ai-agents-for-beginners
(Кликнете на горното изображение, за да гледате видеото за този урок)
Въведение в AI агенти и случаи на използване на агенти
Добре дошли в курса AI Агенти за начинаещи! Този курс ви дава основни знания — и реален работещ код — за да започнете да създавате AI агенти от нулата.
Елате да кажете „здрасти“ в Azure AI Discord общността — там има много учащи и строители на AI, които с радост отговарят на въпроси.
Преди да започнем с разработването, нека се уверим, че всъщност разбираме какво е AI агент и кога има смисъл да се използва такъв.
Въведение
Този урок обхваща:
- Какво са AI агенти и различните видове, които съществуват
- Какви задачи са най-подходящи за AI агенти
- Основните градивни елементи, които ще използвате при проектирането на агентско решение
Цели на обучението
Към края на този урок трябва да можете:
- Да обясните какво е AI агент и как се различава от обичайно AI решение
- Да знаете кога да използвате AI агент (и кога не)
- Да начертаете основен 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 мислим:
AI агенти са системи, които позволяват на големите езикови модели (LLMs) да правят неща — като им предоставят инструменти и знания да действат върху света, а не само да отговарят на запитвания.
Нека разгледаме това по-подробно:
- Система — AI агентът не е просто една единица. Това е колекция от части, които работят заедно. В основата си всеки агент има три компонента:
- Околна среда — Пространството, в което агентът работи. За един агент за резервации на пътувания това е самата платформа за резервации.
- Сензори — Как агентът чете текущото състояние на своята среда. Нашият агент за пътувания може да проверява наличността на хотели или цени на полети.
- Изпълнители — Как агентът предприема действия. Агентът за пътувания може да резервира стая, да изпрати потвърждение или да анулира резервация.
-
Големи езикови модели — Агенти са съществували и преди LLM, но LLM са тези, които правят съвременните агенти толкова мощни. Те разбират естествен език, разсъждават за контекста и превръщат неясно потребителско искане в конкретен план за действие.
-
Изпълняване на действия — Без агенстка система, LLM просто генерира текст. В агенстка система LLM действително може да изпълнява стъпки — търсенe в база данни, извикване на API, изпращане на съобщение.
-
Достъп до инструменти — Какви инструменти агентът може да използва зависи от (1) средата, в която работи, и (2) какво разработчикът е решил да му предостави. Агентът за пътувания може да търси полети, но не и да редактира клиентски записи — всичко зависи какво сте свързали.
-
Памет и знание — Агенти могат да имат краткосрочна памет (текущия разговор) и дългосрочна памет (клиентска база данни, минали взаимодействия). Агентът за пътувания може „да помни“, че предпочитате места до прозореца.
Различните видове AI агенти
Не всички агенти са изградени по един и същи начин. Ето разграждане на основните видове, използвайки агента за резервации на пътувания като пример:
| Тип агент | Какво прави | Пример с агент за пътувания |
|---|---|---|
| Прости рефлекторни агенти | Следват кодирани правила — без памет, без планиране. | Вижда жалба по имейл → препраща я към обслужване на клиенти. Това е всичко. |
| Моделно базирани рефлекторни агенти | Поддържа вътрешен модел на света и го актуализира с промяната му. | Следи исторически цени на полетите и сигнализира за маршрути, които внезапно са скъпи. |
| Агенти с цел | Има цел и изчислява как да я достигне стъпка по стъпка. | Резервира цялото пътуване (полети, кола, хотел) от вашето текущо местоположение до желаната дестинация. |
| Агенти, базирани на полезност | Не намира просто решение — намира най-доброто като претегля компромиси. | Балансира цена срещу удобство, за да намери най-подходящото пътуване за вашите предпочитания. |
| Обучаващи се агенти | Подобряват се с времето, като се учат от обратна връзка. | Коригира бъдещите препоръки за резервации въз основа на резултати от анкети след пътуване. |
| Йерархични агенти | Високопоставен агент разбива работата на подзадачи и ги делегира на по-ниски агенти. | Заявка за „отмяна на пътуване“ се разделя на: отмяна на полет, отмяна на хотел, отмяна на кола — всяка част се обработва от подагент. |
| Мултиагентни системи (MAS) | Множество независими агенти работят заедно (или се конкурират). | Кооперативни: отделни агенти се грижат за хотели, полети и забавления. Конкурентни: множество агенти се състезават за заетост на хотелски стаи на най-добра цена. |
Кога да използваме AI агенти
Само 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 бъдат предварително програмирани. Нужно е LLM да открие пътя динамично.
- Многоетапни процеси — Задачи, които изискват използване на инструменти през няколко хода, не само еднократно търсене или генериране.
- Подобрение с времето — Когато искате системата да става по-умна въз основа на обратна връзка от потребители или сигнали от околната среда.
Ще навлезем по-дълбоко в кога (и кога не) да използваме AI агенти в урока Изграждане на доверие в AI агенти по-късно в курса.
Основи на агентските решения
Разработка на агенти
Първото нещо, което правите при създаването на агент, е да дефинирате какво може да прави — неговите инструменти, действия и поведения.
В този курс използваме Microsoft Foundry 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 по OpenAPI 3.0
Агентски модели
Комуникирате с LLM чрез запитвания. С агентите не може винаги да изработвате всяко запитване ръчно — агентът трябва да действа в няколко стъпки. Там идват агентските модели. Те са многократно използваеми стратегии за съставяне и организиране на LLM по по-скалируем, надежден начин.
Този курс е структуриран около най-често използваните 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 при проблеми)
- Сътрудничество между множество агенти
В този курс се фокусираме върху Microsoft Agent Framework (MAF) за изграждане на продукционно готови агенти.
Примери с код
Готови ли сте да го видите в действие? Ето примерите с код за този урок:
- 🐍 Python: Agent Framework
- 🔷 .NET: Agent Framework
Имате въпроси?
Присъединете се към Microsoft Foundry Discord, за да се свържете с други учащи, да посетите часове за въпроси и да получите отговори за AI агенти от общността.
Тест за основна функционалност на агента (по избор)
След като научите как се разгръщат агенти в Урок 16, можете да добавите бърза здравна проверка след разгръщане за TravelAgent от този урок с готовия каталог tests/lesson-01-smoke-tests.json. Вижте tests/README.md за инструкции как да го използвате.
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.