(Кликните на слику изнад да бисте погледали видео о овој лекцији)
Добродошли на курс "АИ агенти за почетнике"! Овај курс пружа основна знања и примере примене за изградњу АИ агената.
Придружите се Azure AI Discord заједница да упознате друге полазнике и творце АИ агената и поставите било која питања која имате у вези са овим курсом.
Да бисмо започели овај курс, почињемо са бољим разумевањем шта су АИ агенти и како их можемо користити у апликацијама и радним токовима које градимо.
Ова лекција обухвата:
- Шта су АИ агенти и које су различите врсте агената?
- Који су случајеви употребе најпогоднији за АИ агенте и како нам они могу помоћи?
- Који су неки од основних грађевних блокова при дизајнирању агентских решења?
Након завршетка ове лекције, требало би да будете у стању да:
- Разумете концепте АИ агената и како се разликују од других АИ решења.
- Најефикасније примените АИ агенте.
- Дизајнирате агентска решења продуктивно за кориснике и купце.
АИ агенти су системи који омогућавају Велики језички модели(LLMs) да извршавају акције проширујући своје могућности тиме што дају LLMs приступ алатима и знању.
Разложимо ову дефиницију на мање делове:
- System - Важно је размишљати о агентима не као само о једном компоненту већ као о систему са више компоненти. На основном нивоу, компоненте АИ агента су:
- Environment - Дефинисани простор у коме АИ агент функционише. На пример, ако имамо агента за резервацију путовања, окружење би могао бити систем за резервацију путовања који агент користи за обављање задатака.
- Sensors - Окружења имају информације и пружају повратне информације. АИ агенти користе сензоре да прикупљају и тумаче те информације о тренутном стању окружења. У примеру агента за резервацију путовања, систем за резервацију може да пружи информације као што су доступност хотела или цене летова.
- Actuators - Када АИ агент прими тренутно стање окружења, за текући задатак агент одређује коју радњу да изврши да би променио окружење. За агента за резервацију путовања, то може бити резервација доступне собе за корисника.
Велики језички модели - Концепт агената постојао је пре настанка LLMs. Предност изградње АИ агената са LLMs је њихова способност тумачења људског језика и података. Та способност омогућава LLMs да тумаче информације из окружења и дефинишу план за промену окружења.
Извршавање акција - Изван система АИ агената, LLMs су ограничени на ситуације у којима је радња генерисање садржаја или информација на основу упита корисника. Унутар система АИ агената, LLMs могу извршавати задатке тумачењем захтева корисника и коришћењем алата који су доступни у њиховом окружењу.
Приступ алатима - Које алате LLMs имају на располагању дефинисано је 1) окружењем у коме ради и 2) програмером АИ агента. У примеру нашег агента за путовања, алати агента ограничени су операцијама доступним у систему за резервацију, и/или програмер може ограничити приступ алатима агента само на летове.
Меморија+Знање - Меморија може бити краткорочна у контексту разговора између корисника и агента. На дуги рок, осим информација које пружа окружење, АИ агенти такође могу да преузимају знање из других система, сервиса, алата и чак других агената. У примеру агента за путовања, то знање може бити информација о корисниковим преференцама за путовања које се налази у бази података о клијентима.
Сада када имамо општу дефиницију АИ агената, погледајмо неке специфичне типове агената и како би се примењивали на агента за резервацију путовања.
| Врста агента | Опис | Пример |
|---|---|---|
| Једноставни рефлексни агенти | Извршавају тренутне радње на основу унапред дефинисаних правила. | Аутоматски агент за путовања тумачи контекст е-поште и прослеђује жалбе у вези путовања служби за кориснике. |
| Агенти засновани на моделу рефлекса | Извршавају радње на основу модела света и промена у том моделу. | Агент за путовања приоритетизује руте са значајним променама цена на основу приступа историјским подацима о ценама. |
| Агенти засновани на циљу | Креирају планове за постизање конкретних циљева тумачењем циља и одређивањем радњи за његово остварење. | Агент за путовања резервише путовање тако што одређује неопходне аранжмане (ауто, јавни превоз, летови) од тренутне локације до одредишта. |
| Агенти засновани на користи | Узимају у обзир преференције и мере компромисе нумерички да би одредили како постићи циљеве. | Агент за путовања максимизује корисност вагањем удобности у односу на трошкове при резервацији путовања. |
| Агенти који уче | Побољшавају се током времена реаговањем на повратне информације и прилагођавањем радњи у складу са тим. | Агент за путовања побољшава рад користећи повратне информације купаца из анкета након путовања да би направио измене за будуће резервације. |
| Хијерархијски агенти | Садрже више агената у слојевитом систему, где виши нивои агената разлажу задатке у подзадатке за ниже нивое да заврше. | Агент за путовања откаже путовање делећи задатак у подзадатке (на пример, отказивање појединачних резервација) и има ниже нивое агената који их завршавају и извештавају вишем нивоу. |
| Системи са више агената (MAS) | Агенти обављају задатке независно, било кооперативно или конкурентно. | Кооперативно: Више агената резервише специфичне услуге путовања као што су хотели, летови и забава. Конкурентно: Више агената управља и такмичи се за заједнички календар резервација хотела како би сместили купце у хотел. |
У претходном делу користили смо пример агента за резервацију путовања да објаснимо како се различите врсте агената могу користити у разним сценаријима резервације путовања. Наставићемо да користимо ову апликацију током целог курса.
Погледајмо типове сценарија у којима је најприкладније користити АИ агенте:
- Отворени проблеми - омогућавање LLMs да одреде потребне кораке за завршетак задатка јер то не може увек бити унапред кодирано у радни ток.
- Вишестепени процеси - задаци који захтевају ниво сложености у којем АИ агент треба да користи алате или информације током више корака уместо једнократног дохвата.
- Побољшање током времена - задаци где се агент може побољшати током времена примањем повратних информација из свог окружења или од корисника како би пружио бољу корисност.
О размотрањима при коришћењу АИ агената говоримо у лекцији Изградња поузданих АИ агената.
Први корак у дизајнирању система АИ агената је дефинисање алата, радњи и понашања. На овом курсу фокусирамо се на коришћење Azure AI Agent Service за дефинисање наших агената. Он нуди карактеристике попут:
- Избор отворених модела као што су OpenAI, Mistral и Llama
- Коришћење лиценцираних података преко провајдера као што је Tripadvisor
- Коришћење стандардизованих OpenAPI 3.0 алата
Комуникација са LLMs је кроз промптове. С обзиром на полуаутономну природу АИ агената, није увек могуће или потребно ручно поново упитати LLM након промене у окружењу. Користимо агентске обрасце који нам омогућавају да упитујемо LLM током више корака на скалабилнији начин.
Овај курс је подељен на неке од тренутно популарних агентских образаца.
Агентски оквири омогућавају програмерима да имплементирају агентске обрасце преко кода. Ови оквири нуде шаблоне, додатке и алате за бољу сарадњу агената. Ове предности пружају могућности за бољу посматрачност и решавање проблема у системима АИ агената.
На овом курсу истражићемо Microsoft Agent Framework (MAF) за изградњу АИ агената спремних за производњу.
- Python: Оквир агената
- .NET: Оквир агената
Придружите се Microsoft Foundry Discord да се упознате са другим полазницима, присуствујете радним сатима и добијете одговоре на питања о АИ агентима.
Одрицање одговорности: Овај документ је преведен помоћу услуге за превођење уз вештачку интелигенцију Co‑op Translator (https://github.com/Azure/co-op-translator). Иако се трудимо да превод буде тачан, имајте у виду да аутоматски преводи могу да садрже грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални људски превод. Нисмо одговорни за било каква непоразумевања или погрешна тумачења која произилазе из коришћења овог превода.
