(Натисніть на зображення вище, щоб переглянути відео цього уроку)
Ласкаво просимо до курсу "AI Агенти для початківців"! Цей курс надає основні знання та приклади застосування для створення AI Агентів.
Приєднуйтесь до спільноти Azure AI у Discord, щоб познайомитися з іншими учнями та розробниками AI Агентів і задати будь-які питання щодо цього курсу.
Щоб почати цей курс, ми почнемо з кращого розуміння того, що таке AI Агенти і як ми можемо їх використовувати в додатках і робочих процесах, які ми створюємо.
Цей урок охоплює:
- Що таке AI Агенти і які існують типи агентів?
- Для яких випадків використання AI Агенти підходять найкраще і як вони можуть нам допомогти?
- Які основні складові слід враховувати при розробці агентних рішень?
Після завершення цього уроку ви маєте вміти:
- Розуміти концепції AI Агентів і як вони відрізняються від інших AI рішень.
- Ефективно застосовувати AI Агенти.
- Продуктивно проектувати агентні рішення як для користувачів, так і для замовників.
AI Агенти — це системи, які дозволяють Великим Мовним Моделям (LLMs) виконувати дії, розширюючи їх можливості, даючи LLM доступ до інструментів та знань.
Розберімо це визначення на дрібніші частини:
- Система — важливо розглядати агентів не просто як один компонент, а як систему багатьох компонентів. На базовому рівні складові AI Агента такі:
- Середовище — визначений простір, у якому працює AI Агент. Наприклад, якщо у нас є AI Агент для бронювання подорожей, середовищем може бути система бронювання подорожей, якою він користується для виконання завдань.
- Сенсори — середовища мають інформацію та надають зворотний зв’язок. AI Агенти використовують сенсори для збору та інтерпретації інформації про поточний стан середовища. У прикладі з агентом з бронювання подорожей, система бронювання надає інформацію, як-от наявність готелів або ціни на квитки.
- Виконавці — після отримання поточного стану середовища агент визначає, яку дію вчинити для зміни середовища відповідно до завдання. Для агента з бронювання подорожей це може бути бронювання доступного номера для користувача.
Великі Мовні Моделі — концепція агентів існувала до появи LLM. Перевага створення AI Агентів із LLM полягає у їх здатності інтерпретувати людську мову та дані. Ця здатність дозволяє LLM інтерпретувати інформацію середовища і визначати план дій для зміни середовища.
Виконання дій — поза системами AI Агентів LLM обмежені генерацією контенту чи інформації на основі запиту користувача. В системах AI Агентів LLM можуть виконувати завдання, інтерпретуючи запити користувача та використовуючи інструменти, доступні в їхньому середовищі.
Доступ до інструментів — доступ до інструментів, якими користується LLM, визначається 1) середовищем, у якому він працює, та 2) розробником AI Агента. У прикладі з агентом з бронювання, інструменти агента обмежені операціями в системі бронювання, а розробник також може обмежити доступ агента до визначених інструментів, наприклад до бронювання лише авіаквитків.
Пам’ять та Знання — пам’ять може бути короткостроковою у контексті бесіди між користувачем і агентом. У довгостроковій перспективі, окрім інформації зі середовища, AI Агенти можуть отримувати знання з інших систем, сервісів, інструментів та навіть інших агентів. У прикладі з агентом з бронювання подорожей такою інформацією можуть бути переваги користувача, збережені в базі даних клієнтів.
Тепер, коли ми маємо загальне визначення AI Агентів, розглянемо специфічні типи агентів та як їх можна застосувати на прикладі агента для бронювання подорожей.
| Тип агента | Опис | Приклад |
|---|---|---|
| Прості рефлексні агенти | Виконують негайні дії на основі заздалегідь визначених правил. | Агент з бронювання подорожей інтерпретує контекст листа й пересилає скарги на подорожі у службу підтримки клієнтів. |
| Рефлексні агенти з моделлю | Виконують дії на основі моделі світу та змін у цій моделі. | Агент з бронювання подорожей пріоритезує маршрути з істотними змінами цін, використовуючи історичні дані про ціни. |
| Агенти, орієнтовані на ціль | Створюють плани для досягнення конкретних цілей, інтерпретуючи ціль і визначаючи дії для її досягнення. | Агент бронює подорож, визначаючи необхідні транспортні засоби (автомобіль, громадський транспорт, рейси) від поточного місця до пункту призначення. |
| Агенти, орієнтовані на корисність | Враховують переваги та оцінюють компроміси чисельно, щоб визначити, як досягнути цілей. | Агент максимізує корисність, зважуючи зручність проти вартості при бронюванні подорожі. |
| Навчальні агенти | Покращуються з часом, реагуючи на зворотний зв’язок і відповідно змінюючи дії. | Агент покращується, використовуючи відгуки клієнтів із опитувань після поїздки для коригування майбутніх бронювань. |
| Ієрархічні агенти | Складаються з кількох агентів у ієрархічній системі, де агенти вищого рівня розподіляють завдання на підзавдання для агентів нижчого рівня. | Агент з бронювання розбиває завдання скасування подорожі на підзавдання (наприклад, скасування конкретних бронювань) та доручає їх виконання агентам нижчого рівня, які звітують агенту вищого рівня. |
| Системи з кількома агентами (MAS) | Агенти виконують завдання незалежно, співпрацюючи або змагаючись між собою. | Кооперативний режим: кілька агентів бронюють різні послуги, такі як готелі, авіаперельоти та розваги. Конкурентний: кілька агентів керують і змагаються за загальний календар бронювання готелю для клієнтів. |
У попередньому розділі ми використали кейс агента з бронювання подорожей, щоб пояснити, як різні типи агентів застосовуються в різних сценаріях. Ми продовжимо використовувати цей приклад усього курсу.
Розглянемо типи випадків використання, для яких AI Агенти підходять найкраще:
- Відкриті проблеми — дають змогу LLM визначати потрібні кроки для виконання завдання, оскільки їх не завжди можна жорстко запрограмувати у робочому процесі.
- Багатокрокові процеси — завдання, які вимагають складності, при якій AI Агент має використовувати інструменти або інформацію протягом кількох етапів, а не одноразово.
- Покращення з часом — завдання, де агент може вдосконалюватися, отримуючи зворотний зв’язок від середовища або користувачів для кращої ефективності.
Додаткові міркування щодо використання AI Агентів ми розглянемо в уроці “Створення надійних AI Агентів”.
Перший крок у розробці системи AI Агентів — це визначення інструментів, дій і поведінки. У цьому курсі ми зосереджуємося на використанні Azure AI Agent Service для визначення наших агентів. Серед функцій:
- Вибір відкритих моделей, таких як OpenAI, Mistral та Llama
- Використання ліцензованих даних через провайдерів, наприклад Tripadvisor
- Використання стандартизованих інструментів OpenAPI 3.0
Спілкування з LLM відбувається через запити (prompts). Враховуючи напівавтономний характер AI Агентів, не завжди можливо або потрібно вручну надсилати повторні запити після зміни середовища. Ми використовуємо агентні патерни, які дозволяють надсилати запити LLM поетапно у більш масштабований спосіб.
Цей курс поділений за популярними на сьогодні агентними патернами.
Агентні фреймворки дають розробникам можливість реалізовувати агентні патерни за допомогою коду. Вони пропонують шаблони, плагіни та інструменти для кращої співпраці AI Агентів. Ці можливості забезпечують кращу спостережуваність і налагодження систем AI Агентів.
У цьому курсі ми вивчимо Microsoft Agent Framework (MAF) для створення промислових AI агентів.
- Python: Agent Framework
- .NET: Agent Framework
Приєднуйтесь до Microsoft Foundry Discord, щоб познайомитися з іншими учнями, відвідувати консультації та отримувати відповіді на ваші запитання про AI Агенти.
Відмова від відповідальності: Цей документ був перекладений за допомогою сервісу автоматичного перекладу Co-op Translator. Хоча ми прагнемо до точності, просимо враховувати, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ рідною мовою слід вважати авторитетним джерелом. Для важливої інформації рекомендується звертатися до професійного людського перекладу. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу.
