(Clique na imagem acima para ver o vídeo desta lição)
Bem-vindo ao curso "Agentes de IA para Iniciantes"! Este curso oferece conhecimentos fundamentais e exemplos práticos para a construção de Agentes de IA.
Junte-se à Comunidade Discord Azure AI para conhecer outros aprendizes e Construtores de Agentes de IA e esclarecer quaisquer dúvidas que tenha sobre este curso.
Para começar este curso, iniciamos por compreender melhor o que são Agentes de IA e como podemos usá-los nas aplicações e fluxos de trabalho que construímos.
Esta lição abrange:
- O que são Agentes de IA e quais os diferentes tipos de agentes?
- Quais os casos de uso mais adequados para Agentes de IA e como podem ajudar-nos?
- Quais os blocos básicos na concepção de Soluções Agentes?
Após concluir esta lição, deverá ser capaz de:
- Compreender os conceitos dos Agentes de IA e como eles diferem de outras soluções de IA.
- Aplicar Agentes de IA de forma mais eficiente.
- Conceber soluções Agentes produtivamente para utilizadores e clientes.
Agentes de IA são sistemas que permitem a Modelos de Linguagem de Grande Escala (LLMs) executar ações ao ampliar as suas capacidades, dando aos LLMs acesso a ferramentas e conhecimento.
Vamos dividir esta definição em partes mais pequenas:
- Sistema – É importante pensar nos agentes não apenas como um componente único, mas como um sistema composto por muitos componentes. No nível básico, os componentes de um Agente de IA são:
- Ambiente – O espaço definido onde o Agente de IA opera. Por exemplo, se tivermos um agente de reserva de viagens, o ambiente pode ser o sistema de reservas de viagens que o agente usa para completar tarefas.
- Sensores – Os ambientes têm informação e fornecem feedback. Os Agentes de IA usam sensores para recolher e interpretar esta informação sobre o estado atual do ambiente. No exemplo do Agente de Reserva de Viagens, o sistema de reservas pode fornecer informações como disponibilidade de hotéis ou preços de voos.
- Atuadores – Depois do Agente de IA receber o estado atual do ambiente, para a tarefa atual o agente determina qual ação executar para alterar o ambiente. Para o agente de reserva de viagens, poderá ser reservar um quarto disponível para o utilizador.
Modelos de Linguagem de Grande Escala – O conceito de agentes existia antes da criação dos LLMs. A vantagem de construir Agentes de IA com os LLMs é a sua capacidade de interpretar a linguagem humana e dados. Esta capacidade permite aos LLMs interpretar informação ambiental e definir um plano para alterar o ambiente.
Executar Ações – Fora dos sistemas de Agentes de IA, os LLMs são limitados a situações onde a ação é gerar conteúdo ou informação com base na indicação do utilizador. Dentro dos sistemas de Agentes de IA, os LLMs podem realizar tarefas interpretando o pedido do utilizador e usando ferramentas disponíveis no seu ambiente.
Acesso a Ferramentas – As ferramentas às quais o LLM tem acesso são definidas por 1) o ambiente onde opera e 2) o desenvolvedor do Agente de IA. Para o nosso exemplo do agente de viagens, as ferramentas do agente são limitadas pelas operações disponíveis no sistema de reservas, e/ou o desenvolvedor pode limitar o acesso do agente a ferramentas apenas para voos.
Memória+Conhecimento – A memória pode ser de curto prazo no contexto da conversa entre o utilizador e o agente. A longo prazo, para além da informação fornecida pelo ambiente, os Agentes de IA podem também recuperar conhecimento de outros sistemas, serviços, ferramentas e até outros agentes. No exemplo do agente de viagens, este conhecimento pode ser o perfil das preferências de viagem do utilizador localizado numa base de dados de clientes.
Agora que temos uma definição geral de Agentes de IA, vejamos alguns tipos específicos de agentes e como seriam aplicados a um agente de reserva de viagens.
| Tipo de Agente | Descrição | Exemplo |
|---|---|---|
| Agentes Reflexos Simples | Executam ações imediatas com base em regras predefinidas. | O agente de viagens interpreta o contexto do email e encaminha reclamações sobre viagens para o serviço ao cliente. |
| Agentes Reflexos Baseados em Modelo | Executam ações com base num modelo do mundo e alterações a esse modelo. | O agente de viagens prioriza rotas com alterações significativas de preço com base em dados históricos de preços. |
| Agentes Baseados em Objetivos | Criam planos para alcançar objetivos específicos ao interpretar o objetivo e determinar ações para o atingir. | O agente de viagens reserva uma jornada determinando as necessidades de transporte (carro, transporte público, voos) desde a localização atual até ao destino. |
| Agentes Baseados em Utilidade | Consideram preferências e pesam trade-offs numericamente para determinar como atingir os objetivos. | O agente de viagens maximiza a utilidade ponderando conveniência vs. custo ao reservar a viagem. |
| Agentes Aprendizes | Melhoram ao longo do tempo respondendo a feedback e ajustando ações em conformidade. | O agente de viagens melhora ao usar o feedback dos clientes de inquéritos pós-viagem para ajustar futuras reservas. |
| Agentes Hierárquicos | Funcionam com múltiplos agentes num sistema em camadas, com agentes de nível superior a dividir tarefas em subtarefas para agentes de nível inferior completarem. | O agente de viagens cancela uma viagem ao dividir a tarefa em subtarefas (por exemplo, cancelar reservas específicas) e tendo agentes de nível inferior a completá-las, reportando ao agente de nível superior. |
| Sistemas Multi-Agente (MAS) | Agentes completam tarefas independentemente, cooperando ou competindo. | Cooperativo: Vários agentes reservam serviços de viagem específicos como hotéis, voos e entretenimento. Competitivo: Vários agentes gerem e competem por um calendário de reservas partilhado de um hotel para reservar clientes no hotel. |
Na seção anterior, usamos o caso de uso do Agente de Viagens para explicar como os diferentes tipos de agentes podem ser usados em diferentes cenários de reservas de viagens. Continuaremos a usar esta aplicação ao longo do curso.
Vamos analisar os tipos de casos de uso onde os Agentes de IA são mais indicados:
- Problemas Abertos – permitindo ao LLM determinar os passos necessários para concluir uma tarefa porque nem sempre pode ser codificado rigidamente num fluxo de trabalho.
- Processos em múltiplas etapas – tarefas que requerem um nível de complexidade onde o Agente de IA precisa usar ferramentas ou informação ao longo de múltiplas interações em vez de numa única recuperação.
- Melhoria ao Longo do Tempo – tarefas onde o agente pode melhorar ao longo do tempo recebendo feedback quer do ambiente quer dos utilizadores para proporcionar melhor utilidade.
Abordamos mais considerações sobre o uso de Agentes de IA na lição Construindo Agentes de IA Confiáveis.
O primeiro passo na conceção de um sistema de Agente de IA é definir as ferramentas, ações e comportamentos. Neste curso, focamo-nos no uso do Azure AI Agent Service para definir os nossos Agentes. Oferece funcionalidades como:
- Seleção de Modelos Abertos como OpenAI, Mistral, e Llama
- Uso de Dados Licenciados através de fornecedores como Tripadvisor
- Uso de ferramentas padronizadas OpenAPI 3.0
A comunicação com LLMs é feita através de prompts. Dada a natureza semi-autónoma dos Agentes de IA, nem sempre é possível ou necessário reemitir prompts ao LLM manualmente após uma alteração no ambiente. Utilizamos Padrões Agentes que nos permitem solicitar ao LLM ao longo de múltiplas etapas de forma mais escalável.
Este curso está dividido em alguns dos padrões agentes atuais e populares.
Frameworks agentes permitem aos desenvolvedores implementar padrões agentes por código. Estes frameworks oferecem templates, plugins e ferramentas para melhor colaboração entre Agentes de IA. Estes benefícios proporcionam capacidades para melhor observabilidade e resolução de problemas em sistemas de Agentes de IA.
Neste curso, exploraremos o Microsoft Agent Framework (MAF) para construir agentes de IA prontos para produção.
- Python: Agent Framework
- .NET: Agent Framework
Participe no Microsoft Foundry Discord para encontrar outros aprendizes, assistir a sessões de esclarecimento e obter respostas às suas questões sobre Agentes de IA.
Aviso Legal: Este documento foi traduzido utilizando o serviço de tradução automática Co-op Translator. Embora nos esforcemos para garantir a precisão, tenha em conta que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução humana profissional. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações erradas decorrentes do uso desta tradução.
