ai-agents-for-beginners

Prozkoumávání rámců AI agentů

(Klikněte na obrázek výše pro zhlédnutí videa této lekce)

Prozkoumejte rámce AI agentů

Rámce AI agentů jsou softwarové platformy navržené ke zjednodušení tvorby, nasazení a správy AI agentů. Tyto rámce poskytují vývojářům předem připravené komponenty, abstrakce a nástroje, které zjednodušují vývoj složitých AI systémů.

Tyto rámce pomáhají vývojářům soustředit se na jedinečné aspekty jejich aplikací tím, že poskytují standardizované přístupy ke společným výzvám ve vývoji AI agentů. Zvyšují škálovatelnost, přístupnost a efektivitu při vytváření AI systémů.

Úvod

Tato lekce pokryje:

Cíle učení

Cílem této lekce je pomoci vám porozumět:

Co jsou rámce AI agentů a co umožňují vývojářům dělat?

Tradiční AI rámce vám mohou pomoci integrovat AI do vašich aplikací a zlepšit tyto aplikace následujícími způsoby:

To zní skvěle, tak proč tedy potřebujeme AI Agent Framework?

Rámce AI agentů představují něco víc než jen AI rámce. Jsou navrženy pro tvorbu inteligentních agentů, kteří mohou komunikovat s uživateli, jinými agenty a prostředím, aby dosáhli konkrétních cílů. Tito agenti mohou vykazovat autonomní chování, přijímat rozhodnutí a přizpůsobovat se měnícím se podmínkám. Podívejme se na některé klíčové schopnosti umožněné rámci AI agentů:

Shrnutě, agenti vám umožňují dělat více, posouvat automatizaci na další úroveň a vytvářet inteligentnější systémy, které se umí přizpůsobovat a učit ze svého okolí.

Jak rychle prototypovat, iterovat a zlepšovat schopnosti agenta?

Toto je rychle se vyvíjející oblast, ale existují některé společné prvky napříč většinou rámců AI agentů, které vám mohou pomoci rychle prototypovat a iterovat, a to zejména modulární komponenty, kolaborativní nástroje a učení v reálném čase. Pojďme se na ně podívat blíže:

Používejte modulární komponenty

SDK jako Microsoft Agent Framework nabízí předem připravené komponenty jako AI konektory, definice nástrojů a správu agentů.

Jak to mohou týmy využít: Týmy mohou rychle sestavit tyto komponenty k vytvoření funkčního prototypu bez nutnosti začínat od nuly, což umožňuje rychlé experimentování a iterace.

Jak to funguje v praxi: Můžete použít předem připravený parser pro extrakci informací z uživatelského vstupu, paměťový modul pro ukládání a vyhledávání dat a generátor promptů pro interakci s uživateli, vše bez nutnosti vytvářet tyto komponenty od začátku.

Příklad kódu. Podívejme se na příklad, jak můžete použít Microsoft Agent Framework s FoundryChatClient, aby model reagoval na uživatelský vstup s voláním nástrojů:

# Microsoft Agent Framework Příklad v Pythonu

import asyncio
import os

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


# Definujte vzorovou funkci nástroje pro rezervaci cesty
@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)
    # Příklad výstupu: Váš let do New Yorku dne 1. ledna 2025 byl úspěšně rezervován. Šťastnou cestu! ✈️🗽


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

Z tohoto příkladu můžete vidět, jak můžete využít předem připravený parser k extrahování klíčových informací z uživatelského vstupu, jako jsou místo začátku, cílová destinace a datum požadavku na rezervaci letenky. Tento modulární přístup vám umožňuje soustředit se na logiku na vyšší úrovni.

Využívejte kolaborativní nástroje

Rámce jako Microsoft Agent Framework usnadňují tvorbu více agentů, kteří mohou spolupracovat.

Jak to mohou týmy využít: Týmy mohou navrhovat agenty se specifickými rolemi a úkoly, umožňující testovat a zdokonalovat spolupracující pracovní postupy a zvyšovat celkovou efektivitu systému.

Jak to funguje v praxi: Můžete vytvořit tým agentů, kdy každý agent má specializovanou funkci, jako je získávání dat, analýza nebo rozhodování. Tito agenti mohou komunikovat a sdílet informace, aby dosáhli společného cíle, například odpovědi na uživatelský dotaz nebo dokončení úkolu.

Příklad kódu (Microsoft Agent Framework):

# Vytváření více agentů, kteří spolupracují pomocí 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(),
)

# Agent pro získávání dat
agent_retrieve = provider.as_agent(
    name="dataretrieval",
    instructions="Retrieve relevant data using available tools.",
    tools=[retrieve_tool],
)

# Agent pro analýzu dat
agent_analyze = provider.as_agent(
    name="dataanalysis",
    instructions="Analyze the retrieved data and provide insights.",
    tools=[analyze_tool],
)

# Spouštění agentů postupně na úkolu
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)

V předchozím kódu vidíte, jak vytvořit úkol, který vyžaduje spolupráci více agentů při analýze dat. Každý agent vykonává specifickou funkci a úkol je prováděn koordinací agentů s cílem dosáhnout požadovaného výsledku. Vytvářením dedikovaných agentů se specializovanými rolemi můžete zlepšit efektivitu a výkon úkolu.

Učte se v reálném čase

Pokročilé rámce poskytují schopnosti pro porozumění kontextu a adaptaci v reálném čase.

Jak to mohou týmy využít: Týmy mohou implementovat zpětné smyčky, kde se agenti učí z interakcí a dynamicky upravují své chování, což vede k průběžnému zlepšování a zdokonalování schopností.

Jak to funguje v praxi: Agenti mohou analyzovat uživatelskou zpětnou vazbu, data z prostředí a výsledky úkolů, aby aktualizovali svou znalostní bázi, upravovali rozhodovací algoritmy a zlepšovali výkon v průběhu času. Tento iterativní proces učení umožňuje agentům přizpůsobovat se měnícím se podmínkám a preferencím uživatelů, což zvyšuje celkovou efektivitu systému.

Jaké jsou rozdíly mezi Microsoft Agent Framework a Microsoft Foundry Agent Service?

Existuje mnoho způsobů, jak tyto přístupy porovnat, ale pojďme se podívat na některé klíčové rozdíly z hlediska jejich designu, schopností a cílových použití:

Microsoft Agent Framework (MAF)

Microsoft Agent Framework poskytuje zjednodušené SDK pro vytváření AI agentů pomocí FoundryChatClient. Umožňuje vývojářům vytvářet agenty, kteří využívají Azure OpenAI modely s vestavěným voláním nástrojů, správou konverzace a bezpečností na úrovni podniku díky Azure identitě.

Použití: Vytváření produkčně připravených AI agentů s využitím nástrojů, vícestupňových pracovních postupů a scénářů integrace do podniku.

Zde jsou některé důležité základní koncepty Microsoft Agent Framework:

Microsoft Foundry Agent Service

Microsoft Foundry Agent Service je novější služba, představena na Microsoft Ignite 2024. Umožňuje vývoj a nasazení AI agentů s flexibilnějšími modely, například přímým voláním open-source LLM jako Llama 3, Mistral a Cohere.

Microsoft Foundry Agent Service nabízí silnější bezpečnostní mechanismy na úrovni podniku a metody ukládání dat, což jej činí vhodným pro podnikové aplikace.

Funguje bez problémů s Microsoft Agent Frameworkem pro tvorbu a nasazení agentů.

Tato služba je momentálně v Public Preview a podporuje Python a C# pro tvorbu agentů.

Pomocí Python SDK Microsoft Foundry Agent Service můžeme vytvořit agenta s uživatelsky definovaným nástrojem:

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

# Definujte funkce nástroje
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-5-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())

Základní koncepty

Microsoft Foundry Agent Service má následující základní koncepty:

Použití: Microsoft Foundry Agent Service je navržen pro podnikové aplikace vyžadující bezpečné, škálovatelné a flexibilní nasazení AI agentů.

Jaký je rozdíl mezi těmito přístupy?

Zdá se, že se částečně překrývají, ale existují klíčové rozdíly v designu, schopnostech a cílových použitích:

Stále si nejste jisti, kterou zvolit?

Použití

Podívejme se, jestli vám můžeme pomoci s běžnými scénáři použití:

Q: Vytvářím produkční AI agentní aplikace a chci začít rychle

A: Microsoft Agent Framework je skvělá volba. Poskytuje jednoduché, pythonické API přes FoundryChatClient, které vám umožní definovat agenty s nástroji a instrukcemi v několika řádcích kódu.

Q: Potřebuji nasazení na podnikové úrovni s integrací Azure jako Search a spouštění kódu

A: Microsoft Foundry Agent Service je nejlepší volba. Je to platformní služba, která nabízí vestavěné schopnosti pro více modelů, Azure AI Search, Bing Search a Azure Functions. Umožňuje snadno tvořit agenty v portálu Foundry a nasazovat je ve velkém.

Q: Jsem stále zmatený, stačí mi jedna možnost

A: Začněte s Microsoft Agent Framework k vytvoření svých agentů a poté použijte Microsoft Foundry Agent Service, když je potřeba je nasadit a škálovat v produkci. Tento přístup vám umožňuje rychle iterovat na logice agenta a zároveň mít jasnou cestu k podnikové produkci.

Shrňme klíčové rozdíly v tabulce:

Framework Zaměření Základní koncepty Použití
Microsoft Agent Framework Zjednodušené SDK agentů s voláním nástrojů Agenti, Nástroje, Azure identita Vývoj AI agentů, použití nástrojů, vícestupňové workflow
Microsoft Foundry Agent Service Flexibilní modely, podniková bezpečnost, generování kódu, volání nástrojů Modularita, Spolupráce, Orchestrace procesů Bezpečné, škálovatelné a flexibilní nasazení AI agentů

Mohu integrovat své stávající nástroje Azure ekosystému přímo, nebo potřebuji samostatná řešení?

Odpověď zní ano, můžete integrovat vaše stávající nástroje z Azure ekosystému přímo s Microsoft Foundry Agent Service, zejména protože byl navržen tak, aby bezproblémově spolupracoval s dalšími službami Azure. Můžete například integrovat Bing, Azure AI Search a Azure Functions. Existuje také hluboká integrace s Microsoft Foundry.

Microsoft Agent Framework se také integruje se službami Azure prostřednictvím FoundryChatClient a identity Azure, což vám umožňuje volat služby Azure přímo z vašich agentních nástrojů.

Ukázkové kódy

Máte další otázky ohledně AI Agent Frameworků?

Připojte se k Microsoft Foundry Discord a setkejte se s dalšími zájemci, navštěvujte konzultační hodiny a získejte odpovědi na své otázky ohledně AI agentů.

Reference

Předchozí lekce

Úvod do AI agentů a případů užití agentů

Další lekce

Pochopení agentních návrhových vzorů

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.

This site is open source. Improve this page.