ai-agents-for-beginners
(Klikněte na obrázek výše pro zhlédnutí videa této lekce)
Úvod do AI agentů a jejich využití
Vítejte v kurzu “AI agenti pro začátečníky”! Tento kurz poskytuje základní znalosti a praktické příklady pro tvorbu AI agentů.
Připojte se ke komunitě Azure AI na Discordu, kde se můžete setkat s dalšími studenty a tvůrci AI agentů a klást jakékoliv dotazy ohledně tohoto kurzu.
Na začátku kurzu se zaměříme na lepší pochopení toho, co jsou AI agenti a jak je můžeme využít v aplikacích a pracovních postupech, které vytváříme.
Úvod
Tato lekce zahrnuje:
- Co jsou AI agenti a jaké jsou jejich různé typy?
- Jaké případy použití jsou pro AI agenty nejvhodnější a jak nám mohou pomoci?
- Jaké jsou základní stavební bloky při navrhování agentních řešení?
Cíle učení
Po dokončení této lekce byste měli být schopni:
- Porozumět konceptům AI agentů a jak se liší od jiných AI řešení.
- Efektivně využívat AI agenty.
- Produktivně navrhovat agentní řešení pro uživatele i zákazníky.
Definice AI agentů a typy AI agentů
Co jsou AI agenti?
AI agenti jsou systémy, které umožňují velkým jazykovým modelům (LLMs) provádět akce tím, že rozšiřují jejich schopnosti a poskytují jim přístup k nástrojům a znalostem.
Rozložme tuto definici na menší části:
- Systém - Je důležité vnímat agenty ne jako jeden samostatný komponent, ale jako systém mnoha komponent. Na základní úrovni jsou komponenty AI agenta:
- Prostředí - Definovaný prostor, ve kterém AI agent operuje. Například pokud bychom měli AI agenta pro rezervaci cest, prostředím by mohl být systém pro rezervaci cest, který agent používá k plnění úkolů.
- Senzory - Prostředí obsahuje informace a poskytuje zpětnou vazbu. AI agenti používají senzory k získávání a interpretaci těchto informací o aktuálním stavu prostředí. V příkladu agenta pro rezervaci cest může systém poskytovat informace, jako je dostupnost hotelů nebo ceny letů.
- Aktuátory - Jakmile AI agent obdrží aktuální stav prostředí, určí, jakou akci provést, aby změnil prostředí. V případě agenta pro rezervaci cest by to mohlo být rezervování dostupného pokoje pro uživatele.
Velké jazykové modely - Koncept agentů existoval již před vytvořením LLMs. Výhodou budování AI agentů s LLMs je jejich schopnost interpretovat lidský jazyk a data. Tato schopnost umožňuje LLMs interpretovat informace z prostředí a definovat plán pro změnu prostředí.
Provádění akcí - Mimo systémy AI agentů jsou LLMs omezeny na situace, kdy akce spočívá v generování obsahu nebo informací na základě uživatelského požadavku. Uvnitř systémů AI agentů mohou LLMs plnit úkoly interpretací uživatelského požadavku a využíváním nástrojů dostupných v jejich prostředí.
Přístup k nástrojům - Jaké nástroje má LLM k dispozici, je definováno 1) prostředím, ve kterém operuje, a 2) vývojářem AI agenta. V našem příkladu cestovního agenta jsou nástroje agenta omezeny operacemi dostupnými v rezervačním systému, a/nebo vývojář může omezit přístup agenta k nástrojům na lety.
Paměť + znalosti - Paměť může být krátkodobá v kontextu konverzace mezi uživatelem a agentem. Dlouhodobě, mimo informace poskytované prostředím, mohou AI agenti také získávat znalosti z jiných systémů, služeb, nástrojů a dokonce i od jiných agentů. V příkladu cestovního agenta by tyto znalosti mohly zahrnovat informace o preferencích uživatele uložené v zákaznické databázi.
Různé typy agentů
Nyní, když máme obecnou definici AI agentů, podívejme se na některé konkrétní typy agentů a jak by se aplikovaly na AI agenta pro rezervaci cest.
| Typ agenta | Popis | Příklad |
|---|---|---|
| Jednoduchý reflexní agent | Provádí okamžité akce na základě předem definovaných pravidel. | Cestovní agent interpretuje kontext e-mailu a přeposílá stížnosti na cestování zákaznickému servisu. |
| Modelově založený reflexní agent | Provádí akce na základě modelu světa a změn v tomto modelu. | Cestovní agent upřednostňuje trasy s významnými změnami cen na základě přístupu k historickým datům o cenách. |
| Agent založený na cílech | Vytváří plány k dosažení konkrétních cílů interpretací cíle a určením akcí k jeho dosažení. | Cestovní agent rezervuje cestu určením potřebných cestovních opatření (auto, veřejná doprava, lety) z aktuálního místa do cílové destinace. |
| Agent založený na užitku | Zvažuje preference a numericky vyhodnocuje kompromisy, aby určil, jak dosáhnout cílů. | Cestovní agent maximalizuje užitek tím, že zvažuje pohodlí vs. náklady při rezervaci cestování. |
| Učící se agent | Zlepšuje se v průběhu času reakcí na zpětnou vazbu a úpravou akcí. | Cestovní agent se zlepšuje pomocí zpětné vazby od zákazníků z dotazníků po cestě, aby provedl úpravy budoucích rezervací. |
| Hierarchický agent | Obsahuje více agentů v hierarchickém systému, kde agenti na vyšší úrovni rozdělují úkoly na podúkoly, které dokončují agenti na nižší úrovni. | Cestovní agent ruší cestu rozdělením úkolu na podúkoly (například zrušení konkrétních rezervací) a nechává je dokončit agenty na nižší úrovni, kteří podávají zprávu agentovi na vyšší úrovni. |
| Systémy více agentů (MAS) | Agenti plní úkoly nezávisle, buď kooperativně, nebo konkurenčně. | Kooperativní: Více agentů rezervuje konkrétní cestovní služby, jako jsou hotely, lety a zábava. Konkurenční: Více agentů spravuje a soutěží o sdílený kalendář rezervací hotelu, aby rezervovali zákazníky do hotelu. |
Kdy používat AI agenty
V předchozí části jsme použili příklad cestovního agenta k vysvětlení, jak různé typy agentů mohou být použity v různých scénářích rezervace cest. Tento příklad budeme používat i v průběhu kurzu.
Podívejme se na typy případů použití, pro které jsou AI agenti nejvhodnější:
- Problémy s otevřeným koncem - umožnění LLM určit potřebné kroky k dokončení úkolu, protože je nelze vždy pevně zakódovat do pracovního postupu.
- Vícekrokové procesy - úkoly, které vyžadují určitou úroveň složitosti, při níž AI agent potřebuje používat nástroje nebo informace během více kroků místo jednorázového získání.
- Zlepšení v průběhu času - úkoly, kde se agent může zlepšovat v průběhu času díky zpětné vazbě od svého prostředí nebo uživatelů, aby poskytoval lepší užitek.
Další úvahy o používání AI agentů pokryjeme v lekci Budování důvěryhodných AI agentů.
Základy agentních řešení
Vývoj agentů
Prvním krokem při navrhování systému AI agenta je definování nástrojů, akcí a chování. V tomto kurzu se zaměřujeme na použití Azure AI Agent Service k definování našich agentů. Nabízí funkce jako:
- Výběr otevřených modelů, jako jsou OpenAI, Mistral a Llama
- Použití licencovaných dat prostřednictvím poskytovatelů, jako je Tripadvisor
- Použití standardizovaných nástrojů OpenAPI 3.0
Agentní vzory
Komunikace s LLM probíhá prostřednictvím promptů. Vzhledem k poloautonomní povaze AI agentů není vždy možné nebo nutné ručně znovu promptovat LLM po změně prostředí. Používáme agentní vzory, které nám umožňují promptovat LLM během více kroků škálovatelnějším způsobem.
Tento kurz je rozdělen do některých aktuálně populárních agentních vzorů.
Agentní rámce
Agentní rámce umožňují vývojářům implementovat agentní vzory prostřednictvím kódu. Tyto rámce nabízejí šablony, pluginy a nástroje pro lepší spolupráci AI agentů. Tyto výhody poskytují schopnosti pro lepší pozorovatelnost a řešení problémů systémů AI agentů.
V tomto kurzu prozkoumáme výzkumem podložený rámec AutoGen a produkčně připravený rámec Agent od Semantic Kernel.
Ukázkové kódy
- Python: Agentní rámec
- .NET: Agentní rámec
Máte další otázky ohledně AI agentů?
Připojte se k Azure AI Foundry Discord, kde se můžete setkat s dalšími studenty, zúčastnit se konzultačních hodin a získat odpovědi na vaše otázky ohledně AI agentů.
Předchozí lekce
Další lekce
Prohlášení:
Tento dokument byl přeložen pomocí služby AI pro překlady Co-op Translator. Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho rodném jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.