ai-agents-for-beginners
(Кликнете върху изображението по-горе, за да гледате видеото за този урок)
Въведение в AI Агентите и Приложенията им
Добре дошли в курса AI Агентите за начинаещи! Този курс ви дава основни знания — и работещ код — за да започнете да създавате AI агенти от нулата.
Елате да кажете „здравей“ в Azure AI Discord общността — тя е пълна с ученици и AI разработчици, които с радост отговарят на въпроси.
Преди да започнем да строим, нека първо да разберем какво точно представлява AI агент и кога има смисъл да се използва такъв.
Въведение
Този урок обхваща:
- Какво са AI агенти и какви различни видове съществуват
- За какви задачи AI агентите са най-подходящи
- Основните съставни 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 обикновено AI решение
- Знаете кога да използвате AI агент (и кога не)
- Начертаете основен дизайн на агентско решение за реален проблем
Дефиниция на AI Агентите и Видове AI Агенти
Какво са AI агенти?
Ето един прост начин да го мислим:
AI агентите са системи, които позволяват на езиковите модели с голям обхват (LLMs) действително да вършат неща — като им дават инструменти и знания да действат в света, а не само да отговарят на подсказки.
Нека разгледаме по-подробно:
- Система — AI агентът не е само едно нещо. Това е съвкупност от части, работещи заедно. В основата си всеки агент има три части:
- Обкръжение — Пространството, в което агентът работи. За агент по резервации на пътувания това би била самата платформа за резервации.
- Сензори — Начинът, по който агентът чете текущото състояние на обкръжението. Нашият агент по пътувания може да проверява наличността на хотели или цени на полети.
- Актуатори — Как агентът извършва действия. Агентът по пътувания може да резервира стая, да изпрати потвърждение или да анулира резервация.
-
Езикови модели с голям обхват — Агенти са съществували преди LLM, но LLM правят съвременните агенти изключително мощни. Те могат да разбират естествен език, да разсъждават за контекст и да превърнат неясна заявка на потребителя в конкретен план за действие.
-
Изпълняват действия — Без агентна система, LLM просто генерира текст. В рамките на агентна система, LLM може действително да изпълни стъпки — да търси в база данни, да извиква API, да изпраща съобщения.
-
Достъп до инструменти — Какви инструменти може да използва агентът зависи от (1) средата, в която работи, и (2) какво разработчикът е избрал да му предостави. Агентът по пътувания може да търси полети, но не може да редактира клиентски записи — всичко зависи от връзките, които сте установили.
-
Памет + Знания — Агентите могат да имат късосрочна памет (текущия разговор) и дългосрочна памет (база данни с клиенти, минали взаимодействия). Агентът по пътувания може да “помни”, че предпочитате места до прозореца.
Различните видове AI агенти
Не всички агенти са изградени по един и същ начин. Ето разбивка на основните видове, използвайки агента по резервации на пътувания като пример:
| Вид агент | Какво прави | Пример с агент по пътувания |
|---|---|---|
| Прости рефлексни агенти | Следват предварително зададени правила — без памет, без планиране. | Вижда имейл с оплакване → препраща го към обслужване на клиенти. Това е всичко. |
| Моделно базирани рефлексни агенти | Запазват вътрешен модел на света и го обновяват при промени. | Следи исторически цени на полети и сигнализира за внезапно скъпи маршрути. |
| Целево базирани агенти | Имат цел и плануват стъпка по стъпка как да я достигнат. | Записва цялото пътуване (полети, кола, хотел) от текущото ви местоположение до крайната дестинация. |
| Агенти базирани на полезност | Не просто намират някакво решение — намират най-доброто чрез претегляне на компромиси. | Балансира цена срещу удобство, за да намери пътуване с най-висък резултат според вашите предпочитания. |
| Обучаващи се агенти | Подобряват се с времето чрез обучение от обратна връзка. | Коригира бъдещите препоръки за резервации въз основа на отговорите от анкети след пътуване. |
| Йерархични агенти | Високоефективен агент разбива работата на подзадачи и делегира на по-ниски агенти. | Заявката „анулирай пътуване“ се разделя на: анулирай полет, анулирай хотел, анулирай кола — всяка обработена от под-агент. |
| Мулти-агентни системи (MAS) | Няколко независими агента работят заедно (или се състезават). | Кооперативно: различни агенти се грижат за хотели, полети и развлечения. Конкурентно: няколко агента се конкурират да запълнят 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 блестят:
- Отворени проблеми — Когато стъпките за решаване не могат да се програмират предварително. Трябва LLM да изчисли пътя динамично.
- Многостъпкови процеси — Задачи, които изискват използване на инструменти за няколко цикъла, а не само едно търсене или генериране.
- Подобряване с времето — Когато искате системата да става по-умна на база обратна връзка от потребители или сигнали от средата.
Ще разгледаме по-подробно кога (и кога не) да използваме AI агенти в урока Изграждане на доверени AI агенти по-късно в курса.
Основи на агентските решения
Разработка на агент
Първото, което правите при създаване на агент, е да дефинирате какво може да прави — инструментите, действията и поведението му.
В този курс използваме Azure AI Agent Service като основна платформа. Тя поддържа:
- Отворени модели като OpenAI, Mistral и Llama
- Лицензирани данни от доставчици като Tripadvisor
- Стандартизирани OpenAPI 3.0 дефиниции за инструменти
Агентски модели
Комуникирате с LLM чрез подсказки. При агентите не винаги можете да създавате ръчно всяка подсказка — агентът трябва да действа през много стъпки. Тук влизат Агентските модели. Те са преизползваеми стратегии за подаване на подсказки и координация на LLM по по-мащабируем и надежден начин.
Този курс е структуриран около най-често срещаните и полезни агентски модели.
Агентски рамки
Агентските рамки осигуряват на разработчиците готови шаблони, инструменти и инфраструктура за създаване на агенти. Те улесняват:
- Свързване на инструменти и възможности
- Наблюдение какво прави агентът (и отстраняване на грешки при проблем)
- Сътрудничество между няколко агента
В този курс се фокусираме върху Microsoft Agent Framework (MAF) за изграждане на агенти готови за продукция.
Примери с код
Готови ли сте да го видите в действие? Ето примерите с код за този урок:
- 🐍 Python: Agent Framework
- 🔷 .NET: Agent Framework
Имaте ли въпроси?
Присъединете се към Microsoft Foundry Discord, за да се свържете с други ученици, да посетите консултации и да получите отговори на въпросите си за AI агенти от общността.
Предишен урок
Следващ урок
Отказ от отговорност:
Този документ е преведен с помощта на AI преводаческа услуга Co-op Translator. Въпреки че се стремим към точност, имайте предвид, че автоматизираните преводи могат да съдържат грешки или неточности. Оригиналният документ на неговия език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за никакви недоразумения или неправилни тълкувания, възникнали от използването на този превод.