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 k Azure AI Foundry Discord, kde se můžete setkat s dalšími studenty a tvůrci AI agentů a klást jakékoli otázky týkající se 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 kameny při navrhování agentních řešení?
Cíle učení
Po dokončení této lekce byste měli být schopni:
- Pochopit koncepty AI agentů a jak se liší od jiných AI řešení.
- Efektivně aplikovat AI agenty.
- Produktivně navrhovat agentní řešení pro uživatele i zákazníky.
Definice AI agentů a jejich typy
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 si tuto definici na menší části:
- Systém – Je důležité vnímat agenty ne jako jeden samostatný prvek, ale jako systém složený z mnoha komponent. Základní komponenty AI agenta jsou:
- Prostředí – Definovaný prostor, ve kterém AI agent operuje. Například u AI agenta pro rezervaci cest by prostředím mohl být rezervační systém, který agent používá k plnění úkolů.
- Senzory – Prostředí poskytuje informace a zpětnou vazbu. AI agenti používají senzory k získávání a interpretaci těchto informací o aktuálním stavu prostředí. V příkladu s rezervačním agentem by senzory mohly poskytovat informace, jako je dostupnost hotelů nebo ceny letů.
- Aktuátory – Jakmile AI agent obdrží aktuální stav prostředí, určí, jakou akci provést, aby prostředí změnil. U rezervačního agenta by to mohlo být například rezervování dostupného pokoje pro uživatele.
Velké jazykové modely – Koncept agentů existoval již před vznikem LLM. Výhodou budování AI agentů s LLM je jejich schopnost interpretovat lidský jazyk a data. Tato schopnost umožňuje LLM interpretovat informace z prostředí a definovat plán pro změnu prostředí.
Provádění akcí – Mimo systémy AI agentů jsou LLM omezeny na situace, kdy akce spočívá v generování obsahu nebo informací na základě uživatelského zadání. V systémech AI agentů mohou LLM plnit úkoly interpretací uživatelských požadavků 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 s rezervačním agentem jsou nástroje omezeny operacemi dostupnými v rezervačním systému, případně může vývojář omezit přístup agenta pouze na určité funkce, například na lety.
Paměť + znalosti – Paměť může být krátkodobá v kontextu konverzace mezi uživatelem a agentem. Dlouhodobě, mimo informace poskytované prostředím, mohou AI agenti získávat znalosti z jiných systémů, služeb, nástrojů a dokonce i od jiných agentů. V příkladu s rezervačním agentem by těmito znalostmi mohly být informace o uživatelských preferencích uložené v zákaznické databázi.
Různé typy agentů
Nyní, když máme obecnou definici AI agentů, podívejme se na konkrétní typy agentů a jak by mohly být aplikovány na rezervačního AI agenta.
| Typ agenta | Popis | Příklad |
|---|---|---|
| Jednoduchý reflexní agent | Provádí okamžité akce na základě předem definovaných pravidel. | Rezervační 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. | Rezervační agent upřednostňuje trasy s významnými změnami cen na základě přístupu k historickým údajům o cenách. |
| Agent založený na cílech | Vytváří plány k dosažení konkrétních cílů interpretací cíle a určením akcí k jeho dosažení. | Rezervační 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. | Rezervační agent maximalizuje užitek tím, že váží pohodlí oproti nákladům při rezervaci cesty. |
| Učící se agent | Zlepšuje se v průběhu času na základě zpětné vazby a přizpůsobuje své akce. | Rezervační agent se zlepšuje na základě zpětné vazby od zákazníků z dotazníků po cestě, aby provedl úpravy při budoucích rezervacích. |
| Hierarchický agent | Obsahuje více agentů v hierarchickém systému, kde agenti na vyšší úrovni rozdělují úkoly na podúkoly, které plní agenti na nižší úrovni. | Rezervační 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 rezervační kalendář hotelu, aby zákazníky ubytovali. |
Kdy používat AI agenty
V předchozí části jsme použili příklad rezervačního agenta k vysvětlení, jak lze různé typy agentů použít 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:
- Otevřené problémy – 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, kdy AI agent potřebuje používat nástroje nebo informace během více kroků, nikoli jednorázově.
- Zlepšování v průběhu času – úkoly, kde se agent může zlepšovat na základě zpětné vazby od prostředí nebo uživatelů, aby poskytoval lepší užitek.
Další úvahy o používání AI agentů pokryjeme v lekci o 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 odstraňování problémů v systémech AI agentů.
V tomto kurzu prozkoumáme výzkumně orientovaný rámec AutoGen a produkčně připravený rámec Agent od Semantic Kernel.
Máte další otázky o AI agentech?
Připojte se k Azure AI Foundry Discord, kde se můžete setkat s dalšími studenty, zúčastnit se konzultačních hodin a získat odpovědi na své otázky ohledně AI agentů.
Předchozí lekce
Další lekce
Prohlášení:
Tento dokument byl přeložen pomocí služby pro automatický překlad Co-op Translator. I když se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Nenese odpovědnost za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.