(Нажмите на изображение выше, чтобы посмотреть видео этого урока)
Добро пожаловать на курс «AI-агенты для начинающих»! Этот курс предоставляет базовые знания и практические примеры для создания AI-агентов.
Присоединяйтесь к сообществу Azure AI в Discord, чтобы познакомиться с другими учащимися и создателями AI-агентов и задать любые вопросы по этому курсу.
Для начала курса мы начнем с более глубокого понимания того, что такое AI-агенты и как мы можем использовать их в приложениях и рабочих процессах, которые создаем.
Этот урок охватывает:
- Что такое AI-агенты и какие существуют типы агентов?
- Для каких случаев лучше всего подходят AI-агенты и как они могут нам помочь?
- Какие базовые строительные блоки существуют при проектировании агентных решений?
После прохождения этого урока вы должны уметь:
- Понимать концепции AI-агентов и как они отличаются от других AI-решений.
- Эффективно применять AI-агентов.
- Продуктивно проектировать агентные решения как для пользователей, так и для клиентов.
AI-агенты — это системы, которые позволяют большим языковым моделям (LLM) выполнять действия, расширяя их возможности путем предоставления LLM доступа к инструментам и знаниям.
Давайте разберем это определение на части:
- Система — важно рассматривать агентов не как отдельный компонент, а как систему из множества компонентов. На базовом уровне компоненты AI-агента:
- Окружение — определенное пространство, в котором работает AI-агент. Например, если у нас есть AI-агент для бронирования путешествий, окружением может быть система бронирования путешествий, которую агент использует для выполнения задач.
- Датчики — окружение содержит информацию и предоставляет обратную связь. AI-агенты используют датчики для сбора и интерпретации этой информации о текущем состоянии окружения. В примере с агентом бронирования путешествий система бронирования может предоставлять информацию о доступности отелей или ценах на авиабилеты.
- Исполнители — после получения AI-агентом текущего состояния окружения для выполнения задачи агент определяет, какое действие нужно выполнить, чтобы изменить окружение. Для агента бронирования поездок это может быть бронирование доступного номера для пользователя.
Большие языковые модели — концепция агентов существовала до появления LLM. Преимущество создания AI-агентов с LLM заключается в их способности интерпретировать человеческий язык и данные. Эта способность позволяет LLM интерпретировать информацию из окружения и разрабатывать план по изменению окружения.
Выполнение действий — вне систем AI-агентов LLM ограничены ситуациями, где действие сводится к генерации контента или информации на основе запроса пользователя. В AI-агентных системах LLM способны выполнять задачи, интерпретируя запрос пользователя и используя доступные в их окружении инструменты.
Доступ к инструментам — инструменты, к которым LLM имеет доступ, определяются 1) окружением, в котором он работает, и 2) разработчиком AI-агента. В нашем примере с туристическим агентом инструменты агента ограничены операциями, доступными в системе бронирования, и/или разработчик может ограничить доступ агента к бронированию авиабилетов.
Память+Знания — память может быть кратковременной в контексте разговора между пользователем и агентом. В долгосрочной перспективе, помимо информации, предоставляемой окружением, AI-агенты также могут получать знания из других систем, сервисов, инструментов и даже других агентов. В примере с туристическим агентом такими знаниями могут быть данные о предпочтениях пользователя, хранящиеся в базе данных клиентов.
Теперь, когда у нас есть общее определение AI-агентов, рассмотрим некоторые конкретные типы агентов и их применение на примере AI-агента для бронирования путешествий.
| Тип агента | Описание | Пример |
|---|---|---|
| Простые рефлексные агенты | Выполняют немедленные действия на основе заранее определенных правил. | Туристический агент интерпретирует контекст письма и перенаправляет жалобы по путешествиям в отдел обслуживания клиентов. |
| Рефлексные агенты на основе модели | Выполняют действия на основе модели мира и изменений в этой модели. | Туристический агент приоритизирует маршруты с заметными изменениями цен, опираясь на доступ к историческим данным о ценах. |
| Целевые агенты | Строят планы для достижения конкретных целей, интерпретируя цель и определяя действия для ее достижения. | Туристический агент бронирует поездку, определяя необходимые транспортные средства (авто, общественный транспорт, рейсы) от текущего местоположения до пункта назначения. |
| Агенты на основе утилитарности | Учитывают предпочтения и численно оценивают компромиссы для определения способа достижения целей. | Туристический агент максимизирует полезность, взвешивая удобство и стоимость при бронировании путешествия. |
| Обучающиеся агенты | Улучшаются с течением времени, реагируя на обратную связь и соответствующим образом корректируя действия. | Туристический агент улучшает работу, используя отзывы клиентов из опросов после поездки для корректировки будущих бронирований. |
| Иерархические агенты | Состоят из нескольких агентов в многоуровневой системе, при этом агенты верхнего уровня разбивают задачи на подзадачи для агентов нижнего уровня. | Туристический агент отменяет поездку, разбивая задачу на подзадачи (например, отмена конкретных бронирований) и поручая выполнение нижестоящим агентам с последующим отчетом высшему уровню. |
| Мультиагентные системы (MAS) | Агенты выполняют задачи независимо, как сотрудничают, так и конкурируют друг с другом. | Сотрудничающие: несколько агентов бронируют конкретные услуги, такие как отели, рейсы и развлечения. Конкурирующие: несколько агентов управляют и конкурируют за общий календарь бронирования отеля, чтобы разместить клиентов в отеле. |
В предыдущем разделе мы использовали пример туристического агента, чтобы показать, как разные типы агентов могут применяться в различных сценариях бронирования путешествий. В дальнейшем мы продолжим использовать это приложение в курсе.
Рассмотрим типы задач, для которых AI-агенты подходят лучше всего:
- Задачи с открытым результатом — позволяющие LLM определять необходимые шаги для выполнения задачи, поскольку они не всегда могут быть жестко запрограммированы в рабочем процессе.
- Многоступенчатые процессы — задачи, требующие такого уровня сложности, при котором AI-агенту необходимо использовать инструменты или информацию за несколько шагов, а не выполнять однократный запрос.
- Улучшение с течением времени — задачи, где агент может совершенствоваться, получая обратную связь из окружения или от пользователей для обеспечения большей полезности.
Больше соображений по использованию AI-агентов рассматривается в уроке «Построение надежных AI-агентов».
Первый шаг в проектировании системы AI-агента — определить инструменты, действия и поведение. В этом курсе мы сосредоточены на использовании Azure AI Agent Service для определения наших агентов. Он предлагает такие возможности, как:
- Выбор открытых моделей, таких как OpenAI, Mistral и Llama
- Использование лицензированных данных через провайдеров, например Tripadvisor
- Использование стандартизированных инструментов OpenAPI 3.0
Взаимодействие с LLM осуществляется через подсказки. Учитывая полуавтономную природу AI-агентов, не всегда возможно или необходимо вручную повторно отправлять подсказки LLM после изменения окружения. Мы используем агентные шаблоны, которые позволяют задавать подсказки LLM в несколько этапов более масштабируемым способом.
Курс разделен по некоторым из популярных на данный момент агентных шаблонов.
Агентные фреймворки позволяют разработчикам реализовывать агентные шаблоны через код. Эти фреймворки предлагают шаблоны, плагины и инструменты для улучшения сотрудничества AI-агентов. Эти преимущества обеспечивают улучшенную наблюдаемость и устранение неполадок в системах AI-агентов.
В этом курсе мы исследуем Microsoft Agent Framework (MAF) для создания агентов, готовых к промышленной эксплуатации.
- Python: Agent Framework
- .NET: Agent Framework
Присоединяйтесь к Microsoft Foundry Discord, чтобы познакомиться с другими учащимися, посещать часы консультаций и получить ответы на свои вопросы по AI-агентам.
Отказ от ответственности:
Этот документ был переведен с помощью сервиса автоматического перевода Co-op Translator. Хотя мы стремимся к точности, пожалуйста, имейте в виду, что автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его исходном языке должен считаться авторитетным источником. Для получения критически важной информации рекомендуется пользоваться профессиональным переводом, выполненным человеком. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования данного перевода.
