ai-agents-for-beginners
(Klikněte na obrázek výše a sledujte video k této lekci)
Úvod do AI agentů a případů použití agentů
Vítejte v kurzu AI Agentů pro začátečníky! Tento kurz vám poskytne základní znalosti — a funkční pracovní kód — abyste mohli začít s tvorbou AI agentů od základu.
Přijďte se přivítat do Azure AI Discord komunity — je plná studentů a tvůrců AI, kteří rádi zodpoví vaše dotazy.
Než se pustíme do tvorby, ujistěme se, že opravdu rozumíme tomu, co AI agent je a kdy dává smysl ho použít.
Úvod
Tato lekce zahrnuje:
- Co jsou AI agenti a jaké existují různé typy
- Jaké úkoly jsou pro AI agenty nejvhodnější
- Základní stavební bloky, které budete používat při navrhování agentního řešení
Cíle učení
Na konci této lekce byste měli být schopni:
- Vysvětlit, co je AI agent a jak se liší od běžného AI řešení
- Vědět, kdy sáhnout po AI agentovi (a kdy ne)
- Nakreslit základní návrh agentního řešení pro reálný problém
Definice AI agentů a typy AI agentů
Co jsou AI agenti?
Zde je jednoduchý způsob, jak o nich přemýšlet:
AI agenti jsou systémy, které umožňují Modelům Velkého Jazyka (LLM) skutečně něco dělat — tím, že jim dávají nástroje a znalosti k akci ve světě, ne jen odpovídat na podněty.
Pojďme si to trochu rozebrat:
- Systém — AI agent není jen jedna věc. Je to soubor částí pracujících společně. V jádru má každý agent tři části:
- Prostředí — Prostředí, ve kterém agent pracuje. Pro cestovní agenturu by to byla samotná rezervační platforma.
- Senzory — Jak agent čte aktuální stav svého prostředí. Náš cestovní agent může kontrolovat dostupnost hotelů nebo ceny letů.
- Aktuátory — Jak agent provádí akci. Cestovní agent může rezervovat pokoj, poslat potvrzení nebo zrušit rezervaci.
-
Modely Velkého Jazyka — Agent existovali před LLM, ale LLM jsou to, co dělá moderní agenty tak silnými. Rozumí přirozenému jazyku, uvažují o kontextu a proměňují vágní uživatelský požadavek na konkrétní plán akce.
-
Provádění akcí — Bez agentského systému by LLM jen generoval text. V agentském systému může LLM skutečně provádět kroky — prohledávat databázi, volat API, posílat zprávu.
-
Přístup k nástrojům — Jaké nástroje agent může použít závisí na (1) prostředí, ve kterém běží a (2) co mu vývojář povolil. Cestovní agent může hledat lety, ale nemusí upravovat záznamy zákazníků — vše závisí na napojení.
-
Paměť + znalosti — Agenti mohou mít krátkodobou paměť (aktuální konverzaci) a dlouhodobou paměť (databázi zákazníků, minulé interakce). Cestovní agent si může “pamatovat”, že preferujete sedadla u okna.
Různé typy AI agentů
Ne všichni agenti jsou postaveni stejně. Zde je přehled hlavních typů s použitím cestovního agenta jako příkladu:
| Typ agenta | Co dělá | Příklad cestovního agenta |
|---|---|---|
| Jednoduchý reflexní agent | Sleduje pevně daná pravidla — bez paměti, bez plánování. | Vidí stížnost v emailu → přepošle ji na zákaznický servis. To je vše. |
| Model založený na reflexním agentovi | Udržuje vnitřní model světa a aktualizuje ho, jak se věci mění. | Sleduje historické ceny letenek a signalizuje náhle drahé trasy. |
| Agent založený na cílech | Má cíl a krok za krokem hledá, jak ho dosáhnout. | Rezervuje celou cestu (lety, auto, hotel) z vašeho současného místa do cíle. |
| Agent založený na užitku | Nejenže najde řešení, ale najde to nejlepší tím, že vyvažuje kompromisy. | Vyvažuje cenu a pohodlí, aby našel cestu, která nejlépe vyhovuje vašim preferencím. |
| Učící se agent | Časem se zlepšuje učení se z feedbacku. | Upravené budoucí doporučení na základě výsledků po cestě z dotazníku. |
| Hierarchický agent | Vyšší agent rozdělí práci na podúkoly a deleguje na nižší agenty. | Požadavek “zrušit cestu” se rozdělí na: zrušit let, zrušit hotel, zrušit auto — každý řeší podagent. |
| Systémy více agentů (MAS) | Více nezávislých agentů spolupracuje (nebo soupeří). | Kooperativní: jednotliví agenti řeší hotely, lety a zábavu. Soutěživý: více agentů soupeří o obsazení hotelových pokojů za nejlepší cenu. |
Kdy používat AI agenty
Jen proto, že můžete použít AI agenta, neznamená, že byste ho měli vždy použít. Zde jsou případy, kdy agenty opravdu vynikají:
- Otevřené problémy — Když nelze předem naprogramovat kroky k vyřešení problému. Potřebujete, aby LLM zjistil cestu dynamicky.
- Vícekrokové procesy — Úkoly, které vyžadují použití nástrojů přes několik kroků, ne jen jednu kontrolu nebo generování.
- Zlepšení v čase — Když chcete, aby se systém inteligentně zlepšoval na základě uživatelské zpětné vazby nebo signálů z prostředí.
V lekci Budování důvěryhodných AI agentů se později v kurzu podíváme podrobněji, kdy (a kdy ne) AI agenty používat.
Základy agentních řešení
Vývoj agenta
První věc, kterou uděláte při tvorbě agenta, je definovat co může dělat — jeho nástroje, akce a chování.
V tomto kurzu používáme Microsoft Foundry Agent Service jako hlavní platformu. Podporuje:
- Modely od poskytovatelů jako OpenAI, Mistral a Meta (Llama)
- Licencovaná data od poskytovatelů jako Tripadvisor
- Standardizované definice nástrojů OpenAPI 3.0
Agentní vzory
Komunikujete s LLM pomocí podnětů (promptů). U agentů nelze vždy všechno dělávat ručně — agent musí provádět akce přes mnoho kroků. Proto existují agentní vzory. Jsou to znovupoužitelné strategie pro vyvolávání a orchestraci LLM škálovatelně a spolehlivě.
Tento kurz se strukturuje kolem nejběžnějších a nejužitečnějších agentních vzorů.
Agentní rámce
Agentní rámce dávají vývojářům předpřipravené šablony, nástroje a infrastrukturu pro tvorbu agentů. Ulehčují:
- Napojení nástrojů a schopností
- Sledování, co agent dělá (a ladění, když něco nefunguje)
- Spolupráci mezi více agenty
V tomto kurzu se zaměřujeme na Microsoft Agent Framework (MAF) pro tvorbu produkčně připravených agentů.
Příklady kódu
Připravení vidět to v akci? Zde jsou ukázky kódu pro tuto lekci:
- 🐍 Python: Agent Framework
- 🔷 .NET: Agent Framework
Máte otázky?
Připojte se k Microsoft Foundry Discord, spojte se s ostatními studenty, navštěvujte konzultační hodiny a získejte odpovědi na své otázky týkající se AI agentů od komunity.
Testování agenta (volitelné)
Jakmile se naučíte nasazovat agenty v Lekci 16, můžete přidat rychlou kontrolu po nasazení pro tento lekční TravelAgent pomocí připraveného katalogu tests/lesson-01-smoke-tests.json. Viz tests/README.md jak jej spustit.
Předchozí lekce
Další lekce
Prohlášení o omezení odpovědnosti: Tento dokument byl přeložen pomocí AI překladatelské služby Co-op Translator. Přestože usilujeme o co největší přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho mateřském jazyce by měl být považován za autoritativní zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za jakékoli nedorozumění nebo nesprávné interpretace vzniklé použitím tohoto překladu.