ai-agents-for-beginners

Изследване на рамките за AI агенти

(Кликнете върху изображението по-горе, за да гледате видеото на този урок)

Изследване на рамките за AI агенти

Рамките за AI агенти са софтуерни платформи, създадени да опростят създаването, внедряването и управлението на AI агенти. Тези рамки предоставят на разработчиците предварително създадени компоненти, абстракции и инструменти, които улесняват разработването на сложни AI системи.

Тези рамки помагат на разработчиците да се съсредоточат върху уникалните аспекти на своите приложения, като предоставят стандартизирани подходи към общи предизвикателства при разработката на AI агенти. Те повишават мащабируемостта, достъпността и ефективността при изграждането на AI системи.

Въведение

Този урок ще обхване:

Цели на обучението

Целите на този урок са да ви помогнат да разберете:

Какво са рамките за AI агенти и какво позволяват на разработчиците да направят?

Традиционните AI рамки могат да ви помогнат да интегрирате AI в приложенията си и да ги направят по-добри по следните начини:

Звучи чудесно, нали? Защо тогава ни е необходима рамката за AI агенти?

Рамките за AI агенти представляват нещо повече от обикновени AI рамки. Те са създадени да позволят създаването на интелигентни агенти, които могат да взаимодействат с потребители, други агенти и околната среда, за да постигнат конкретни цели. Тези агенти могат да проявяват автономно поведение, да вземат решения и да се адаптират към променящи се условия. Нека разгледаме някои ключови възможности, осигурени от рамките за AI агенти:

В обобщение, агентите ви позволяват да правите повече, да повдигнете автоматизацията на следващо ниво, създавайки по-интелигентни системи, които могат да се адаптират и учат от околната среда.

Как да прототипираме бързо, да итерираме и подобряваме възможностите на агента?

Това е динамична област, но има някои общи неща в повечето рамки за AI агенти, които могат да ви помогнат бързо да прототипирате и итеративно да подобрявате — а именно модулни компоненти, съвместни инструменти и обучение в реално време. Нека разгледаме тези аспекти:

Използване на модулни компоненти

SDK-та като Microsoft Agent Framework предлагат предварително създадени компоненти като AI конектори, дефиниции на инструменти и управление на агенти.

Как екипите могат да ги използват: Екипите могат бързо да сглобят тези компоненти, за да създадат функционален прототип без да започват от нулата, позволявайки бързи експерименти и итерации.

Как работи на практика: Можете да използвате предварително създаден парсър за извличане на информация от входа на потребителя, модул за памет за съхранение и извличане на данни и генератор на заявки за взаимодействие с потребителите, без да строите тези компоненти от нулата.

Примерен код. Нека видим пример за използване на Microsoft Agent Framework с FoundryChatClient, за да има моделът отговор на въпроси с извикване на инструменти:

# Пример на Microsoft Agent Framework на Python

import asyncio
import os

from agent_framework import tool
from agent_framework.foundry import FoundryChatClient
from azure.identity import AzureCliCredential


# Дефинирайте примерна функция на инструмент за резервация на пътуване
@tool(approval_mode="never_require")
def book_flight(date: str, location: str) -> str:
    """Book travel given location and date."""
    return f"Travel was booked to {location} on {date}"


async def main():
    provider = FoundryChatClient(
        project_endpoint=os.environ["AZURE_AI_PROJECT_ENDPOINT"],
        model=os.environ["AZURE_AI_MODEL_DEPLOYMENT_NAME"],
        credential=AzureCliCredential(),
    )
    agent = provider.as_agent(
        name="travel_agent",
        instructions="Help the user book travel. Use the book_flight tool when ready.",
        tools=[book_flight],
    )

    response = await agent.run("I'd like to go to New York on January 1, 2025")
    print(response)
    # Примерен изход: Вашият полет до Ню Йорк на 1 януари 2025 г. е успешно резервиран. Приятно пътуване! ✈️🗽


if __name__ == "__main__":
    asyncio.run(main())

Това, което можете да видите от този пример, е как можете да използвате предварително създаден парсър за извличане на ключова информация от входа на потребителя, като произход, дестинация и дата на заявка за резервация на полет. Този модулен подход ви позволява да се фокусирате върху високониво логика.

Използване на съвместни инструменти

Рамки като Microsoft Agent Framework улесняват създаването на множество агенти, които могат да работят съвместно.

Как екипите могат да ги използват: Екипите могат да създават агенти с конкретни роли и задачи, като тестват и усъвършенстват съвместни работни потоци и подобряват общата ефективност на системата.

Как работи на практика: Можете да създадете екип от агенти, където всеки агент има специализирана функция, като извличане на данни, анализ или вземане на решения. Тези агенти могат да комуникират и споделят информация, за да постигнат обща цел, като отговор на потребителско запитване или изпълнение на задача.

Примерен код (Microsoft Agent Framework):

# Създаване на множество агенти, които работят заедно, използвайки Microsoft Agent Framework

import os
from agent_framework.foundry import FoundryChatClient
from azure.identity import AzureCliCredential

provider = FoundryChatClient(
    project_endpoint=os.environ["AZURE_AI_PROJECT_ENDPOINT"],
    model=os.environ["AZURE_AI_MODEL_DEPLOYMENT_NAME"],
    credential=AzureCliCredential(),
)

# Агент за извличане на данни
agent_retrieve = provider.as_agent(
    name="dataretrieval",
    instructions="Retrieve relevant data using available tools.",
    tools=[retrieve_tool],
)

# Агент за анализ на данни
agent_analyze = provider.as_agent(
    name="dataanalysis",
    instructions="Analyze the retrieved data and provide insights.",
    tools=[analyze_tool],
)

# Стартиране на агентите последователно за задача
retrieval_result = await agent_retrieve.run("Retrieve sales data for Q4")
analysis_result = await agent_analyze.run(f"Analyze this data: {retrieval_result}")
print(analysis_result)

В предния код виждате как можете да създадете задача, включваща множество агенти, които работят заедно за анализ на данни. Всеки агент изпълнява конкретна функция, а задачата се изпълнява чрез координация на агентите за постигане на желания резултат. Създаването на специализирани агенти подобрява ефективността и производителността на задачите.

Учете в реално време

Разширените рамки предлагат възможности за контекстуално разбиране и адаптация в реално време.

Как екипите могат да ги използват: Екипите могат да внедрят обратни връзки, при които агентите се учат от взаимодействия и динамично коригират поведението си, което води до непрекъснато подобрение и усъвършенстване на възможностите.

Как работи на практика: Агентите могат да анализират обратна връзка от потребители, данни от околната среда и резултати от задачи, за да актуализират база знания, да коригират алгоритми за вземане на решения и да подобрят изпълнението си с времето. Този итеративен процес на учене позволява агентите да се адаптират към променящи се условия и потребителски предпочитания, повишавайки цялостната ефективност на системата.

Какви са разликите между Microsoft Agent Framework и Microsoft Foundry Agent Service?

Съществуват много начини за сравнение на тези подходи, но нека погледнем някои ключови разлики по отношение на дизайн, възможности и целеви случаи на използване:

Microsoft Agent Framework (MAF)

Microsoft Agent Framework предоставя опростен SDK за изграждане на AI агенти с помощта на FoundryChatClient. Той позволява на разработчиците да създават агенти, които използват Azure OpenAI модели с вградена поддръжка за извикване на инструменти, управление на разговори и корпоративна сигурност чрез Azure идентичност.

Случаи на използване: Изграждане на AI агенти за производство с използване на инструменти, многостъпкови работни потоци и корпоративна интеграция.

Ето някои важни основни концепции на Microsoft Agent Framework:

Microsoft Foundry Agent Service

Microsoft Foundry Agent Service е по-нова услуга, представена на Microsoft Ignite 2024. Тя позволява разработка и внедряване на AI агенти с по-гъвкави модели, като директно извикване на отворени LLM модели като Llama 3, Mistral и Cohere.

Microsoft Foundry Agent Service предоставя по-силни механизми за корпоративна сигурност и методи за съхранение на данни, което я прави подходяща за корпоративни приложения.

Тя работи директно с Microsoft Agent Framework за изграждане и внедряване на агенти.

Тази услуга в момента е в публичен преглед и поддържа Python и C# за изграждане на агенти.

С помощта на Python SDK за Microsoft Foundry Agent Service можем да създадем агент с потребителски дефиниран инструмент:

import asyncio
from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient

# Дефинирайте функции на инструмента
def get_specials() -> str:
    """Provides a list of specials from the menu."""
    return """
    Special Soup: Clam Chowder
    Special Salad: Cobb Salad
    Special Drink: Chai Tea
    """

def get_item_price(menu_item: str) -> str:
    """Provides the price of the requested menu item."""
    return "$9.99"


async def main() -> None:
    credential = DefaultAzureCredential()
    project_client = AIProjectClient.from_connection_string(
        credential=credential,
        conn_str="your-connection-string",
    )

    agent = project_client.agents.create_agent(
        model="gpt-4.1-mini",
        name="Host",
        instructions="Answer questions about the menu.",
        tools=[get_specials, get_item_price],
    )

    thread = project_client.agents.create_thread()

    user_inputs = [
        "Hello",
        "What is the special soup?",
        "How much does that cost?",
        "Thank you",
    ]

    for user_input in user_inputs:
        print(f"# User: '{user_input}'")
        message = project_client.agents.create_message(
            thread_id=thread.id,
            role="user",
            content=user_input,
        )
        run = project_client.agents.create_and_process_run(
            thread_id=thread.id, agent_id=agent.id
        )
        messages = project_client.agents.list_messages(thread_id=thread.id)
        print(f"# Agent: {messages.data[0].content[0].text.value}")


if __name__ == "__main__":
    asyncio.run(main())

Основни концепции

Microsoft Foundry Agent Service има следните основни концепции:

Случаи на използване: Microsoft Foundry Agent Service е предназначена за корпоративни приложения, които изискват сигурно, мащабируемо и гъвкаво внедряване на AI агенти.

Коя е разликата между тези подходи?

Звучи сякаш има припокриване, но има някои ключови разлики по отношение на дизайн, възможности и целеви случаи на използване:

Още не сте сигурни кого да изберете?

Примери за използване

Нека видим дали можем да ви помогнем, като разгледаме някои често срещани случаи на използване:

Въпрос: Изграждам продукционни AI приложения с агенти и искам да започна бързо

Отговор: Microsoft Agent Framework е чудесен избор. Той предоставя прост, Python-ориентиран API чрез FoundryChatClient, който ви позволява да дефинирате агенти с инструменти и инструкции само с няколко реда код.

Въпрос: Нужно ми е корпоративно внедряване с интеграции в Azure като Search и изпълнение на код

Отговор: Microsoft Foundry Agent Service е най-подходяща. Това е платформа и услуга с вградени възможности за множество модели, Azure AI Search, Bing Search и Azure Functions. Позволява ви лесно да изграждате агенти в Foundry портал и да ги внедрявате мащабируемо.

Въпрос: Все още съм объркан, просто ми дайте един вариант

Отговор: Започнете с Microsoft Agent Framework за изграждане на вашите агенти, след което използвайте Microsoft Foundry Agent Service, когато трябва да ги внедрите и мащабирате в производство. Този подход ви позволява бързо да итерате върху логиката на агента си, като имате ясен път към корпоративно внедряване.

Нека обобщим ключовите разлики в таблица:

Рамка Фокус Основни концепции Случаи на използване
Microsoft Agent Framework Опростен агент SDK с извикване на инструменти Агенти, Инструменти, Azure идентичност Изграждане на AI агенти, използване на инструменти, многостъпкови работни потоци
Microsoft Foundry Agent Service Гъвкави модели, корпоративна сигурност, генериране на код, извикване на инструменти Модуларност, Сътрудничество, Оркестрация на процеси Сигурно, мащабируемо и гъвкаво внедряване на AI агенти

Мога ли да интегрирам директно съществуващите си инструменти от Azure екосистемата или ми трябват независими решения?

Отговорът е да, можете да интегрирате съществуващите си инструменти от екосистемата на Azure директно с Microsoft Foundry Agent Service, особено тъй като е създаден да работи безпроблемно с други Azure услуги. Например можете да интегрирате Bing, Azure AI Search и Azure Functions. Също така има дълбока интеграция с Microsoft Foundry.

Microsoft Agent Framework също се интегрира с Azure услуги чрез FoundryChatClient и Azure идентичност, позволявайки ви да извиквате Azure услуги директно от вашите агентски инструменти.

Примерни кодове

Имаш още въпроси за AI Agent Frameworks?

Присъедини се към Microsoft Foundry Discord, за да се срещнеш с други учащи, да посетиш консултации и да получиш отговори на въпросите си за AI агенти.

Референции

Предишен урок

Въведение в AI Агенти и случаи на използване на агенти

Следващ урок

Разбиране на агентните дизайнерски модели

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.

This site is open source. Improve this page.