸਟਮ ਹੋਟਲ ਦੀ ਉਪਲਬਧਤਾ ਜਾਂ ਫਲਾਈਟਾਂ ਦੀਆਂ ਕੀਮਤਾਂ ਵਰਗੀਆਂ ਜਾਣਕਾਰੀਆਂ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ।
  • Actuators - ਜਦੋਂ AI ਏਜੰਟ ਵਾਤਾਵਰਣ ਦੀ ਵਰਤਮਾਨ ਸਥਿਤੀ ਪ੍ਰਾਪਤ ਕਰ ਲੈਂਦਾ ਹੈ, ਤਦ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਕਿ ਵਾਤਾਵਰਣ ਨੂੰ ਬਦਲਣ ਲਈ ਕਿਹੜੀ ਕਾਰਵਾਈ ਕਰਨੀ ਹੈ। ਟ੍ਰੈਵਲ ਬੁਕਿੰਗ ਏਜੰਟ ਦੇ ਲਈ, ਇਹ ਵਰਤੋਂਕਾਰ ਲਈ ਉਪਲਬਧ ਕਮਰਾ ਬੁੱਕ ਕਰਨਾ ਹੋ ਸਕਦਾ ਹੈ।

Large Language Models - ਏਜੰਟਾਂ ਦਾ ਸੰਕਲਪ LLMs ਬਣਨ ਤੋਂ ਪਹਿਲਾਂ ਵੀ ਮੌਜੂਦ ਸੀ। LLMs ਨਾਲ AI ਏਜੰਟ ਬਨਾਉਣ ਦਾ ਫਾਇਦਾ ਇਹ ਹੈ ਕਿ ਉਹ ਮਨੁੱਖੀ ਭਾਸ਼ਾ ਅਤੇ ਡਾਟਾ ਦੀ ਵਿਵਚਨਾ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਰੱਖਦੇ ਹਨ। ਇਹ ਸਮਰੱਥਾ LLMs ਨੂੰ ਵਾਤਾਵਰਣਕ ਜਾਣਕਾਰੀ ਦੀ ਵਿਵਚਨਾ ਕਰਨ ਅਤੇ ਵਾਤਾਵਰਣ ਬਦਲਣ ਲਈ ਯੋਜਨਾ ਤੈਯਾਰ ਕਰਨ ਯੋਗ ਬਣਾਉਂਦੀ ਹੈ।

Perform Actions - AI ਏਜੰਟ ਪ੍ਰਣਾਲੀਆਂ ਤੋਂ ਬਾਹਰ, LLMs ਸਿਰਫ ਉਸ ਹੱਦ ਤੱਕ ਸੀਮਿਤ ਹਨ ਜਿੱਥੇ ਕਾਰਵਾਈ ਇਕ ਉਪਭੋਗਤਾਕੀ ਪ੍ਰਾਂਪਟ ਦੇ ਆਧਾਰ 'ਤੇ ਸਮੱਗਰੀ ਜਾਂ ਜਾਣਕਾਰੀ ਦੀ ਸਿਰਜਣਾ ਕਰਨੀ ਹੁੰਦੀ ਹੈ। AI ਏਜੰਟ ਪ੍ਰਣਾਲੀਆਂ ਦੇ ਅੰਦਰ, LLMs ਉਪਭੋਗਤਾਕੀ ਬੇਨਤੀ ਦੀ ਵਿਵਚਨਾ ਕਰਕੇ ਅਤੇ ਆਪਣੇ ਵਾਤਾਵਰਣ ਵਿੱਚ ਉਪਲਬਧ ਟੂਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਾਰਜ ਪੂਰੇ ਕਰ ਸਕਦੇ ਹਨ।

Access To Tools - LLM ਨੂੰ ਕਿਹੜੇ ਟੂਲਾਂ ਤੱਕ ਐਕਸੈਸ ਹੈ, ਇਹ 1) ਉਸ ਵਾਤਾਵਰਣ ਦੁਆਰਾ ਜਿੱਥੇ ਇਹ ਕੰਮ ਕਰ ਰਿਹਾ ਹੈ ਅਤੇ 2) AI ਏਜੰਟ ਦੇ ਡਿਵੈਲਪਰ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਹੁੰਦਾ ਹੈ। ਸਾਡੇ ਟ੍ਰੈਵਲ ਏਜੰਟ ਉਦਾਹਰਨ ਵਿੱਚ, ਏਜੰਟ ਦੇ ਟੂਲ ਬੁਕਿੰਗ ਸਿਸਟਮ ਵਿੱਚ ਉਪਲਬਧ ਓਪਰੇਸ਼ਨਾਂ ਦੁਆਰਾ ਸੀਮਿਤ ਹੁੰਦੇ ਹਨ, ਅਤੇ/ਜਾਂ ਡਿਵੈਲਪਰ ਏਜੰਟ ਦੀ ਟੂਲ ਐਕਸੈਸ ਨੂੰ ਫਲਾਈਟਾਂ ਤੱਕ ਸੀਮਿਤ ਕਰ ਸਕਦਾ ਹੈ।

ਮੇਮੋਰੀ+ਗਿਆਨ - ਮੇਮੋਰੀ ਗੱਲਬਾਤ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਛੋਟੇ ਸਮੇਂ ਦੀ ਹੋ ਸਕਦੀ ਹੈ ਜੋ ਉਪਭੋਗਤਾ ਅਤੇ ਏਜੰਟ ਵਿਚਕਾਰ ਹੁੰਦੀ ਹੈ। ਲੰਬੇ ਸਮੇਂ ਲਈ, ਵਾਤਾਵਰਣ ਵੱਲੋਂ ਪ੍ਰਦਾਨ ਕੀਤੀ ਜਾਣਕਾਰੀ ਦੇ ਬਾਹਰ, AI ਏਜੰਟ ਹੋਰ ਸਿਸਟਮਾਂ, ਸਰਵਿਸਿਜ਼, ਟੂਲਾਂ, ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਹੋਰ ਏਜੰਟਾਂ ਤੋਂ ਵੀ ਗਿਆਨ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ। ਟ੍ਰੈਵਲ ਏਜੰਟ ਉਦਾਹਰਨ ਵਿੱਚ, ਇਹ ਗਿਆਨ ਗ੍ਰਾਹਕ ਡੇਟਾਬੇਸ ਵਿੱਚ ਮੌਜੂਦ ਉਪਭੋਗਤਾ ਦੀਆਂ ਯਾਤਰਾ ਪਸੰਦਾਂ ਦੀ ਜਾਣਕਾਰੀ ਹੋ ਸਕਦੀ ਹੈ।

ਹੁਣ ਜਦੋਂ ਸਾਡੇ ਕੋਲ AI ਏਜੰਟਾਂ ਦੀ ਇਕ ਆਮ ਪਰਿਭਾਸ਼ਾ ਹੈ, ਆਓ ਕੁਝ ਵਿਸ਼ੇਸ਼ ਏਜੰਟ ਕਿਸਮਾਂ ਨੂੰ ਦੇਖੀਏ ਅਤੇ ਉਹ ਟ੍ਰੈਵਲ ਬੁਕਿੰਗ AI ਏਜੰਟ ਵਿੱਚ ਕਿਵੇਂ ਲਾਗੂ ਹੋਣਗੇ:

ਏਜੰਟ ਦੀ ਕਿਸਮ	ਵਰਣਨ	ਉਦਾਹਰਨ
ਸਧਾਰਣ ਰਿਫਲੈਕਸ ਏਜੰਟ	ਪ੍ਰੀ-ਨਿਰਧਾਰਿਤ ਨਿਯਮਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਤਤਕਾਲ ਕਾਰਵਾਈ ਕਰਦੇ ਹਨ।	ਟ੍ਰੈਵਲ ਏਜੰਟ ਈਮੇਲ ਦੇ ਸੰਦਰਭ ਦੀ ਵਿਵਚਨਾ ਕਰਦਾ ਹੈ ਅਤੇ ਯਾਤਰਾ ਦੀਆਂ ਸ਼ਿਕਾਇਤਾਂ ਨੂੰ ਕਸਟਮਰ ਸਰਵਿਸ ਨੂੰ ਅੱਗੇ ਭੇਜਦਾ ਹੈ।
ਮਾਡਲ-ਆਧਾਰਤ ਰਿਫਲੈਕਸ ਏਜੰਟ	ਦੁਨੀਆ ਦੇ ਮਾਡਲ ਅਤੇ ਉਸ ਮਾਡਲ ਵਿੱਚ ਹੋਣ ਵਾਲੇ ਬਦਲਾਅ ਦੇ ਆਧਾਰ 'ਤੇ ਕਾਰਵਾਈਆਂ ਕਰਦੇ ਹਨ।	ਟ੍ਰੈਵਲ ਏਜੰਟ ਇਤਿਹਾਸਕ ਕੀਮਤਾਂ ਦੇ ਡਾਟਾ ਤੱਕ ਪਹੁੰਚ ਦੇ ਆਧਾਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਕੀਮਤ ਬਦਲਾਅ ਵਾਲੀਆਂ ਰੂਟਾਂ ਨੂੰ ਪ੍ਰਾਥਮਿਕਤਾ ਦਿੰਦਾ ਹੈ।
ਲਕਸ਼-ਆਧਾਰਤ ਏਜੰਟ	ਲਕਸ਼ ਦੀ ਵਿਵਚਨਾ ਕਰਕੇ ਅਤੇ ਉਸ ਤੱਕ ਪਹੁੰਚਣ ਲਈ ਕਾਰਵਾਈਆਂ ਨਿਰਧਾਰਤ ਕਰਕੇ ਨਿਰਧਾਰਤ ਲਕਸ਼ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਯੋਜਨਾਵਾਂ ਬਣਾਉਂਦੇ ਹਨ।	ਟ੍ਰੈਵਲ ਏਜੰਟ ਵਰਤਮਾਨ ਸਥਾਨ ਤੋਂ ਮਨਜ਼ਿਲ ਤੱਕ ਲੋੜੀਂਦੇ ਯਾਤਰਾ ਵਿਵਸਥਾਵਾਂ (ਕਾਰ, ਜਨਤਕ ਆਵਾਜਾਈ, ਉਡਾਣਾਂ) ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਕੇ ਇੱਕ ਯਾਤਰਾ ਬੁੱਕ ਕਰਦਾ ਹੈ।
ਯੂਟੀਲਿਟੀ-ਆਧਾਰਤ ਏਜੰਟ	ਤਰਜੀਹਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ ਅਤੇ ਟਰੇਡ-ਆਫ਼ ਨੂੰ ਗਿਣਤੀ ਅਨੁਸਾਰ ਤੋਲਕੇ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ ਕਿ ਲਕਸ਼ ਕਿਵੇਂ ਪ੍ਰਾਪਤ ਕਰਨੇ ਹਨ।	ਟ੍ਰੈਵਲ ਏਜੰਟ ਯਾਤਰਾ ਬੁੱਕ ਕਰਨ ਸਮੇਂ ਸੁਵਿਧਾ ਬਨਾਮ ਲਾਗਤ ਦੇ ਵਿਚਕਾਰ ਤੋਲ-ਮੋਲ ਕਰਕੇ ਯੂਟੀਲਿਟੀ ਨੂੰ ਵੱਧਤੋਂ ਵੱਧਤ ਕਰਦਾ ਹੈ।
ਸਿੱਖਣ ਵਾਲੇ ਏਜੰਟ	ਫੀਡਬੈਕ ਦੇ ਜਵਾਬ ਦੇ ਕੇ ਅਤੇ ਕਾਰਵਾਈਆਂ ਨੂੰ ਢਾਲ ਕੇ ਸਮੇਂ ਦੇ ਨਾਲ ਸੁਧਰਦੇ ਹਨ।	ਟ੍ਰੈਵਲ ਏਜੰਟ ਯਾਤਰਾ ਦੇ ਬਾਅਦ ਕੀਤੀਆਂ ਸਰਵੇਖਣਾਂ ਤੋਂ ਮਿਲਣ ਵਾਲੇ ਕਸਟਮਰ ਫੀਡਬੈਕ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਭਵਿੱਖ ਦੀਆਂ ਬੁਕਿੰਗਾਂ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦਾ ਹੈ।
ਹਾਇਰਾਰਕੀਕਲ ਏਜੰਟ	ਇੱਕ ਤਹ-ਤਹ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਕਈ ਏਜੰਟਾਂ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ, ਜਿਸ ਵਿੱਚ ਉੱਚ-ਸਤਰ ਦੇ ਏਜੰਟ ਕੰਮਾਂ ਨੂੰ ਉਪ-ਕੰਮਾਂ ਵਿੱਚ ਵੰਡਦੇ ਹਨ ਤਾਂ ਜੋ ਨੀਵਾਂ-ਸਤਰ ਦੇ ਏਜੰਟ ਉਹ ਮੁਕੰਮਲ ਕਰਨ।	ਟ੍ਰੈਵਲ ਏਜੰਟ ਇੱਕ ਯਾਤਰਾ ਨੂੰ ਰੱਦ ਕਰਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਕੰਮ ਨੂੰ ਉਪ-ਕੰਮਾਂ (ਉਦਾਹਰਨ ਵਜੋਂ, ਖਾਸ ਬੁਕਿੰਗਾਂ ਰੱਦ ਕਰਨਾ) ਵਿੱਚ ਵੰਡ ਕੇ ਨੀਵਾਂ-ਸਤਰ ਦੇ ਏਜੰਟਾਂ ਨੂੰ ਉਹ ਮੁਕੰਮਲ ਕਰਵਾਉਂਦਾ ਹੈ ਅਤੇ ਉੱਚ-ਸਤਰ ਦੇ ਏਜੰਟ ਨੂੰ ਰਿਪੋਰਟ ਕਰਦਾ ਹੈ।
ਮਲਟੀ-ਏਜੰਟ ਸਿਸਟਮ (MAS)	ਏਜੰਟ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਕੰਮ ਪੂਰੇ ਕਰਦੇ ਹਨ, ਜਾਂ ਤਾਂ ਸਹਿਯੋਗੀ ਤਰੀਕੇ ਨਾਲ ਜਾਂ ਮੁਕਾਬਲੇ ਵਾਲੇ ਤਰੀਕੇ ਨਾਲ।	ਸਹਿਯੋਗੀ: ਕਈ ਏਜੰਟ ਖਾਸ ਯਾਤਰਾ ਸੇਵਾਵਾਂ ਜਿਵੇਂ ਹੋਟਲ, ਉਡਾਣਾਂ, ਅਤੇ ਮਨੋਰੰਜਨ ਦੀਆਂ ਬੁਕਿੰਗਾਂ ਕਰਦੇ ਹਨ। ਮੁਕਾਬਲਤਮਕ: ਕਈ ਏਜੰਟ ਇੱਕ ਸਾਂਝੇ ਹੋਟਲ ਬੁਕਿੰਗ ਕੈਲੇੰਡਰ 'ਤੇ ਪ੍ਰਬੰਧ ਅਤੇ ਮੁਕਾਬਲਾ ਕਰਦੇ ਹਨ ਤਾਂ ਕਿ ਹੋਟਲ ਵਿੱਚ ਗ੍ਰਾਹਕਾਂ ਨੂੰ ਬੁੱਕ ਕੀਤਾ ਜਾ ਸਕੇ।

ਪਿਛਲੇ ਸੈਕਸ਼ਨ ਵਿੱਚ ਅਸੀਂ ਟ੍ਰੈਵਲ ਏਜੰਟ ਉਪਯੋਗ ਕੇਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵੱਖ-ਵੱਖ ਏਜੰਟ ਕਿਸਮਾਂ ਨੂੰ ਸਮਝਾਇਆ ਕਿ ਉਹ ਯਾਤਰਾ ਬੁਕਿੰਗ ਦੇ ਵੱਖ-ਵੱਖ ਦ੍ਰਿਸ਼ਾਂ ਵਿੱਚ ਕਿਵੇਂ ਵਰਤੇ ਜਾਂਦੇ ਹਨ। ਅਸੀਂ ਇਸ ਐਪਲਿਕੇਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕੋਰਸ ਭਰ ਕਰਦੇ ਹੋਏ ਜਾਰੀ ਰੱਖਾਂਗੇ।

ਆਓ ਵੇਖੀਏ ਕਿ ਕਿਹੜੇ ਉਪਯੋਗ ਮਾਮਲੇ AI ਏਜੰਟਾਂ ਲਈ ਸਭ ਤੋਂ ਉਚਿਤ ਹਨ:

• ਖੁੱਲ੍ਹੇ-ਅੰਤ ਸਮੱਸਿਆਵਾਂ - ਐਲਐਲਐਮ ਨੂੰ ਲੋੜੀਂਦੇ ਕਦਮ ਨਿਰਧਾਰਤ ਕਰਨ ਦੇਣ, ਕਿਉਂਕਿ ਇਹਨਾਂ ਨੂੰ ਹਮੇਸ਼ਾਂ ਵਰਕਫਲੋ ਵਿੱਚ ਹਾਰਡਕੋਡ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ।
• ਬਹੁ-ਕਦਮੀ ਪ੍ਰਕਿਰਿਆਵਾਂ - ਉਹ ਕੰਮ ਜੋ ਇੱਕ ਨਿਰਧਾਰਿਤ ਪੱਧਰ ਦੀ ਜਟਿਲਤਾ ਦੀ ਮੰਗ ਕਰਦੇ ਹਨ ਜਿਸ ਵਿੱਚ AI ਏਜੰਟ ਨੂੰ ਇਕ-ਇਕ ਵਾਰੀ ਦੀ ਬਦਲੋਂ ਕਈ ਵਾਰੀ ਟੂਲਾਂ ਜਾਂ ਜਾਣਕਾਰੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਲੋੜ ਹੋਵੇ।
• ਸਮੇਂ ਦੇ ਨਾਲ ਸੁਧਾਰ - ਐਸੇ ਕੰਮ ਜਿੱਥੇ ਏਜੰਟ ਆਪਣੇ ਵਾਤਾਵਰਣ ਜਾਂ ਉਪਭੋਗਤਾਂ ਤੋਂ ਮਿਲਣ ਵਾਲੇ ਫੀਡਬੈਕ ਦੇ ਜ਼ਰੀਏ ਸਮੇਂ ਦੇ ਨਾਲ ਸੁਧਾਰ ਕਰ ਸਕਦਾ ਹੈ ਤਾਂ ਕਿ ਵਧੀਆ ਯੂਟਿਲਿਟੀ ਮੁਹੱਈਆ ਕਰਵਾਈ ਜਾ ਸਕੇ।

ਅਸੀਂ AI ਏਜੰਟਾਂ ਦੀ ਵਰਤੋਂ ਦੇ ਹੋਰ ਵਿਚਾਰ "ਭਰੋਸੇਯੋਗ AI ਏਜੰਟਸ ਬਣਾਉਣ" ਪਾਠ ਵਿੱਚ ਕਵਰ ਕਰਦੇ ਹਾਂ।

AI ਏਜੰਟ ਪ੍ਰਣਾਲੀ ਡਿਜ਼ਾਈਨ ਕਰਨ ਦਾ ਪਹਿਲਾ ਕਦਮ ਟੂਲਾਂ, ਕਾਰਵਾਈਆਂ ਅਤੇ ਵਿਹਾਰਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨਾ ਹੈ। ਇਸ ਕੋਰਸ ਵਿੱਚ, ਅਸੀਂ ਆਪਣੇ ਏਜੰਟਸ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਲਈ Azure AI Agent Service ਦੀ ਵਰਤੋਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੇ ਹਾਂ। ਇਹ ਹੇਠ ਲਿਖੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦਿੰਦਾ ਹੈ:

• Open Models ਦੀ ਚੋਣ ਜਿਵੇਂ OpenAI, Mistral, ਅਤੇ Llama
• Tripadvisor ਵਰਗੇ ਪ੍ਰਦਾਤਾਵਾਂ ਰਾਹੀਂ ਲਾਇਸੰਸ ਕੀਤੇ ਡਾਟਾ ਦੀ ਵਰਤੋਂ
• ਮਿਆਰੀਕ੍ਰਿਤ OpenAPI 3.0 ਟੂਲਾਂ ਦੀ ਵਰਤੋਂ

LLMs ਨਾਲ ਸੰਚਾਰ ਪ੍ਰਾਂਪਟਾਂ ਰਾਹੀਂ ਹੁੰਦਾ ਹੈ। ਅਰਧ-ਸਵੈਚਾਲਿਤ ਸੁਭਾਉ ਵਾਲੇ AI ਏਜੰਟਾਂ ਦੇ ਸੰਦਰਭ ਵਿੱਚ, ਵਾਤਾਵਰਣ ਵਿੱਚ ਕੋਈ ਬਦਲਾਅ ਹੋਣ 'ਤੇ LLM ਨੂੰ ਹੱਥੋਂ-ਹੱਥ ਮੁੜ-ਪ੍ਰਾਂਪਟ ਕਰਨਾ ਹਮੇਸ਼ਾਂ ਸੰਭਵ ਜਾਂ ਲੋੜੀਦਾ ਨਹੀਂ ਹੁੰਦਾ। ਅਸੀਂ ਏਜੈਂਟਿਕ ਪੈਟਰਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ ਜੋ ਸਾਨੂੰ LLM ਨੂੰ ਵਧੇਰੇ ਸਕੇਲਯੋਗ ਤਰੀਕੇ ਨਾਲ ਕਈ ਕਦਮਾਂ ਵਿੱਚ ਪ੍ਰਾਂਪਟ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਹਨ।

ਇਹ ਕੋਰਸ ਮੌਜੂਦਾ ਲੋਕਪ੍ਰਿਯ ਏਜੈਂਟਿਕ ਪੈਟਰਨਾਂ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਹੈ।

ਏਜੈਂਟਿਕ ਫਰੇਮਵਰਕ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਕੋਡ ਰਾਹੀਂ ਏਜੈਂਟਿਕ ਪੈਟਰਨ ਲਾਗੂ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਹਨ। ਇਹ ਫਰੇਮਵਰਕ ਟੈmplੇਟ, ਪਲੱਗਇਨ, ਅਤੇ ਬਿਹਤਰ AI ਏਜੰਟ ਸਹਿਯੋਗ ਲਈ ਟੂਲ ਮੁਹੱਈਆ ਕਰਵਾਉਂਦੇ ਹਨ। ਇਹ ਲਾਭ ਸਭ ਤੋਂ ਵਧੀਆ ਓਬਜ਼ਰਵੇਬਿਲਿਟੀ ਅਤੇ AI ਏਜੰਟ ਸਿਸਟਮਾਂ ਦੀ ਤਰੱਕੀ-ਨੁਮਾ ਤਕਨੀਕੀ ਸਮੱਸਿਆ ਹੱਲ ਕਰਨ ਦੀ ਯੋਗਤਾ ਵੀ ਦਿੰਦੇ ਹਨ।

ਇਸ ਕੋਰਸ ਵਿੱਚ, ਅਸੀਂ ਪ੍ਰੋਡਕਸ਼ਨ-ਰੇਡੀ AI ਏਜੰਟ ਤਿਆਰ ਕਰਨ ਲਈ Microsoft Agent Framework (MAF) ਦੀ ਪੜਚੋਲ ਕਰਾਂਗੇ।

• Python: ਏਜੰਟ ਫਰੇਮਵਰਕ
• .NET: ਏਜੰਟ ਫਰੇਮਵਰਕ

ਦੂਜੇ ਸਿੱਖਣ ਵਾਲਿਆਂ ਨਾਲ ਮਿਲਣ, ਔਫਿਸ ਘੰਟਿਆਂ ਵਿੱਚ ਸ਼ਿਰਕਤ ਕਰਨ ਅਤੇ ਆਪਣੇ AI ਏਜੰਟਾਂ ਦੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ Microsoft Foundry Discord ਨਾਲ ਜੁੜੋ।

ਕੋਰਸ ਸੈਟਅਪ

ਏਜੈਂਟਿਕ ਫਰੇਮਵਰਕ ਦੀ ਪੜਚੋਲ

---

ਅਸਵੀਕਾਰਤਾ: ਇਸ ਦਸਤਾਵੇਜ਼ ਦਾ ਅਨੁਵਾਦ AI ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਹੈ। ਅਸੀਂ ਸਹੀ ਹੋਣ ਲਈ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਪਰ ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਰੱਖੋ ਕਿ ਆਟੋਮੈਟਿਕ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਣਠੀਕੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਪ੍ਰਮਾਣਿਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਿਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਕਾਰਨ ਹੋਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀਆਂ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆਵਾਂ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।