(Kliknite na obrázok vyššie pre zobrazenie videa tejto lekcie)
Vitajte v kurze "AI Agents for Beginners"! Tento kurz poskytuje základné znalosti a praktické ukážky pre tvorbu AI agentov.
Pridajte sa do komunity Azure AI na Discorde, aby ste sa stretli s ďalšími študentmi a tvorcami AI agentov a položili všetky otázky týkajúce sa tohto kurzu.
Na začiatku tohto kurzu si najprv lepšie objasníme, čo sú AI agenti a ako ich môžeme využiť v aplikáciách a pracovných postupoch, ktoré vytvárame.
Táto lekcia zahŕňa:
- Čo sú AI agenti a aké sú rôzne typy agentov?
- Pre aké prípady použitia sú AI agenti najvhodnejší a ako nám môžu pomôcť?
- Aké sú niektoré základné stavebné prvky pri navrhovaní agentických riešení?
Po dokončení tejto lekcie by ste mali byť schopní:
- Pochopiť koncepty AI agentov a ako sa líšia od iných AI riešení.
- Efektívne aplikovať AI agentov.
- Produktívne navrhovať agentické riešenia pre používateľov a zákazníkov.
AI agenti sú systémy, ktoré umožňujú veľkým jazykovým modelom (LLMs) vykonávať akcie tým, že rozširujú ich schopnosti a poskytujú LLM prístup k nástrojom a vedomostiam.
Rozoberme túto definíciu na menšie časti:
- Systém - Je dôležité vnímať agentov nie len ako jeden komponent, ale ako systém mnohých komponentov. Na základnej úrovni sú zložky AI agenta:
- Prostredie - Definovaný priestor, v ktorom AI agent operuje. Napríklad, ak by sme mali AI agenta na rezerváciu ciest, prostredím by mohol byť rezervačný systém, ktorý AI agent využíva na dokončenie úloh.
- Senzory - Prostredia obsahujú informácie a poskytujú spätnú väzbu. AI agenti používajú senzory na zhromažďovanie a interpretáciu týchto informácií o aktuálnom stave prostredia. V príklade cestovného agenta môže rezervačný systém poskytovať informácie, ako je dostupnosť hotelov alebo ceny letov.
- Aktuátory - Keď AI agent získa aktuálny stav prostredia, pre danú úlohu určí, akú akciu vykonať na zmenu prostredia. Pre cestovného agenta to môže byť rezervácia dostupnej izby pre používateľa.
Veľké jazykové modely (LLMs) - Koncept agentov existoval ešte pred vznikom LLM. Výhodou stavby AI agentov s LLM je ich schopnosť interpretovať ľudský jazyk a údaje. Táto schopnosť umožňuje LLM interpretovať informácie z prostredia a definovať plán na zmenu prostredia.
Vykonávanie akcií - Mimo systémov AI agentov sú LLM obmedzené na situácie, kde je akciou generovanie obsahu alebo informácií na základe výzvy používateľa. V systémoch AI agentov môžu LLM plniť úlohy interpretáciou požiadavky používateľa a použitím nástrojov dostupných v ich prostredí.
Prístup k nástrojom - To, ku ktorým nástrojom má LLM prístup, určuje 1) prostredie, v ktorom operuje, a 2) vývojár AI agenta. V našom príklade cestovného agenta sú nástroje agenta obmedzené operáciami dostupnými v rezervačnom systéme, a/alebo vývojár môže obmedziť prístup agenta len na lety.
Pamäť + Vedomosti - Pamäť môže byť krátkodobá v kontexte rozhovoru medzi používateľom a agentom. Dlhodobo, mimo informácií poskytovaných prostredím, AI agenti môžu tiež získavať vedomosti z iných systémov, služieb, nástrojov a dokonca aj od iných agentov. V príklade cestovného agenta by tieto vedomosti mohli byť informácie o preferenciách cestovania používateľa uložené v databáze zákazníka.
Teraz, keď máme všeobecnú definíciu AI agentov, pozrime sa na niektoré konkrétne typy agentov a ako by sa ich dalo aplikovať na cestovného agenta.
| Typ agenta | Popis | Príklad |
|---|---|---|
| Jednoduché reflexné agenty | Vykonávajú okamžité akcie na základe preddefinovaných pravidiel. | Cestovný agent interpretuje kontext e-mailu a presmeruje sťažnosti týkajúce sa ciest na zákaznícky servis. |
| Reflexné agenti založené na modeli | Vykonávajú akcie založené na modeli sveta a zmenách tohto modelu. | Cestovný agent uprednostňuje trasy so značnými zmenami cien na základe prístupu k historickým údajom o cenách. |
| Agenti orientovaní na ciele | Vytvárajú plány na dosiahnutie konkrétnych cieľov interpretáciou cieľa a určením krokov na jeho dosiahnutie. | Cestovný agent rezervuje cestu tým, že určí potrebné cestovné usporiadania (auto, verejná doprava, lety) z aktuálnej lokality do cieľa. |
| Agenti založení na užitočnosti | Zohľadňujú preferencie a numericky vážia kompromisy, aby rozhodli, ako dosiahnuť ciele. | Cestovný agent maximalizuje užitočnosť vážením pohodlia oproti nákladom pri rezervácii cesty. |
| Učiace sa agenti | Zlepšujú sa v priebehu času reagovaním na spätnú väzbu a úpravou svojich akcií. | Cestovný agent sa zlepšuje využívaním spätnej väzby od zákazníkov z prieskumov po ceste a upravuje budúce rezervácie. |
| Hierarchické agenti | Obsahujú viacerých agentov v vrstvenom systéme, pričom vyššie úrovne rozdeľujú úlohy na podúlohy pre nižšie úrovne. | Cestovný agent zruší výlet tak, že rozdelí úlohu na podúlohy (napríklad zrušenie konkrétnych rezervácií) a nechá nižšie úrovne agentov ich vykonať a nahlásiť späť vyššiemu agentovi. |
| Viacagentové systémy (MAS) | Agenti dokončujú úlohy nezávisle, buď kooperatívne alebo konkurenčne. | Kooperatívne: Viac agentov rezervuje konkrétne cestovné služby, ako sú hotely, lety a zábava. Konkurenčné: Viac agentov spravuje a súťaží o spoločný rezervačný kalendár hotela, aby rezervovali zákazníkov do hotela. |
V predchádzajúcej časti sme použili prípad použitia cestovného agenta na vysvetlenie, ako sa rôzne typy agentov môžu použiť v rôznych scenároch rezervácie ciest. Tento príklad budeme naďalej používať v celom kurze.
Pozrime sa na typy prípadov použitia, pri ktorých sú AI agenti najvhodnejší:
- Otvorené problémy - umožniť LLM určiť potrebné kroky na dokončenie úlohy, pretože to nemožno vždy napevno zakódovať do pracovného postupu.
- Viacstupňové procesy - úlohy, ktoré vyžadujú určitú úroveň zložitosti, pri ktorej agent musí používať nástroje alebo informácie počas viacerých krokov namiesto jednorazového získania.
- Zlepšovanie v priebehu času - úlohy, pri ktorých sa agent môže v priebehu času zlepšovať prijímaním spätnej väzby z prostredia alebo od používateľov, aby poskytoval lepšiu užitočnosť.
Viac úvah o používaní AI agentov pokrývame v lekcii Budovanie dôveryhodných AI agentov.
Prvým krokom pri navrhovaní systému AI agenta je definovať nástroje, akcie a správanie. V tomto kurze sa zameriavame na použitie Azure AI Agent Service na definovanie našich agentov. Ponúka funkcie ako:
- Výber otvorených modelov, ako sú OpenAI, Mistral a Llama
- Použitie licencovaných údajov cez poskytovateľov, ako napríklad Tripadvisor
- Použitie štandardizovaných nástrojov OpenAPI 3.0
Komunikácia s LLM prebieha prostredníctvom promptov. Vzhľadom na semiautomatickú povahu AI agentov nie je vždy možné alebo potrebné manuálne znovu spúšťať prompt LLM po zmene v prostredí. Používame agentické vzory, ktoré nám umožňujú promptovať LLM cez viacero krokov škálovateľnejším spôsobom.
Tento kurz je rozdelený podľa niektorých z aktuálne populárnych agentických vzorov.
Agentické rámce umožňujú vývojárom implementovať agentické vzory prostredníctvom kódu. Tieto rámce ponúkajú šablóny, pluginy a nástroje pre lepšiu spoluprácu AI agentov. Tieto výhody poskytujú možnosti pre lepšiu pozorovateľnosť a riešenie problémov v systémoch AI agentov.
V tomto kurze preskúmame Microsoft Agent Framework (MAF) pre tvorbu produkčne pripravených AI agentov.
- Python: Agent Framework
- .NET: Agent Framework
Pridajte sa k Microsoft Foundry Discord, aby ste sa stretli s ďalšími študentmi, zúčastnili sa konzultačných hodín a získali odpovede na svoje otázky o AI agentech.
Preskúmanie agentických rámcov
Vylúčenie zodpovednosti: Tento dokument bol preložený pomocou služby prekladu založenej na umelej inteligencii Co-op Translator. Hoci sa usilujeme o presnosť, berte prosím na vedomie, že automatické preklady môžu obsahovať chyby alebo nepresnosti. Originálny dokument v jeho pôvodnom jazyku by sa mal považovať za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nezodpovedáme za žiadne nedorozumenia alebo nesprávne výklady, ktoré môžu vzniknúť v dôsledku použitia tohto prekladu.
