ai-agents-for-beginners
(Кликнете върху изображението по-горе, за да гледате видеото на този урок)
Въведение в AI агентите и случаи на използване на агенти
Добре дошли в курса “AI агенти за начинаещи”! Този курс предоставя основни знания и практически примери за изграждане на AI агенти.
Присъединете се към Общността Azure AI в Discord, за да се запознаете с други учащи се и строители на AI агенти и да зададете всички въпроси, които имате относно този курс.
За да започнем този курс, ще започнем с по-добро разбиране какво представляват AI агентите и как можем да ги използваме в приложенията и работните потоци, които изграждаме.
Въведение
Този урок обхваща:
- Какво представляват AI агентите и какви са различните типове агенти?
- За кои случаи на използване са най-подходящи AI агентите и как могат да ни помогнат?
- Кои са някои от базовите градивни елементи при проектирането на агентни решения?
Цели на обучението
След завършване на този урок, трябва да можете да:
- Разбирате концепциите за AI агенти и как те се различават от други AI решения.
- Прилагате AI агенти по най-ефективния начин.
- Проектирате агентни решения продуктивно както за потребителите, така и за клиентите.
Дефиниране на AI агенти и типове AI агенти
Какво представляват AI агентите?
AI агентите са системи, които позволяват на Големи езикови модели(LLMs) да извършват действия, като разширяват техните възможности чрез предоставяне на LLMs достъп до инструменти и знания.
Нека разбием тази дефиниция на по-малки части:
- Система - Важно е да мислим за агентите не само като за единичен компонент, а като за система от много компоненти. На базово ниво компонентите на AI агент са:
- Околна среда - Дефинираното пространство, в което оперира AI агентът. Например, ако имаме AI агент за резервации за пътуване, околната среда може да бъде системата за резервации за пътуване, която AI агентът използва за изпълнение на задачи.
- Сензори - Околностите имат информация и предоставят обратна връзка. AI агентите използват сензори, за да събират и тълкуват тази информация за текущото състояние на околната среда. В примера с агента за резервации за пътуване, системата за резервации може да предоставя информация като наличност на хотели или цени на полети.
- Изпълнители (Actuators) - След като AI агентът получи текущото състояние на околната среда, за текущата задача агентът определя какво действие да извърши, за да промени околната среда. За агента за резервации за пътуване това може да бъде резервиране на налична стая за потребителя.
Големи езикови модели - Концепцията за агентите съществуваше преди създаването на LLMs. Предимството да се изграждат AI агенти с LLMs е тяхната способност да интерпретират човешкия език и данни. Тази способност позволява на LLMs да тълкуват информацията от околната среда и да дефинират план за промяна на околната среда.
Извършване на действия - Извън системите с AI агенти, LLMs са ограничени до ситуации, в които действието е генериране на съдържание или информация въз основа на подканата на потребителя. В рамките на системите с AI агенти, LLMs могат да изпълняват задачи, като тълкуват заявката на потребителя и използват инструменти, налични в тяхната среда.
Достъп до инструменти - До кои инструменти LLM има достъп е определено от 1) околната среда, в която оперира, и 2) разработчика на AI агента. В примера с нашия агент за пътувания, инструментите на агента са ограничени от операциите, налични в системата за резервации, и/или разработчикът може да ограничи достъпа на агента до инструменти за полети.
Памет+Знания - Паметта може да бъде краткосрочна в контекста на разговора между потребителя и агента. В дългосрочен план, извън информацията, предоставена от околната среда, AI агентите могат също да извличат знания от други системи, услуги, инструменти и дори от други агенти. В примера с агента за пътувания тези знания могат да бъдат информация за предпочитанията за пътуване на потребителя, намираща се в клиентска база данни.
Различните типове агенти
Сега, когато имаме обща дефиниция на AI агентите, нека разгледаме някои специфични типове агенти и как биха се приложили към агент за резервации за пътуване.
| Тип агент | Описание | Пример |
|---|---|---|
| Прости рефлексни агенти | Извършват незабавни действия въз основа на предварително дефинирани правила. | Агент за пътувания интерпретира контекста на имейла и препраща оплакванията за пътувания към обслужването на клиенти. |
| Моделно-базирани рефлексни агенти | Извършват действия въз основа на модел на света и промени в този модел. | Агент за пътувания дава приоритет на маршрути с значителни ценови промени въз основа на достъп до исторически данни за ценообразуване. |
| Агенти, базирани на цели | Създават планове за постигане на конкретни цели чрез тълкуване на целта и определяне на действия за достигането ѝ. | Агент за пътувания резервира пътуване, като определя необходимите транспортни придвижвания (кола, обществен транспорт, полети) от текущото местоположение до дестинацията. |
| Агенти, базирани на полезност | Вземат предвид предпочитания и изчисляват числено компромиси, за да определят как да постигнат целите. | Агент за пътувания максимизира полезността, като претегля удобство срещу цена при резервиране на пътуване. |
| Учещи агенти | Подобряват се с времето чрез реагиране на обратна връзка и съответно коригиране на действията. | Агент за пътувания се подобрява, използвайки обратната връзка на клиента от анкети след пътуване, за да направи корекции при бъдещи резервации. |
| Йерархични агенти | Съдържат множество агенти в многостепенна система, като агенти от по-високо ниво разделят задачи на подзадачи за по-ниско ниво агенти. | Агент за пътувания анулира пътуване, като разделя задачата на подзадачи (например анулиране на конкретни резервации) и има по-ниско ниво агенти, които да ги изпълнят и да докладват обратно на агента от по-високо ниво. |
| Многoагентни системи (MAS) | Агентите изпълняват задачи независимо, кооперативно или конкурентно. | Кооперативно: Няколко агента резервират специфични услуги за пътуване като хотели, полети и развлечения. Конкурентно: Няколко агента управляват и се състезават за общ календар за резервации на хотел, за да настанят клиенти в хотела. |
Кога да използваме AI агенти
В по-горния раздел използвахме случая с агент за пътувания, за да обясним как различните типове агенти могат да се използват в различни сценарии при резервации за пътуване. Ще продължим да използваме това приложение през целия курс.
Нека разгледаме типовете случаи на използване, за които AI агентите са най-подходящи:
- Отворени проблеми - позволяват на LLM да определи необходимите стъпки за завършване на задача, тъй като те не винаги могат да бъдат твърдо кодирани в работен поток.
- Многостепенни процеси - задачи, които изискват ниво на сложност, при което AI агентът трябва да използва инструменти или информация в няколко хода вместо еднократно извличане.
- Подобрение с времето - задачи, при които агентът може да се подобрява с времето чрез получаване на обратна връзка от околната среда или от потребителите, за да предоставя по-добра полезност.
Ние разглеждаме повече съображения за използване на AI агенти в урока “Изграждане на надеждни AI агенти”.
Основи на агентните решения
Разработка на агенти
Първата стъпка при проектирането на система с AI агенти е да се определят инструментите, действията и поведението. В този курс се фокусираме върху използването на Azure AI Agent Service за дефиниране на нашите агенти. Той предлага функции като:
- Избор на отворени модели като OpenAI, Mistral и Llama
- Използване на лицензирани данни чрез доставчици като Tripadvisor
- Използване на стандартизирани OpenAPI 3.0 инструменти
Агентни (Agentic) модели/шаблони
Комуникацията с LLMs е чрез подканяне (prompts). Поради полуавтономния характер на AI агентите, не винаги е възможно или необходимо да се подканва ръчно LLM след промяна в околната среда. Използваме агентни шаблони, които ни позволяват да подканваме LLM през няколко стъпки по по-мащабируем начин.
Този курс е разделен на някои от текущите популярни агентни шаблони.
Агентни рамки
Агентните рамки позволяват на разработчиците да реализират агентни шаблони чрез код. Тези рамки предлагат шаблони, приставки и инструменти за по-добро сътрудничество на AI агентите. Тези предимства предоставят възможности за по-добра наблюдаемост и отстраняване на проблеми в системите с AI агенти.
В този курс ще разгледаме Microsoft Agent Framework (MAF) за изграждане на готови за продукция AI агенти.
Примери с код
- Python: Рамка за агенти
- .NET: Рамка за агенти
Още въпроси относно AI агентите?
Присъединете се към Discord на Microsoft Foundry, за да се срещнете с други учащи се, да посетите консултации и да получите отговори на въпросите си за AI агенти.
Предишен урок
Следващ урок
Отказ от отговорност: Този документ е преведен с помощта на AI услуга за превод Co-op Translator (https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи могат да съдържат грешки или неточности. Оригиналният документ на оригиналния език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален превод, извършен от квалифициран преводач. Не носим отговорност за никакви недоразумения или погрешни тълкувания, произтичащи от използването на този превод.