(คลิกที่รูปภาพด้านบนเพื่อดูวิดีโอของบทเรียนนี้)

เฟรมเวิร์กตัวแทน AI คือแพลตฟอร์มซอฟต์แวร์ที่ออกแบบมาเพื่อช่วยให้การสร้าง การใช้งาน และการจัดการตัวแทน AI ง่ายขึ้น เฟรมเวิร์กเหล่านี้ให้ส่วนประกอบสำเร็จรูป นามธรรม และเครื่องมือต่างๆ แก่นักพัฒนา เพื่ออำนวยความสะดวกในการพัฒนาระบบ AI ที่ซับซ้อน

เฟรมเวิร์กเหล่านี้ช่วยให้นักพัฒนาสามารถมุ่งเน้นไปที่แง่มุมเฉพาะของแอปพลิเคชัน โดยให้แนวทางมาตรฐานสำหรับความท้าทายทั่วไปในการพัฒนาตัวแทน AI ช่วยเพิ่มความสามารถในการขยายการใช้งาน ความเข้าถึง และประสิทธิภาพในการสร้างระบบ AI

บทเรียนนี้จะครอบคลุม:

• เฟรมเวิร์กตัวแทน AI คืออะไร และช่วยให้นักพัฒนาทำอะไรได้บ้าง?
• ทีมงานสามารถใช้เฟรมเวิร์กเหล่านี้ในการสร้างต้นแบบได้อย่างรวดเร็ว ปรับปรุง และพัฒนาขีดความสามารถของตัวแทนได้อย่างไร?
• ความแตกต่างระหว่างเฟรมเวิร์กและเครื่องมือที่สร้างโดย Microsoft (Azure AI Agent Service และ Microsoft Agent Framework) คืออะไร?
• ฉันสามารถใช้งานเครื่องมือในระบบนิเวศ Azure ที่มีอยู่แล้วโดยตรงได้ไหม หรือจำเป็นต้องใช้โซลูชันแยกต่างหาก?
• บริการ Azure AI Agents คืออะไร และช่วยฉันได้อย่างไร?

เป้าหมายของบทเรียนนี้คือช่วยให้คุณเข้าใจ:

• บทบาทของเฟรมเวิร์กตัวแทน AI ในการพัฒนา AI
• วิธีใช้เฟรมเวิร์กตัวแทน AI เพื่อสร้างตัวแทนอัจฉริยะ
• ความสามารถหลักที่เฟรมเวิร์กตัวแทน AI ช่วยให้เป็นไปได้
• ความแตกต่างระหว่าง Microsoft Agent Framework กับ Azure AI Agent Service

เฟรมเวิร์ก AI แบบดั้งเดิมสามารถช่วยคุณรวม AI เข้ากับแอปพลิเคชันของคุณและพัฒนาแอปเหล่านี้ได้ดังนี้:

• การปรับแต่งเฉพาะบุคคล: AI สามารถวิเคราะห์พฤติกรรมและความชอบของผู้ใช้ เพื่อเสนอคำแนะนำ เนื้อหา และประสบการณ์ที่ปรับให้เหมาะสมกับบุคคล ตัวอย่าง: บริการสตรีมมิ่งอย่าง Netflix ใช้ AI เพื่อแนะนำภาพยนตร์และรายการตามประวัติการรับชม ช่วยเพิ่มการมีส่วนร่วมและความพึงพอใจของผู้ใช้
• การทำงานอัตโนมัติและประสิทธิภาพ: AI สามารถทำงานที่ซ้ำซ้อนโดยอัตโนมัติ ปรับปรุงกระบวนการทำงาน และเพิ่มประสิทธิภาพการดำเนินงาน ตัวอย่าง: แอปบริการลูกค้าใช้แชทบ็อตที่ขับเคลื่อนด้วย AI เพื่อจัดการคำถามทั่วไป ลดเวลาตอบกลับ และปล่อยให้เจ้าหน้าที่ดูแลปัญหาที่ซับซ้อนกว่า
• ประสบการณ์ผู้ใช้ที่ดีขึ้น: AI สามารถเพิ่มประสบการณ์ผู้ใช้โดยรวมด้วยฟีเจอร์อัจฉริยะ เช่น การรู้จำเสียง การประมวลผลภาษาธรรมชาติ และการคาดเดาข้อความ ตัวอย่าง: ผู้ช่วยเสมือน เช่น Siri และ Google Assistant ใช้ AI เพื่อเข้าใจและตอบคำสั่งเสียง ทำให้ผู้ใช้โต้ตอบกับอุปกรณ์ได้ง่ายขึ้น

เฟรมเวิร์กตัวแทน AI ไม่ใช่แค่เฟรมเวิร์ก AI ธรรมดา แต่ถูกออกแบบมาเพื่อสร้างตัวแทนอัจฉริยะที่สามารถโต้ตอบกับผู้ใช้ ตัวแทนอื่น และสภาพแวดล้อม เพื่อบรรลุเป้าหมายเฉพาะ ตัวแทนเหล่านี้สามารถทำงานโดยอิสระ ตัดสินใจ และปรับตัวตามสภาพแวดล้อมที่เปลี่ยนแปลงได้ มาดูความสามารถหลักที่เฟรมเวิร์กตัวแทน AI ช่วยให้เกิดขึ้น:

• ความร่วมมือและการประสานงานของตัวแทน: สร้างตัวแทน AI หลายตัวที่สามารถทำงานร่วมกัน สื่อสาร และประสานงานเพื่อแก้ปัญหาที่ซับซ้อนได้
• การทำงานอัตโนมัติและการจัดการงาน: มีระบบการทำงานอัตโนมัติแบบหลายขั้นตอน การมอบหมายงาน และการจัดการงานแบบไดนามิกระหว่างตัวแทน
• ความเข้าใจบริบทและการปรับตัว: เติมเต็มตัวแทนด้วยความสามารถในการเข้าใจบริบท ปรับตัวให้เข้ากับสภาพแวดล้อมที่เปลี่ยนแปลง และตัดสินใจตามข้อมูลเรียลไทม์

สรุปก็คือตัวแทนช่วยให้คุณทำได้มากขึ้น ยกระดับงานอัตโนมัติ สร้างระบบอัจฉริยะที่สามารถปรับตัวและเรียนรู้จากสภาพแวดล้อมได้

สภาพแวดล้อมนี้เปลี่ยนแปลงอย่างรวดเร็ว แต่มีสิ่งที่เป็นแนวทางร่วมกันในเฟรมเวิร์กตัวแทน AI ส่วนใหญ่ที่ช่วยให้คุณสร้างต้นแบบและปรับปรุงได้อย่างรวดเร็ว ได้แก่ ส่วนประกอบโมดูล เครื่องมือร่วมมือ และการเรียนรู้แบบเรียลไทม์ มาดูรายละเอียด:

• ใช้ส่วนประกอบโมดูล: SDK AI มีส่วนประกอบสำเร็จรูป เช่น ตัวเชื่อม AI และหน่วยความจำ การเรียกฟังก์ชันด้วยภาษาธรรมชาติหรือปลั๊กอินโค้ด เทมเพลตคำสั่ง และอื่นๆ
• ใช้เครื่องมือร่วมมือ: ออกแบบตัวแทนด้วยบทบาทและหน้าที่เฉพาะ เพื่อให้ทดสอบและปรับปรุงกระบวนการทำงานร่วมกันได้
• เรียนรู้แบบเรียลไทม์: ใช้วงจรตอบรับที่ตัวแทนเรียนรู้จากการโต้ตอบและปรับพฤติกรรมอย่างไดนามิก

SDK เช่น Microsoft Agent Framework มีส่วนประกอบสำเร็จรูป เช่น ตัวเชื่อม AI การกำหนดเครื่องมือ และการจัดการตัวแทน

ทีมสามารถใช้ได้อย่างไร: ทีมสามารถประกอบส่วนประกอบเหล่านี้ได้อย่างรวดเร็วเพื่อสร้างต้นแบบที่ใช้งานได้ โดยไม่ต้องเริ่มจากศูนย์ ช่วยให้ทดลองและปรับปรุงได้เร็วขึ้น

การทำงานในทางปฏิบัติ: คุณสามารถใช้ตัวแยกวิเคราะห์ที่สร้างไว้แล้วเพื่อดึงข้อมูลจากอินพุตของผู้ใช้ โมดูลหน่วยความจำเพื่อจัดเก็บและเรียกข้อมูล และตัวสร้างคำสั่งเพื่อโต้ตอบกับผู้ใช้ โดยไม่ต้องสร้างส่วนประกอบเหล่านี้ใหม่

ตัวอย่างโค้ด มาดูตัวอย่างการใช้ Microsoft Agent Framework กับ AzureAIProjectAgentProvider เพื่อให้โมเดลตอบกลับการป้อนข้อมูลผู้ใช้ด้วยการเรียกเครื่องมือ:

# ตัวอย่าง Microsoft Agent Framework สำหรับ Python

import asyncio
import os
from typing import Annotated

from agent_framework.azure import AzureAIProjectAgentProvider
from azure.identity import AzureCliCredential


# กำหนดฟังก์ชันตัวอย่างเพื่อจองการเดินทาง
def book_flight(date: str, location: str) -> str:
    """Book travel given location and date."""
    return f"Travel was booked to {location} on {date}"


async def main():
    provider = AzureAIProjectAgentProvider(credential=AzureCliCredential())
    agent = await provider.create_agent(
        name="travel_agent",
        instructions="Help the user book travel. Use the book_flight tool when ready.",
        tools=[book_flight],
    )

    response = await agent.run("I'd like to go to New York on January 1, 2025")
    print(response)
    # ตัวอย่างผลลัพธ์: เที่ยวบินของคุณไปยังนิวยอร์กในวันที่ 1 มกราคม 2025 ได้รับการจองเรียบร้อยแล้ว เดินทางปลอดภัย! ✈️🗽


if __name__ == "__main__":
    asyncio.run(main())

สิ่งที่คุณเห็นจากตัวอย่างนี้คือวิธีใช้ตัวแยกวิเคราะห์สำเร็จรูปเพื่อดึงข้อมูลสำคัญจากอินพุตผู้ใช้ เช่น จุดต้นทาง จุดหมาย และวันที่ของคำขอจองเที่ยวบิน วิธีการแบบโมดูลนี้ช่วยให้คุณสามารถมุ่งเน้นที่ตรรกะในระดับสูงได้

เฟรมเวิร์กอย่าง Microsoft Agent Framework อำนวยความสะดวกในการสร้างตัวแทนหลายตัวที่ทำงานร่วมกันได้

ทีมสามารถใช้ได้อย่างไร: ทีมสามารถออกแบบตัวแทนด้วยบทบาทและหน้าที่เฉพาะ เพื่อทดสอบและปรับปรุงกระบวนการทำงานร่วมกัน และเพิ่มประสิทธิภาพระบบโดยรวม

การทำงานในทางปฏิบัติ: คุณสามารถสร้างทีมตัวแทนที่แต่ละตัวมีหน้าที่เฉพาะ เช่น การดึงข้อมูล การวิเคราะห์ หรือการตัดสินใจ ตัวแทนเหล่านี้สามารถสื่อสารและแชร์ข้อมูลเพื่อบรรลุเป้าหมายร่วม เช่น ตอบคำถามผู้ใช้หรือทำงานให้เสร็จ

ตัวอย่างโค้ด (Microsoft Agent Framework):

# การสร้างเอเจนต์หลายตัวที่ทำงานร่วมกันโดยใช้ Microsoft Agent Framework

import os
from agent_framework.azure import AzureAIProjectAgentProvider
from azure.identity import AzureCliCredential

provider = AzureAIProjectAgentProvider(credential=AzureCliCredential())

# เอเจนต์ดึงข้อมูล
agent_retrieve = await provider.create_agent(
    name="dataretrieval",
    instructions="Retrieve relevant data using available tools.",
    tools=[retrieve_tool],
)

# เอเจนต์วิเคราะห์ข้อมูล
agent_analyze = await provider.create_agent(
    name="dataanalysis",
    instructions="Analyze the retrieved data and provide insights.",
    tools=[analyze_tool],
)

# เรียกใช้งานเอเจนต์ตามลำดับสำหรับงาน
retrieval_result = await agent_retrieve.run("Retrieve sales data for Q4")
analysis_result = await agent_analyze.run(f"Analyze this data: {retrieval_result}")
print(analysis_result)

โค้ดก่อนหน้านี้แสดงวิธีสร้างงานที่เกี่ยวข้องกับตัวแทนหลายตัวทำงานร่วมกันเพื่อวิเคราะห์ข้อมูล ตัวแทนแต่ละตัวทำหน้าที่เฉพาะเจาะจง และงานจะถูกดำเนินการโดยการประสานงานตัวแทนเพื่อให้ได้ผลลัพธ์ตามต้องการ การสร้างตัวแทนเฉพาะที่มีบทบาทพิเศษช่วยเพิ่มประสิทธิภาพและประสิทธิผลของงาน

เฟรมเวิร์กขั้นสูงมีความสามารถในการเข้าใจบริบทแบบเรียลไทม์และปรับตัว

ทีมสามารถใช้ได้อย่างไร: ทีมสามารถติดตั้งวงจรตอบรับที่ตัวแทนเรียนรู้จากการโต้ตอบและปรับพฤติกรรมตามสถานการณ์แบบไดนามิก นำไปสู่การปรับปรุงและพัฒนาขีดความสามารถอย่างต่อเนื่อง

การทำงานในทางปฏิบัติ: ตัวแทนสามารถวิเคราะห์คำติชมของผู้ใช้ ข้อมูลสภาพแวดล้อม และผลลัพธ์ของงาน เพื่ออัปเดตฐานความรู้ ปรับอัลกอริทึมการตัดสินใจ และเพิ่มประสิทธิภาพเมื่อเวลาผ่านไป กระบวนการเรียนรู้แบบทำซ้ำนี้ช่วยให้ตัวแทนปรับตัวตามเงื่อนไขที่เปลี่ยนและความชอบของผู้ใช้ เพิ่มประสิทธิผลโดยรวมของระบบ

มีหลายวิธีในการเปรียบเทียบแนวทางเหล่านี้ แต่เราจะมาดูความแตกต่างสำคัญในด้านการออกแบบ ความสามารถ และกรณีการใช้งานเป้าหมายกัน:

Microsoft Agent Framework เป็น SDK ที่ออกแบบมาอย่างเรียบง่ายสำหรับการสร้างตัวแทน AI ด้วย AzureAIProjectAgentProvider ช่วยให้นักพัฒนาสร้างตัวแทนที่ใช้โมเดล Azure OpenAI พร้อมฟีเจอร์เรียกใช้เครื่องมือในตัว การจัดการการสนทนา และความปลอดภัยระดับองค์กรผ่าน Azure identity

กรณีการใช้งาน: สร้างตัวแทน AI สำหรับใช้งานจริงที่มีการใช้เครื่องมือ กรณีงานหลายขั้นตอน และการผสานรวมในองค์กร

นี่คือแนวคิดหลักของ Microsoft Agent Framework:

• ตัวแทน (Agents) ตัวแทนถูกสร้างผ่าน AzureAIProjectAgentProvider และตั้งค่าชื่อ คำแนะนำ และเครื่องมือต่างๆ ตัวแทนจะ:

  • ประมวลผลข้อความผู้ใช้ และสร้างคำตอบโดยใช้โมเดล Azure OpenAI
  • เรียกใช้เครื่องมือ โดยอัตโนมัติ ตามบริบทการสนทนา
  • รักษาสถานะการสนทนา ในหลายรอบโต้ตอบ

  นี่คือตัวอย่างโค้ดการสร้างตัวแทน:

  import os
  from agent_framework.azure import AzureAIProjectAgentProvider
  from azure.identity import AzureCliCredential
  
  provider = AzureAIProjectAgentProvider(credential=AzureCliCredential())
  agent = await provider.create_agent(
      name="my_agent",
      instructions="You are a helpful assistant.",
  )
  
  response = await agent.run("Hello, World!")
  print(response)
  

• เครื่องมือ (Tools) เฟรมเวิร์กรองรับการนิยามเครื่องมือเป็นฟังก์ชัน Python ที่ตัวแทนสามารถเรียกใช้ได้อัตโนมัติ เครื่องมือจะถูกลงทะเบียนเมื่อตอนสร้างตัวแทน:

  def get_weather(location: str) -> str:
      """Get the current weather for a location."""
      return f"The weather in {location} is sunny, 72\u00b0F."
  
  agent = await provider.create_agent(
      name="weather_agent",
      instructions="Help users check the weather.",
      tools=[get_weather],
  )
  

• การประสานงานหลายตัวแทน (Multi-Agent Coordination) คุณสามารถสร้างตัวแทนหลายตัวที่มีความชำนาญต่างกัน และประสานงานงานของพวกเขา:

  planner = await provider.create_agent(
      name="planner",
      instructions="Break down complex tasks into steps.",
  )
  
  executor = await provider.create_agent(
      name="executor",
      instructions="Execute the planned steps using available tools.",
      tools=[execute_tool],
  )
  
  plan = await planner.run("Plan a trip to Paris")
  result = await executor.run(f"Execute this plan: {plan}")
  

• การผสาน Azure Identity เฟรมเวิร์กใช้ AzureCliCredential (หรือ DefaultAzureCredential) สำหรับการตรวจสอบตัวตนแบบปลอดภัยโดยไม่ใช้กุญแจ API จึงไม่ต้องจัดการกุญแจเอง

Azure AI Agent Service เป็นบริการใหม่ที่เปิดตัวในงาน Microsoft Ignite 2024 ช่วยให้พัฒนาและปรับใช้ตัวแทน AI ด้วยโมเดลที่ยืดหยุ่นมากขึ้น เช่น การเรียกใช้โมเดล LLM โอเพนซอร์สโดยตรง เช่น Llama 3, Mistral และ Cohere

Azure AI Agent Service มีระบบความปลอดภัยระดับองค์กรและวิธีจัดเก็บข้อมูลที่แข็งแกร่ง ทำให้เหมาะสำหรับแอปพลิเคชันองค์กร

ทำงานร่วมกับ Microsoft Agent Framework อย่างราบรื่นสำหรับสร้างและปรับใช้ตัวแทน

บริการนี้อยู่ในสถานะ Public Preview สนับสนุนภาษา Python และ C# สำหรับสร้างตัวแทน

โดยใช้ Azure AI Agent Service Python SDK เราสามารถสร้างตัวแทนพร้อมเครื่องมือที่ผู้ใช้กำหนดได้:

import asyncio
from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient

# กำหนดฟังก์ชันของเครื่องมือ
def get_specials() -> str:
    """Provides a list of specials from the menu."""
    return """
    Special Soup: Clam Chowder
    Special Salad: Cobb Salad
    Special Drink: Chai Tea
    """

def get_item_price(menu_item: str) -> str:
    """Provides the price of the requested menu item."""
    return "$9.99"


async def main() -> None:
    credential = DefaultAzureCredential()
    project_client = AIProjectClient.from_connection_string(
        credential=credential,
        conn_str="your-connection-string",
    )

    agent = project_client.agents.create_agent(
        model="gpt-4o-mini",
        name="Host",
        instructions="Answer questions about the menu.",
        tools=[get_specials, get_item_price],
    )

    thread = project_client.agents.create_thread()

    user_inputs = [
        "Hello",
        "What is the special soup?",
        "How much does that cost?",
        "Thank you",
    ]

    for user_input in user_inputs:
        print(f"# User: '{user_input}'")
        message = project_client.agents.create_message(
            thread_id=thread.id,
            role="user",
            content=user_input,
        )
        run = project_client.agents.create_and_process_run(
            thread_id=thread.id, agent_id=agent.id
        )
        messages = project_client.agents.list_messages(thread_id=thread.id)
        print(f"# Agent: {messages.data[0].content[0].text.value}")


if __name__ == "__main__":
    asyncio.run(main())

Azure AI Agent Service มีแนวคิดหลักดังนี้:

• ตัวแทน (Agent) Azure AI Agent Service บูรณาการกับ Microsoft Foundry ภายใน AI Foundry ตัวแทน AI คือ "ไมโครเซอร์วิสอัจฉริยะ" ที่ใช้ตอบคำถาม (RAG) ทำงาน หรืออัตโนมัติเต็มรูปแบบของเวิร์กโฟลว์ โดยนำพลังจากโมเดล AI สร้างสรรค์มารวมกับเครื่องมือที่ให้เข้าถึงและโต้ตอบกับแหล่งข้อมูลจริง ตัวอย่างตัวแทน:

  agent = project_client.agents.create_agent(
      model="gpt-4o-mini",
      name="my-agent",
      instructions="You are helpful agent",
      tools=code_interpreter.definitions,
      tool_resources=code_interpreter.resources,
  )
  

  ในตัวอย่างนี้ ตัวแทนถูกสร้างด้วยโมเดล gpt-4o-mini ชื่อ my-agent และคำสั่ง You are helpful agent ตัวแทนมีเครื่องมือและทรัพยากรสำหรับงานตีความโค้ด

• เธรดและข้อความ (Thread and messages) เธรดเป็นแนวคิดสำคัญอีกอย่าง แสดงถึงการสนทนาหรือการโต้ตอบระหว่างตัวแทนกับผู้ใช้ เธรดใช้ติดตามความคืบหน้าการสนทนา เก็บข้อมูลบริบท และจัดการสถานะการโต้ตอบ ตัวอย่างเธรด:

  thread = project_client.agents.create_thread()
  message = project_client.agents.create_message(
      thread_id=thread.id,
      role="user",
      content="Could you please create a bar chart for the operating profit using the following data and provide the file to me? Company A: $1.2 million, Company B: $2.5 million, Company C: $3.0 million, Company D: $1.8 million",
  )
  
  # Ask the agent to perform work on the thread
  run = project_client.agents.create_and_process_run(thread_id=thread.id, agent_id=agent.id)
  
  # Fetch and log all messages to see the agent's response
  messages = project_client.agents.list_messages(thread_id=thread.id)
  print(f"Messages: {messages}")
  

  ในโค้ดก่อนหน้า เธรดถูกสร้างขึ้น จากนั้นส่งข้อความเข้าเธรด ผ่าน create_and_process_run ขอให้ตัวแทนทำงานบนเธรด สุดท้ายดึงและบันทึกข้อความเพื่อดูคำตอบของตัวแทน ข้อความเหล่านี้แสดงความก้าวหน้าการสนทนาระหว่างผู้ใช้กับตัวแทน สำคัญที่ต้องเข้าใจว่า ข้อความอาจมีหลายประเภท เช่น ข้อความ รูปภาพ หรือไฟล์ ซึ่งเป็นผลลัพธ์จากงานของตัวแทน เช่น ภาพ หรือคำตอบข้อความ ในฐานะนักพัฒนา คุณสามารถใช้ข้อมูลนี้เพื่อต่อประมวลผลหรือนำเสนอแก่ผู้ใช้

• การผสานกับ Microsoft Agent Framework Azure AI Agent Service ทำงานร่วมกับ Microsoft Agent Framework ได้อย่างไร้รอยต่อ หมายความว่าคุณสามารถสร้างตัวแทนด้วย AzureAIProjectAgentProvider และปรับใช้ผ่าน Agent Service สำหรับการใช้งานจริง

กรณีการใช้งาน: Azure AI Agent Service เหมาะสำหรับแอปพลิเคชันองค์กรที่ต้องการการปรับใช้ตัวแทน AI ที่ปลอดภัย ขยายได้ และยืดหยุ่น

ดูเหมือนจะมีความทับซ้อน แต่มีความแตกต่างสำคัญในด้านการออกแบบ ความสามารถ และกรณีใช้งานเป้าหมาย:

• Microsoft Agent Framework (MAF): เป็น SDK สำหรับสร้างตัวแทน AI พร้อมใช้งานจริง มี API ที่เรียบง่ายสำหรับสร้างตัวแทนพร้อมฟีเจอร์เรียกเครื่องมือ การจัดการบทสนทนา และการเชื่อมต่อกับ Azure Identity
• Azure AI Agent Service: เป็นแพลตฟอร์มและบริการปรับใช้ใน Azure Foundry สำหรับตัวแทน มีการเชื่อมต่อในตัวกับบริการต่างๆ เช่น Azure OpenAI, Azure AI Search, Bing Search และการรันโค้ด

ยังไม่แน่ใจว่าจะเลือกแบบไหน?

ลองดูว่าช่วยคุณได้ไหมจากกรณีทั่วไปต่อไปนี้:

Q: ฉันกำลังสร้างแอปตัวแทน AI สำหรับใช้งานจริง และต้องการเริ่มต้นอย่างรวดเร็ว

A: Microsoft Agent Framework เป็นตัวเลือกที่ยอดเยี่ยม มี API แบบ Python ง่ายๆ ผ่าน AzureAIProjectAgentProvider ที่ช่วยคุณกำหนดตัวแทนพร้อมเครื่องมือและคำสั่งเพียงไม่กี่บรรทัดโค้ด

Q: ฉันต้องการปรับใช้ระดับองค์กร พร้อมการผสานกับ Azure เช่น Search และการรันโค้ด

A: Azure AI Agent Service เหมาะที่สุด เป็นบริการแพลตฟอร์มที่มีฟีเจอร์ในตัวสำหรับโมเดลหลายตัว Azure AI Search, Bing Search และ Azure Functions สร้างตัวแทนได้ง่ายจาก Foundry Portal และปรับใช้ในระดับใหญ่

Q: ฉันยังสับสน ขอแบบเลือกอย่างเดียว

A: เริ่มจาก Microsoft Agent Framework เพื่อสร้างตัวแทนก่อน จากนั้นใช้ Azure AI Agent Service เมื่อต้องการปรับใช้และขยายในสภาพแวดล้อมใช้งานจริง วิธีนี้ช่วยให้ทดลองและปรับปรุงตรรกะตัวแทนได้เร็ว พร้อมมีเส้นทางชัดเจนไปสู่การปรับใช้ในองค์กร

สรุปความแตกต่างหลักในตาราง:

Framework	จุดสนใจ	แนวคิดหลัก	กรณีใช้งาน
Microsoft Agent Framework	SDK ตัวแทนที่เรียบง่ายพร้อมฟีเจอร์เรียกเครื่องมือ	ตัวแทน, เครื่องมือ, Azure Identity	สร้างตัวแทน AI, ใช้เครื่องมือ, งานหลายขั้นตอน
Azure AI Agent Service	โมเดลยืดหยุ่น, ความปลอดภัยองค์กร, การสร้างโค้ด, เรียกเครื่องมือ	ความโมดูล, ความร่วมมือ, การจัดการเวิร์กโฟลว์	การปรับใช้ตัวแทน AI ที่ปลอดภัย ขยายได้ และยืดหยุ่น

คำตอบคือใช่ คุณสามารถผสานรวมเครื่องมือระบบนิเวศ Azure ที่มีอยู่ของคุณโดยตรงกับ Azure AI Agent Service ได้โดยเฉพาะอย่างยิ่ง เนื่องจากถูกสร้างขึ้นให้ทำงานร่วมกับบริการ Azure อื่น ๆ ได้อย่างราบรื่น ตัวอย่างเช่น คุณสามารถผสานรวม Bing, Azure AI Search และ Azure Functions ได้ นอกจากนี้ยังมีการผสานรวมอย่างลึกซึ้งกับ Microsoft Foundry

Microsoft Agent Framework ยังผสานรวมกับบริการของ Azure ผ่าน AzureAIProjectAgentProvider และ Azure identity ทำให้คุณสามารถเรียกใช้บริการ Azure ได้โดยตรงจากเครื่องมือ agent ของคุณ

• Python: Agent Framework
• .NET: Agent Framework

เข้าร่วม Microsoft Foundry Discord เพื่อพบปะกับผู้เรียนคนอื่น ๆ เข้าร่วม office hours และรับคำตอบสำหรับคำถามเกี่ยวกับ AI Agents ของคุณ

• Azure Agent Service
• Microsoft Agent Framework - Azure OpenAI Responses
• Azure AI Agent service

Introduction to AI Agents and Agent Use Cases

Understanding Agentic Design Patterns

---

ข้อจำกัดความรับผิดชอบ:
เอกสารฉบับนี้ได้รับการแปลโดยใช้บริการแปลภาษาอัตโนมัติ Co-op Translator ขณะเรามุ่งมั่นเพื่อความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาเป็นแหล่งข้อมูลที่ถูกต้อง สำหรับข้อมูลที่สำคัญ ควรใช้บริการแปลภาษามนุษย์อย่างมืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดใด ๆ ที่เกิดขึ้นจากการใช้การแปลนี้