(اضغط على الصورة أعلاه لمشاهدة فيديو الدرس)
أطر عمل الوكلاء الذكية هي منصات برمجية مصممة لتبسيط إنشاء ونشر وإدارة الوكلاء الذكية. توفر هذه الأطر للمطورين مكونات جاهزة وأدوات وتجريدات تسهل تطوير أنظمة الذكاء الاصطناعي المعقدة.
تساعد هذه الأطر المطورين على التركيز على الجوانب الفريدة لتطبيقاتهم من خلال تقديم نهج موحد للتحديات الشائعة في تطوير الوكلاء الذكية. كما تعزز قابلية التوسع وسهولة الوصول والكفاءة في بناء أنظمة الذكاء الاصطناعي.
سيتناول هذا الدرس:
أهداف هذا الدرس هي مساعدتك على فهم:
يمكن للأطر التقليدية للذكاء الاصطناعي مساعدتك في دمج الذكاء الاصطناعي في تطبيقاتك وتحسين هذه التطبيقات بالطرق التالية:
تمثل أطر عمل الوكلاء الذكية شيئًا أكثر من مجرد أطر عمل للذكاء الاصطناعي. فهي مصممة لتمكين إنشاء وكلاء ذكية يمكنها التفاعل مع المستخدمين، والوكلاء الآخرين، والبيئة لتحقيق أهداف محددة. يمكن لهذه الوكلاء أن تظهر سلوكًا ذاتيًا، وتتخذ قرارات، وتتكيف مع الظروف المتغيرة. دعونا نلقي نظرة على بعض القدرات الرئيسية التي تمكّنها أطر عمل الوكلاء الذكية:
باختصار، تسمح الوكلاء لك بالقيام بالمزيد، بأخذ الأتمتة إلى المستوى التالي، وإنشاء أنظمة أكثر ذكاءً يمكنها التكيف والتعلم من بيئتها.
هذا مجال سريع التطور، ولكن هناك بعض الأمور المشتركة بين معظم أطر عمل الوكلاء الذكية التي يمكن أن تساعدك على تصميم نماذج أولية وتكرارها بسرعة، وهي المكونات المعيارية، الأدوات التعاونية، والتعلم في الوقت الفعلي. دعونا نتعمق في هذه النقاط:
تقدم SDKs مثل Microsoft Semantic Kernel وLangChain مكونات جاهزة مثل موصلات الذكاء الاصطناعي، قوالب التعليمات، وإدارة الذاكرة.
كيفية استخدام الفرق لهذه المكونات: يمكن للفرق تجميع هذه المكونات بسرعة لإنشاء نموذج أولي وظيفي دون الحاجة إلى البدء من الصفر، مما يسمح بالتجربة والتكرار السريع.
كيفية عملها عمليًا: يمكنك استخدام محلل جاهز لاستخراج المعلومات من إدخال المستخدم، وحدة ذاكرة لتخزين واسترجاع البيانات، ومولد تعليمات للتفاعل مع المستخدمين، كل ذلك دون الحاجة إلى بناء هذه المكونات من الصفر.
مثال على الكود. دعونا نلقي نظرة على أمثلة حول كيفية استخدام موصل ذكاء اصطناعي جاهز مع Semantic Kernel Python و.Net الذي يستخدم استدعاء الوظائف التلقائي لجعل النموذج يستجيب لإدخال المستخدم:
# Semantic Kernel Python Example
import asyncio
from typing import Annotated
from semantic_kernel.connectors.ai import FunctionChoiceBehavior
from semantic_kernel.connectors.ai.open_ai import AzureChatCompletion, AzureChatPromptExecutionSettings
from semantic_kernel.contents import ChatHistory
from semantic_kernel.functions import kernel_function
from semantic_kernel.kernel import Kernel
# Define a ChatHistory object to hold the conversation's context
chat_history = ChatHistory()
chat_history.add_user_message("I'd like to go to New York on January 1, 2025")
# Define a sample plugin that contains the function to book travel
class BookTravelPlugin:
"""A Sample Book Travel Plugin"""
@kernel_function(name="book_flight", description="Book travel given location and date")
async def book_flight(
self, date: Annotated[str, "The date of travel"], location: Annotated[str, "The location to travel to"]
) -> str:
return f"Travel was booked to {location} on {date}"
# Create the Kernel
kernel = Kernel()
# Add the sample plugin to the Kernel object
kernel.add_plugin(BookTravelPlugin(), plugin_name="book_travel")
# Define the Azure OpenAI AI Connector
chat_service = AzureChatCompletion(
deployment_name="YOUR_DEPLOYMENT_NAME",
api_key="YOUR_API_KEY",
endpoint="https://<your-resource>.azure.openai.com/",
)
# Define the request settings to configure the model with auto-function calling
request_settings = AzureChatPromptExecutionSettings(function_choice_behavior=FunctionChoiceBehavior.Auto())
async def main():
# Make the request to the model for the given chat history and request settings
# The Kernel contains the sample that the model will request to invoke
response = await chat_service.get_chat_message_content(
chat_history=chat_history, settings=request_settings, kernel=kernel
)
assert response is not None
"""
Note: In the auto function calling process, the model determines it can invoke the
`BookTravelPlugin` using the `book_flight` function, supplying the necessary arguments.
For example:
"tool_calls": [
{
"id": "call_abc123",
"type": "function",
"function": {
"name": "BookTravelPlugin-book_flight",
"arguments": "{'location': 'New York', 'date': '2025-01-01'}"
}
}
]
Since the location and date arguments are required (as defined by the kernel function), if the
model lacks either, it will prompt the user to provide them. For instance:
User: Book me a flight to New York.
Model: Sure, I'd love to help you book a flight. Could you please specify the date?
User: I want to travel on January 1, 2025.
Model: Your flight to New York on January 1, 2025, has been successfully booked. Safe travels!
"""
print(f"`{response}`")
# Example AI Model Response: `Your flight to New York on January 1, 2025, has been successfully booked. Safe travels! ✈️🗽`
# Add the model's response to our chat history context
chat_history.add_assistant_message(response.content)
if __name__ == "__main__":
asyncio.run(main())
// Semantic Kernel C# example
using Microsoft.SemanticKernel;
using Microsoft.SemanticKernel.ChatCompletion;
using System.ComponentModel;
using Microsoft.SemanticKernel.Connectors.AzureOpenAI;
ChatHistory chatHistory = [];
chatHistory.AddUserMessage("I'd like to go to New York on January 1, 2025");
var kernelBuilder = Kernel.CreateBuilder();
kernelBuilder.AddAzureOpenAIChatCompletion(
deploymentName: "NAME_OF_YOUR_DEPLOYMENT",
apiKey: "YOUR_API_KEY",
endpoint: "YOUR_AZURE_ENDPOINT"
);
kernelBuilder.Plugins.AddFromType<BookTravelPlugin>("BookTravel");
var kernel = kernelBuilder.Build();
var settings = new AzureOpenAIPromptExecutionSettings()
{
FunctionChoiceBehavior = FunctionChoiceBehavior.Auto()
};
var chatCompletion = kernel.GetRequiredService<IChatCompletionService>();
var response = await chatCompletion.GetChatMessageContentAsync(chatHistory, settings, kernel);
/*
Behind the scenes, the model recognizes the tool to call, what arguments it already has (location) and (date)
{
"tool_calls": [
{
"id": "call_abc123",
"type": "function",
"function": {
"name": "BookTravelPlugin-book_flight",
"arguments": "{'location': 'New York', 'date': '2025-01-01'}"
}
}
]
*/
Console.WriteLine(response.Content);
chatHistory.AddMessage(response!.Role, response!.Content!);
// Example AI Model Response: Your flight to New York on January 1, 2025, has been successfully booked. Safe travels! ✈️🗽
// Define a plugin that contains the function to book travel
public class BookTravelPlugin
{
[KernelFunction("book_flight")]
[Description("Book travel given location and date")]
public async Task<string> BookFlight(DateTime date, string location)
{
return await Task.FromResult( $"Travel was booked to {location} on {date}");
}
}
ما يمكنك رؤيته من هذا المثال هو كيفية الاستفادة من محلل جاهز لاستخراج المعلومات الرئيسية من إدخال المستخدم، مثل الأصل، الوجهة، وتاريخ طلب حجز الرحلة. يتيح هذا النهج المعياري التركيز على المنطق عالي المستوى.
تسهل أطر العمل مثل CrewAI، Microsoft AutoGen، وSemantic Kernel إنشاء وكلاء متعددة يمكنها العمل معًا.
كيفية استخدام الفرق لهذه الأدوات: يمكن للفرق تصميم وكلاء بأدوار ومهام محددة، مما يتيح اختبار وتحسين سير العمل التعاوني وتحسين كفاءة النظام بشكل عام.
كيفية عملها عمليًا: يمكنك إنشاء فريق من الوكلاء حيث يكون لكل وكيل وظيفة متخصصة، مثل استرجاع البيانات، التحليل، أو اتخاذ القرارات. يمكن لهؤلاء الوكلاء التواصل ومشاركة المعلومات لتحقيق هدف مشترك، مثل الإجابة على استفسار المستخدم أو إكمال مهمة.
مثال على الكود (AutoGen):
# creating agents, then create a round robin schedule where they can work together, in this case in order
# Data Retrieval Agent
# Data Analysis Agent
# Decision Making Agent
agent_retrieve = AssistantAgent(
name="dataretrieval",
model_client=model_client,
tools=[retrieve_tool],
system_message="Use tools to solve tasks."
)
agent_analyze = AssistantAgent(
name="dataanalysis",
model_client=model_client,
tools=[analyze_tool],
system_message="Use tools to solve tasks."
)
# conversation ends when user says "APPROVE"
termination = TextMentionTermination("APPROVE")
user_proxy = UserProxyAgent("user_proxy", input_func=input)
team = RoundRobinGroupChat([agent_retrieve, agent_analyze, user_proxy], termination_condition=termination)
stream = team.run_stream(task="Analyze data", max_turns=10)
# Use asyncio.run(...) when running in a script.
await Console(stream)
ما تراه في الكود السابق هو كيفية إنشاء مهمة تتضمن وكلاء متعددة تعمل معًا لتحليل البيانات. يقوم كل وكيل بوظيفة محددة، ويتم تنفيذ المهمة من خلال تنسيق الوكلاء لتحقيق النتيجة المرجوة. من خلال إنشاء وكلاء مخصصين بأدوار متخصصة، يمكنك تحسين كفاءة المهمة وأدائها.
توفر الأطر المتقدمة قدرات لفهم السياق في الوقت الفعلي والتكيف معه.
كيفية استخدام الفرق لهذه القدرات: يمكن للفرق تنفيذ حلقات التغذية الراجعة حيث يتعلم الوكلاء من التفاعلات ويعدلون سلوكهم ديناميكيًا، مما يؤدي إلى تحسين مستمر وتطوير القدرات.
كيفية عملها عمليًا: يمكن للوكلاء تحليل ملاحظات المستخدم، بيانات البيئة، ونتائج المهام لتحديث قاعدة معرفتهم، تعديل خوارزميات اتخاذ القرار، وتحسين الأداء بمرور الوقت. يتيح هذا التعلم التكراري للوكلاء التكيف مع الظروف المتغيرة وتفضيلات المستخدم، مما يعزز فعالية النظام بشكل عام.
هناك العديد من الطرق لمقارنة هذه الأطر، ولكن دعونا نلقي نظرة على بعض الفروقات الرئيسية من حيث التصميم، القدرات، وحالات الاستخدام المستهدفة:
AutoGen هو إطار عمل مفتوح المصدر تم تطويره بواسطة مختبر AI Frontiers التابع لـ Microsoft Research. يركز على التطبيقات الموزعة المدفوعة بالأحداث، مما يتيح تصميمات متعددة للوكلاء باستخدام LLMs وSLMs، الأدوات، وأنماط تصميم متقدمة للوكلاء.
AutoGen مبني حول مفهوم الوكلاء، وهم كيانات ذاتية يمكنها إدراك بيئتها، اتخاذ قرارات، واتخاذ إجراءات لتحقيق أهداف محددة. يتواصل الوكلاء من خلال رسائل غير متزامنة، مما يسمح لهم بالعمل بشكل مستقل وبالتوازي، مما يعزز قابلية التوسع واستجابة النظام.
الوكلاء يعتمدون على نموذج الممثل. وفقًا لويكيبيديا، الممثل هو الوحدة الأساسية للحساب المتزامن. استجابةً للرسالة التي يتلقاها، يمكن للممثل: اتخاذ قرارات محلية، إنشاء المزيد من الممثلين، إرسال المزيد من الرسائل، وتحديد كيفية الرد على الرسالة التالية التي يتلقاها.
حالات الاستخدام: أتمتة إنشاء الكود، مهام تحليل البيانات، وبناء وكلاء مخصصة لوظائف التخطيط والبحث.
إليك بعض المفاهيم الأساسية لـ AutoGen:
إليك مقتطف كود قصير لإنشاء وكيل خاص بك بقدرات الدردشة:
from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.messages import TextMessage
from autogen_ext.models.openai import OpenAIChatCompletionClient
class MyAgent(RoutedAgent):
def __init__(self, name: str) -> None:
super().__init__(name)
model_client = OpenAIChatCompletionClient(model="gpt-4o")
self._delegate = AssistantAgent(name, model_client=model_client)
@message_handler
async def handle_my_message_type(self, message: MyMessageType, ctx: MessageContext) -> None:
print(f"{self.id.type} received message: {message.content}")
response = await self._delegate.on_messages(
[TextMessage(content=message.content, source="user")], ctx.cancellation_token
)
print(f"{self.id.type} responded: {response.chat_message.content}")
في الكود السابق، تم إنشاء MyAgent
وهو يرث من RoutedAgent
. يحتوي على معالج رسائل يطبع محتوى الرسالة ثم يرسل استجابة باستخدام الوكيل المساعد AssistantAgent
. لاحظ بشكل خاص كيف قمنا بتعيين self._delegate
إلى مثيل من AssistantAgent
وهو وكيل جاهز يمكنه التعامل مع إكمالات الدردشة.
دعونا نخبر AutoGen عن نوع هذا الوكيل ونبدأ البرنامج:
# main.py
runtime = SingleThreadedAgentRuntime()
await MyAgent.register(runtime, "my_agent", lambda: MyAgent())
runtime.start() # Start processing messages in the background.
await runtime.send_message(MyMessageType("Hello, World!"), AgentId("my_agent", "default"))
في الكود السابق، يتم تسجيل الوكلاء مع وقت التشغيل ثم يتم إرسال رسالة إلى الوكيل مما يؤدي إلى الإخراج التالي:
# Output from the console:
my_agent received message: Hello, World!
my_assistant received message: Hello, World!
my_assistant responded: Hello! How can I assist you today?
الوكلاء المتعددون. يدعم AutoGen إنشاء وكلاء متعددة يمكنها العمل معًا لتحقيق المهام المعقدة. يمكن للوكلاء التواصل، مشاركة المعلومات، وتنسيق إجراءاتهم لحل المشكلات بكفاءة أكبر. لإنشاء نظام متعدد الوكلاء، يمكنك تعريف أنواع مختلفة من الوكلاء بوظائف وأدوار متخصصة، مثل استرجاع البيانات، التحليل، اتخاذ القرارات، والتفاعل مع المستخدم. دعونا نرى كيف يبدو مثل هذا الإنشاء للحصول على فكرة عنه:
editor_description = "Editor for planning and reviewing the content."
# Example of declaring an Agent
editor_agent_type = await EditorAgent.register(
runtime,
editor_topic_type, # Using topic type as the agent type.
lambda: EditorAgent(
description=editor_description,
group_chat_topic_type=group_chat_topic_type,
model_client=OpenAIChatCompletionClient(
model="gpt-4o-2024-08-06",
# api_key="YOUR_API_KEY",
),
),
)
# remaining declarations shortened for brevity
# Group chat
group_chat_manager_type = await GroupChatManager.register(
runtime,
"group_chat_manager",
lambda: GroupChatManager(
participant_topic_types=[writer_topic_type, illustrator_topic_type, editor_topic_type, user_topic_type],
model_client=OpenAIChatCompletionClient(
model="gpt-4o-2024-08-06",
# api_key="YOUR_API_KEY",
),
participant_descriptions=[
writer_description,
illustrator_description,
editor_description,
user_description
],
),
)
في الكود السابق، لدينا GroupChatManager
مسجل مع وقت التشغيل. هذا المدير مسؤول عن تنسيق التفاعلات بين أنواع مختلفة من الوكلاء، مثل الكتاب، الرسامين، المحررين، والمستخدمين.
وقت تشغيل مستقل. هذا خيار جيد للتطبيقات ذات العملية الواحدة حيث يتم تنفيذ جميع الوكلاء بنفس لغة البرمجة ويعملون في نفس العملية. إليك توضيح لكيفية عمله:
وقت تشغيل مستقل
الوكلاء يتواصلون عبر الرسائل من خلال وقت التشغيل، ووقت التشغيل يدير دورة حياة الوكلاء
وقت تشغيل الوكلاء الموزع، مناسب للتطبيقات متعددة العمليات حيث يمكن تنفيذ الوكلاء بلغات برمجة مختلفة ويعملون على أجهزة مختلفة. إليك توضيح لكيفية عمله:
Semantic Kernel هو SDK جاهز للمؤسسات لتنظيم الذكاء الاصطناعي. يتكون من موصلات الذكاء الاصطناعي والذاكرة، إلى جانب إطار عمل الوكلاء.
دعونا نغطي بعض المكونات الأساسية:
موصلات الذكاء الاصطناعي: هذا واجهة مع خدمات الذكاء الاصطناعي الخارجية ومصادر البيانات للاستخدام في كل من Python وC#.
# Semantic Kernel Python
from semantic_kernel.connectors.ai.open_ai import AzureChatCompletion
from semantic_kernel.kernel import Kernel
kernel = Kernel()
kernel.add_service(
AzureChatCompletion(
deployment_name="your-deployment-name",
api_key="your-api-key",
endpoint="your-endpoint",
)
)
// Semantic Kernel C#
using Microsoft.SemanticKernel;
// Create kernel
var builder = Kernel.CreateBuilder();
// Add a chat completion service:
builder.Services.AddAzureOpenAIChatCompletion(
"your-resource-name",
"your-endpoint",
"your-resource-key",
"deployment-model");
var kernel = builder.Build();
هنا لديك مثال بسيط حول كيفية إنشاء نواة وإضافة خدمة إكمال الدردشة. يقوم Semantic Kernel بإنشاء اتصال بخدمة ذكاء اصطناعي خارجية، في هذه الحالة، Azure OpenAI Chat Completion.
الإضافات: هذه تغلف الوظائف التي يمكن للتطبيق استخدامها. هناك إضافات جاهزة وأخرى مخصصة يمكنك إنشاؤها. مفهوم ذو صلة هو “وظائف التعليمات”. بدلاً من تقديم إشارات لغة طبيعية لاستدعاء الوظائف، تقوم ببث وظائف معينة إلى النموذج. بناءً على سياق الدردشة الحالي، قد يختار النموذج استدعاء إحدى هذه الوظائف لإكمال طلب أو استفسار. إليك مثال:
from semantic_kernel.connectors.ai.open_ai.services.azure_chat_completion import AzureChatCompletion
async def main():
from semantic_kernel.functions import KernelFunctionFromPrompt
from semantic_kernel.kernel import Kernel
kernel = Kernel()
kernel.add_service(AzureChatCompletion())
user_input = input("User Input:> ")
kernel_function = KernelFunctionFromPrompt(
function_name="SummarizeText",
prompt="""
Summarize the provided unstructured text in a sentence that is easy to understand.
Text to summarize:
""",
)
response = await kernel_function.invoke(kernel=kernel, user_input=user_input)
print(f"Model Response: {response}")
"""
Sample Console Output:
User Input:> I like dogs
Model Response: The text expresses a preference for dogs.
"""
if __name__ == "__main__":
import asyncio
asyncio.run(main())
var userInput = Console.ReadLine();
// Define semantic function inline.
string skPrompt = @"Summarize the provided unstructured text in a sentence that is easy to understand.
Text to summarize: ";
// create the function from the prompt
KernelFunction summarizeFunc = kernel.CreateFunctionFromPrompt(
promptTemplate: skPrompt,
functionName: "SummarizeText"
);
//then import into the current kernel
kernel.ImportPluginFromFunctions("SemanticFunctions", [summarizeFunc]);
هنا، لديك أولاً قالب تعليمات skPrompt
يترك مساحة للمستخدم لإدخال النص، $userInput
. ثم تقوم بإنشاء وظيفة النواة SummarizeText
ثم استيرادها إلى النواة باسم الإضافة SemanticFunctions
. لاحظ اسم الوظيفة الذي يساعد Semantic Kernel على فهم ما تفعله الوظيفة ومتى يجب استدعاؤها.
الوظيفة الأصلية: هناك أيضًا وظائف أصلية يمكن للإطار استدعاؤها مباشرةً لتنفيذ المهمة. إليك مثال على وظيفة كهذه تسترجع المحتوى من ملف:
public class NativeFunctions {
[SKFunction, Description("Retrieve content from local file")]
public async Task<string> RetrieveLocalFile(string fileName, int maxSize = 5000)
{
string content = await File.ReadAllTextAsync(fileName);
if (content.Length <= maxSize) return content;
return content.Substring(0, maxSize);
}
}
//Import native function
string plugInName = "NativeFunction";
string functionName = "RetrieveLocalFile";
//To add the functions to a kernel use the following function
kernel.ImportPluginFromType<NativeFunctions>();
الذاكرة: تبسط إدارة السياق للتطبيقات الذكية. الفكرة مع الذاكرة هي أن هذه معلومات يجب أن يعرفها النموذج. يمكنك تخزين هذه المعلومات في مخزن متجه ينتهي به الأمر إلى أن يكون قاعدة بيانات في الذاكرة أو قاعدة بيانات متجهة أو ما شابه. إليك مثال على سيناريو مبسط جدًا حيث يتم إضافة حقائق إلى الذاكرة:
var facts = new Dictionary<string,string>();
facts.Add(
"Azure Machine Learning; https://learn.microsoft.com/azure/machine-learning/",
@"Azure Machine Learning is a cloud service for accelerating and
managing the machine learning project lifecycle. Machine learning professionals,
data scientists, and engineers can use it in their day-to-day workflows"
);
facts.Add(
"Azure SQL Service; https://learn.microsoft.com/azure/azure-sql/",
@"Azure SQL is a family of managed, secure, and intelligent products
that use the SQL Server database engine in the Azure cloud."
);
string memoryCollectionName = "SummarizedAzureDocs";
foreach (var fact in facts) {
await memoryBuilder.SaveReferenceAsync(
collection: memoryCollectionName,
description: fact.Key.Split(";")[1].Trim(),
text: fact.Value,
externalId: fact.Key.Split(";")[2].Trim(),
externalSourceName: "Azure Documentation"
);
}
يتم تخزين هذه الحقائق بعد ذلك في مجموعة الذاكرة SummarizedAzureDocs
. هذا مثال مبسط للغاية، ولكن يمكنك أن ترى كيف يمكن تخزين المعلومات في الذاكرة لاستخدامها بواسطة LLM.
إذن هذه هي أساسيات إطار العمل Semantic Kernel، ماذا عن إطار العمل Agent؟
خدمة Azure AI Agent هي إضافة حديثة، تم تقديمها في مؤتمر Microsoft Ignite 2024. تتيح تطوير ونشر وكلاء الذكاء الاصطناعي باستخدام نماذج أكثر مرونة، مثل الاتصال المباشر بـ LLMs مفتوحة المصدر مثل Llama 3، Mistral، و Cohere.
توفر خدمة Azure AI Agent آليات أمان قوية للمؤسسات وطرق تخزين البيانات، مما يجعلها مناسبة لتطبيقات المؤسسات.
تعمل هذه الخدمة بشكل مباشر مع أطر تنسيق متعددة الوكلاء مثل AutoGen وSemantic Kernel.
هذه الخدمة حالياً في العرض العام وتدعم Python وC# لبناء الوكلاء.
باستخدام Semantic Kernel Python، يمكننا إنشاء وكيل Azure AI باستخدام مكون إضافي يتم تعريفه من قبل المستخدم:
import asyncio
from typing import Annotated
from azure.identity.aio import DefaultAzureCredential
from semantic_kernel.agents import AzureAIAgent, AzureAIAgentSettings, AzureAIAgentThread
from semantic_kernel.contents import ChatMessageContent
from semantic_kernel.contents import AuthorRole
from semantic_kernel.functions import kernel_function
# Define a sample plugin for the sample
class MenuPlugin:
"""A sample Menu Plugin used for the concept sample."""
@kernel_function(description="Provides a list of specials from the menu.")
def get_specials(self) -> Annotated[str, "Returns the specials from the menu."]:
return """
Special Soup: Clam Chowder
Special Salad: Cobb Salad
Special Drink: Chai Tea
"""
@kernel_function(description="Provides the price of the requested menu item.")
def get_item_price(
self, menu_item: Annotated[str, "The name of the menu item."]
) -> Annotated[str, "Returns the price of the menu item."]:
return "$9.99"
async def main() -> None:
ai_agent_settings = AzureAIAgentSettings.create()
async with (
DefaultAzureCredential() as creds,
AzureAIAgent.create_client(
credential=creds,
conn_str=ai_agent_settings.project_connection_string.get_secret_value(),
) as client,
):
# Create agent definition
agent_definition = await client.agents.create_agent(
model=ai_agent_settings.model_deployment_name,
name="Host",
instructions="Answer questions about the menu.",
)
# Create the AzureAI Agent using the defined client and agent definition
agent = AzureAIAgent(
client=client,
definition=agent_definition,
plugins=[MenuPlugin()],
)
# Create a thread to hold the conversation
# If no thread is provided, a new thread will be
# created and returned with the initial response
thread: AzureAIAgentThread | None = None
user_inputs = [
"Hello",
"What is the special soup?",
"How much does that cost?",
"Thank you",
]
try:
for user_input in user_inputs:
print(f"# User: '{user_input}'")
# Invoke the agent for the specified thread
response = await agent.get_response(
messages=user_input,
thread_id=thread,
)
print(f"# {response.name}: {response.content}")
thread = response.thread
finally:
await thread.delete() if thread else None
await client.agents.delete_agent(agent.id)
if __name__ == "__main__":
asyncio.run(main())
تتضمن خدمة Azure AI Agent المفاهيم الأساسية التالية:
الوكيل. تتكامل خدمة Azure AI Agent مع Azure AI Foundry. داخل AI Foundry، يعمل وكيل الذكاء الاصطناعي كخدمة صغيرة “ذكية” يمكن استخدامها للإجابة على الأسئلة (RAG)، تنفيذ الإجراءات، أو أتمتة سير العمل بالكامل. يتم تحقيق ذلك من خلال الجمع بين قوة نماذج الذكاء الاصطناعي التوليدية والأدوات التي تسمح لها بالوصول إلى مصادر البيانات الواقعية والتفاعل معها. إليك مثال على وكيل:
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,
)
في هذا المثال، يتم إنشاء وكيل باستخدام النموذج gpt-4o-mini
، الاسم my-agent
، والتعليمات You are helpful agent
. يتم تجهيز الوكيل بأدوات وموارد لتنفيذ مهام تفسير الكود.
الخيط والرسائل. يمثل الخيط مفهومًا مهمًا آخر. يمثل محادثة أو تفاعل بين الوكيل والمستخدم. يمكن استخدام الخيوط لتتبع تقدم المحادثة، تخزين معلومات السياق، وإدارة حالة التفاعل. إليك مثال على خيط:
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}")
في الكود السابق، يتم إنشاء خيط. بعد ذلك، يتم إرسال رسالة إلى الخيط. من خلال استدعاء create_and_process_run
، يُطلب من الوكيل تنفيذ العمل على الخيط. أخيرًا، يتم جلب الرسائل وتسجيلها لرؤية استجابة الوكيل. تشير الرسائل إلى تقدم المحادثة بين المستخدم والوكيل. من المهم أيضًا فهم أن الرسائل يمكن أن تكون من أنواع مختلفة مثل النص، الصورة، أو الملف، أي أن عمل الوكيل قد نتج عنه على سبيل المثال صورة أو استجابة نصية. كمطور، يمكنك بعد ذلك استخدام هذه المعلومات لمعالجة الاستجابة بشكل أكبر أو تقديمها للمستخدم.
التكامل مع أطر الذكاء الاصطناعي الأخرى. يمكن لخدمة Azure AI Agent التفاعل مع أطر أخرى مثل AutoGen وSemantic Kernel، مما يعني أنه يمكنك بناء جزء من تطبيقك في أحد هذه الأطر واستخدام خدمة الوكيل كمُنسق، أو يمكنك بناء كل شيء في خدمة الوكيل.
حالات الاستخدام: تم تصميم خدمة Azure AI Agent لتطبيقات المؤسسات التي تتطلب نشر وكلاء ذكاء اصطناعي آمن وقابل للتوسع ومرن.
يبدو أن هناك الكثير من التداخل بين هذه الأطر، ولكن هناك بعض الاختلافات الرئيسية من حيث التصميم، القدرات، وحالات الاستخدام المستهدفة:
ما زلت غير متأكد أيهما تختار؟
دعنا نحاول مساعدتك من خلال استعراض بعض حالات الاستخدام الشائعة:
س: أنا أجرب وأتعلم وأبني تطبيقات وكلاء إثبات المفهوم، وأريد أن أتمكن من البناء والتجربة بسرعة
ج: سيكون AutoGen خيارًا جيدًا لهذا السيناريو، حيث يركز على التطبيقات الوكيلة الموزعة المدفوعة بالأحداث ويدعم أنماط تصميم الوكلاء المتعددة المتقدمة.
س: ما الذي يجعل AutoGen خيارًا أفضل من Semantic Kernel وAzure AI Agent Service لهذا الاستخدام؟
ج: تم تصميم AutoGen خصيصًا للتطبيقات الوكيلة الموزعة المدفوعة بالأحداث، مما يجعله مناسبًا جدًا لأتمتة مهام توليد الكود وتحليل البيانات. يوفر الأدوات والقدرات اللازمة لبناء أنظمة وكلاء متعددة معقدة بكفاءة.
س: يبدو أن Azure AI Agent Service يمكن أن يعمل هنا أيضًا، فهو يحتوي على أدوات لتوليد الكود والمزيد؟
ج: نعم، خدمة Azure AI Agent هي خدمة منصة للوكلاء وتضيف قدرات مدمجة لنماذج متعددة، Azure AI Search، Bing Search وAzure Functions. يجعل ذلك من السهل بناء وكلائك في بوابة Foundry ونشرهم على نطاق واسع.
س: ما زلت مرتبكًا، فقط أعطني خيارًا واحدًا
ج: خيار رائع هو بناء تطبيقك في Semantic Kernel أولاً ثم استخدام Azure AI Agent Service لنشر وكيلك. يتيح لك هذا النهج بسهولة الحفاظ على وكلائك مع الاستفادة من قوة بناء أنظمة الوكلاء المتعددة في Semantic Kernel. بالإضافة إلى ذلك، يحتوي Semantic Kernel على موصل في AutoGen، مما يجعل من السهل استخدام كلا الإطارين معًا.
دعنا نلخص الاختلافات الرئيسية في جدول:
الإطار | التركيز | المفاهيم الأساسية | حالات الاستخدام |
---|---|---|---|
AutoGen | التطبيقات الوكيلة الموزعة المدفوعة بالأحداث | الوكلاء، الشخصيات، الوظائف، البيانات | توليد الكود، مهام تحليل البيانات |
Semantic Kernel | فهم وتوليد محتوى يشبه النص البشري | الوكلاء، المكونات المعيارية، التعاون | فهم اللغة الطبيعية، توليد المحتوى |
Azure AI Agent Service | نماذج مرنة، أمان المؤسسات، توليد الكود، استدعاء الأدوات | التعديل، التعاون، تنسيق العمليات | نشر وكلاء ذكاء اصطناعي آمن وقابل للتوسع ومرن |
ما هو الاستخدام المثالي لكل من هذه الأطر؟
الإجابة هي نعم، يمكنك دمج أدوات نظام Azure البيئي الحالية مباشرة مع خدمة Azure AI Agent خاصة، لأنها تم بناؤها للعمل بسلاسة مع خدمات Azure الأخرى. يمكنك على سبيل المثال دمج Bing، Azure AI Search، وAzure Functions. هناك أيضًا تكامل عميق مع Azure AI Foundry.
بالنسبة لـ AutoGen وSemantic Kernel، يمكنك أيضًا دمجها مع خدمات Azure، ولكن قد يتطلب ذلك منك استدعاء خدمات Azure من الكود الخاص بك. طريقة أخرى للدمج هي استخدام SDKs الخاصة بـ Azure للتفاعل مع خدمات Azure من وكلائك. بالإضافة إلى ذلك، كما ذكرنا، يمكنك استخدام خدمة Azure AI Agent كمُنسق لوكلائك المبنيين في AutoGen أو Semantic Kernel مما يوفر وصولاً سهلاً إلى نظام Azure البيئي.
انضم إلى Discord الخاص بـ Azure AI Foundry للتواصل مع متعلمين آخرين، حضور ساعات المكتب، والحصول على إجابات لأسئلتك حول وكلاء الذكاء الاصطناعي.
مقدمة إلى وكلاء الذكاء الاصطناعي وحالات الاستخدام
إخلاء المسؤولية:
تم ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي Co-op Translator. بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو معلومات غير دقيقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي. للحصول على معلومات حاسمة، يُوصى بالاستعانة بترجمة بشرية احترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة ناتجة عن استخدام هذه الترجمة.