ai-agents-for-beginners
(Кликнете върху изображението по-горе, за да гледате видеото за този урок)
Въведение в AI агентите и случаи на използване на агенти
Добре дошли в курса AI агенти за начинаещи! Този курс ви дава основни знания — и работещ код — за да започнете да изграждате AI агенти от нулата.
Елате да кажете здравей в Azure AI Discord общността — пълна е с ученици и строители на AI, които с радост отговарят на въпроси.
Преди да се захванем със създаването, нека първо наистина разберем какво е AI агент и кога има смисъл да се използва такъв.
Въведение
Този урок покрива:
- Какви са AI агентите и различните видове, които съществуват
- За какви видове задачи AI агентите са най-подходящи
- Основните елементи, които ще използвате при проектиране на агентско решение
Цели за обучение
Към края на този урок трябва да можете да:
- Обясните какво е AI агент и как се различава от обикновено AI решение
- Разберете кога да използвате AI агент (и кога не)
- Нарисувате базов дизайн на агентско решение за реален проблем
Дефиниране на AI агенти и видове AI агенти
Какво са AI агенти?
Ето един прост начин да го обясним:
AI агентите са системи, които позволяват на големите езикови модели (LLMs) да правят неща — като им дават инструменти и знания да действат върху света, а не само да отговарят на заявки.
Нека разгледаме по-подробно:
- Система — AI агентът не е просто едно нещо. Той е сбор от части, които работят заедно. В основата си всеки агент има три елемента:
- Околна среда — Пространството, в което агентът работи. За агент за резервации това е самата платформа за резервации.
- Сензори — Как агентът чете текущото състояние на околната среда. Нашият агент за пътувания може да проверява наличността на хотели или цени на полети.
- Изпълнители на действия — Как агентът предприема действия. Агентът за пътувания може да резервира стая, да изпрати потвърждение или да анулира резервация.
-
Големи езикови модели — Агентите съществуваха преди LLM, но LLM са това, което прави съвременните агенти толкова мощни. Те разбират естествен език, разсъждават за контекста и превръщат неясна потребителска заявка в конкретен план за действие.
-
Изпълняват действия — Без агентна система LLM само генерира текст. В системата на агент LLM може всъщност да изпълни стъпки — търси в база данни, извиква API, изпраща съобщение.
-
Достъп до инструменти — Какви инструменти агентът може да използва зависи от (1) средата, в която работи и (2) какво разработчикът е избрал да предостави. Агентът за пътувания може да търси полети, но да не може да редактира клиентски записи — всичко зависи какво е свързано.
-
Памет + Знания — Агентите могат да имат краткотрайна памет (текущ разговор) и дълготрайна памет (база данни с клиенти, минали взаимодействия). Агентът за пътувания може да “помни”, че предпочитате места до прозореца.
Различните видове AI агенти
Не всички агенти са изградени еднакво. Ето разбивка на основните видове, използвайки агента за резервации като пример:
| Вид агент | Какво прави | Пример с агент за пътувания |
|---|---|---|
| Прости рефлексни агенти | Следват строго зададени правила — без памет, без планиране. | Вижда имейл с жалба → пренасочва го към обслужване на клиенти. Толкова. |
| Рефлексни агенти с модел | Поддържа вътрешен модел на света и го обновява при промени. | Следи исторически цени на полети и отбелязва маршрути, станали внезапно скъпи. |
| Агенти с цел | Има цел и изчислява как да я достигне стъпка по стъпка. | Резервира пълно пътуване (полети, кола, хотел) от настоящото ви местоположение до дестинацията. |
| Агенти, основани на полезност | Не просто намира някакво решение — намира най-доброто като преценява компромиси. | Балансира цена спрямо удобство за най-подходящото пътуване според вашите предпочитания. |
| Обучаващи се агенти | Ставa по-добър с времето, учейки се от обратна връзка. | Коригира препоръките за резервации според резултатите от анкети след пътуване. |
| Йерархични агенти | Високо ниво агент разделя работата на подзадачи и ги делегира на ниско ниво агенти. | Заявка „анулирай пътуване“ се разделя на: анулирай полет, анулирай хотел, анулирай кола — всяка част изпълнявана от под-агент. |
| Многобройни агенти (MAS) | Няколко независими агенти работят заедно (или се конкурират). | Кооперативни: отделни агенти се грижат за хотели, полети и забавления. Конкурентни: няколко агента се състезават за резервации на хотел на най-добра цена. |
Кога да използвате AI агенти
Просто защото можете да използвате AI агент, не означава, че винаги трябва. Ето ситуациите, в които агентите наистина блестят:
- Отворени проблеми — Когато стъпките за решаване не могат да се предпрограмират. Нужно е LLM да измисли пътя динамично.
- Многостъпкови процеси — Задачи, които изискват използване на инструменти в няколко цикъла, не само еднократна справка или генериране.
- Подобряване с времето — Когато искате системата да става по-умна на база обратна връзка или сигнали от средата.
Подробно ще разгледаме кога (и кога не) да използваме AI агенти в урока Създаване на надеждни AI агенти по-късно в курса.
Основи на агентските решения
Разработка на агенти
Първото, което правите при създаването на агент, е да дефинирате какво може да прави — неговите инструменти, действия и поведения.
В този курс използваме Azure AI Agent Service като основна платформа. Тя поддържа:
- Модели от доставчици като OpenAI, Mistral и Meta (Llama)
- Лицензирани данни от доставчици като Tripadvisor
- Стандартизирани дефиниции на инструменти OpenAPI 3.0
Агентски модели
Комуникирате с LLM чрез подбудители (prompts). При агенти не винаги можете да създадете всяка подбуда ръчно — агентът трябва да действа през много стъпки. Тук идват агентските модели — те са многократно използваеми стратегии за подбуждане и оркестрация на LLM по по-мащабируем и надежден начин.
Този курс е структурирани около най-често срещаните и полезни агентски модели.
Агентски рамки
Агентските рамки предоставят на разработчиците готови шаблони, инструменти и инфраструктура за изграждане на агенти. Те улесняват:
- Свързване на инструменти и възможности
- Наблюдаване на действията на агента (и отстраняване на грешки)
- Сътрудничество между множество агенти
В този курс се фокусираме върху Microsoft Agent Framework (MAF) за изграждане на агенти, готови за продукция.
Примери с код
Готови ли сте да видите това в действие? Ето примерите с код за този урок:
- 🐍 Python: Agent Framework
- 🔷 .NET: Agent Framework
Имаш въпроси?
Присъединете се към Microsoft Foundry Discord, за да се свържете с други ученици, да присъствате на часове за въпроси и да получите отговори от общността за вашите въпроси относно AI агенти.
Предишен урок
Следващ урок
Отказ от отговорност: Този документ е преведен с помощта на AI преводачески услуга Co-op Translator. Въпреки че се стремим към точност, моля имайте предвид, че автоматизираните преводи могат да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за каквито и да е недоразумения или неправилни тълкувания, произтичащи от използването на този превод.