ai-agents-for-beginners

Udforskning af AI-agentrammer

(Klik på billedet ovenfor for at se videoen af denne lektion)

Udforsk AI Agent-rammer

AI-agentrammer er softwareplatforme designet til at forenkle oprettelsen, udrulningen og styringen af AI-agenter. Disse rammer giver udviklere forudbyggede komponenter, abstraktioner og værktøjer, der effektiviserer udviklingen af komplekse AI-systemer.

Disse rammer hjælper udviklere med at fokusere på de unikke aspekter af deres applikationer ved at tilbyde standardiserede tilgange til almindelige udfordringer i AI-agentudvikling. De forbedrer skalerbarhed, tilgængelighed og effektivitet i opbygningen af AI-systemer.

Introduktion

Denne lektion vil dække:

Læringsmål

Målet med denne lektion er at hjælpe dig med at forstå:

Hvad er AI Agent-rammer, og hvad gør de muligt for udviklere?

Traditionelle AI-rammer kan hjælpe dig med at integrere AI i dine apps og gøre disse apps bedre på følgende måder:

Det lyder jo fantastisk, men hvorfor har vi så brug for AI Agent-rammer?

AI Agent-rammer repræsenterer mere end blot AI-rammer. De er designet til at muliggøre skabelsen af intelligente agenter, der kan interagere med brugere, andre agenter og omgivelser for at nå specifikke mål. Disse agenter kan udvise autonom adfærd, træffe beslutninger og tilpasse sig skiftende betingelser. Lad os se på nogle nøglefunktioner, der muliggøres af AI Agent-rammer:

Sammenfattende tillader agenter dig at gøre mere, løfte automatisering til næste niveau og skabe mere intelligente systemer, der kan tilpasse og lære af deres omgivelser.

Hvordan kan man hurtigt prototype, iterere og forbedre agentens kapaciteter?

Dette er et hurtigt bevægeligt område, men der er nogle fælles elementer i de fleste AI Agent-rammer, som kan hjælpe dig med hurtig prototyping og iteration, nemlig modulære komponenter, samarbejdsværktøjer og realtidslæring. Lad os dykke ned i disse:

Brug modulære komponenter

SDK’er som Microsoft Agent Framework tilbyder forbyggede komponenter såsom AI-forbindelser, værktøjsdefinitioner og agentstyring.

Hvordan teams kan bruge disse: Teams kan hurtigt samle disse komponenter for at skabe en fungerende prototype uden at starte fra bunden, hvilket muliggør hurtig eksperimentering og iteration.

Hvordan det fungerer i praksis: Du kan bruge en forbygget parser til at udtrække information fra brugerinput, en hukommelsesmodul til at gemme og hente data, og en promptgenerator til at interagere med brugere – alt sammen uden at skulle bygge disse komponenter fra bunden.

Eksempelkode. Lad os se på et eksempel på, hvordan du kan bruge Microsoft Agent Framework med FoundryChatClient for at få modellen til at reagere på brugerinput med værktøjskald:

# Microsoft Agent Framework Python Eksempel

import asyncio
import os

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


# Definer en eksempelværktøjsfunktion til at bestille rejser
@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)
    # Eksempeluddata: Din flyrejse til New York den 1. januar 2025 er blevet succesfuldt bestilt. God rejse! ✈️🗽


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

Hvad du kan se fra dette eksempel, er hvordan du kan udnytte en forbygget parser til at udtrække nøgleinformation fra brugerinput, såsom afgangssted, destination og dato for en flybookingsanmodning. Denne modulære tilgang gør det muligt at fokusere på den overordnede logik.

Udnyt samarbejdsværktøjer

Rammer som Microsoft Agent Framework faciliterer oprettelsen af flere agenter, som kan arbejde sammen.

Hvordan teams kan bruge disse: Teams kan designe agenter med specifikke roller og opgaver, hvilket giver mulighed for at teste og forbedre samarbejdsgange og øge den samlede systemeffektivitet.

Hvordan det fungerer i praksis: Du kan skabe et team af agenter, hvor hver agent har en specialiseret funktion, såsom dataindsamling, analyse eller beslutningstagning. Disse agenter kan kommunikere og dele information for at opnå et fælles mål, f.eks. at besvare en brugerhenvendelse eller udføre en opgave.

Eksempelkode (Microsoft Agent Framework):

# Oprettelse af flere agenter, der arbejder sammen ved hjælp af 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(),
)

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

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

# Kør agenter i rækkefølge på en opgave
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)

Hvad du ser i den foregående kode, er hvordan du kan oprette en opgave, der involverer flere agenter, som arbejder sammen om at analysere data. Hver agent udfører en specifik funktion, og opgaven eksekveres ved at koordinere agenterne for at opnå det ønskede resultat. Ved at skabe dedikerede agenter med specialiserede roller kan du forbedre opgaveeffektiviteten og ydeevnen.

Lær i realtid

Avancerede rammer tilbyder kapaciteter til realtidsforståelse af kontekst og tilpasning.

Hvordan teams kan bruge disse: Teams kan implementere feedbacksløjfer, hvor agenter lærer af interaktioner og dynamisk tilpasser deres adfærd, hvilket fører til kontinuerlig forbedring og finjustering af kapaciteter.

Hvordan det fungerer i praksis: Agenter kan analysere brugerfeedback, miljødata og opgaveudfald for at opdatere deres videnbase, justere beslutningsalgoritmer og forbedre ydeevne over tid. Denne iterative læringsproces gør det muligt for agenter at tilpasse sig skiftende betingelser og brugerpræferencer, hvilket forbedrer systemets generelle effektivitet.

Hvad er forskellene mellem Microsoft Agent Framework og Microsoft Foundry Agent Service?

Der findes mange måder at sammenligne disse tilgange på, men lad os se på nogle nøgleforskelle i design, funktionalitet og målrettede anvendelsestilfælde:

Microsoft Agent Framework (MAF)

Microsoft Agent Framework tilbyder en strømlinet SDK til opbygning af AI-agenter ved hjælp af FoundryChatClient. Det giver udviklere mulighed for at skabe agenter, der udnytter Azure OpenAI-modeller med indbygget værktøjskald, samtalehåndtering og virksomhedssikkerhed via Azure-identitet.

Brugstilfælde: Opbygning af produktionsklare AI-agenter med brug af værktøjer, flertrinsarbejdsgange og integration til erhvervsscenarier.

Her er nogle vigtige kernekoncepter for Microsoft Agent Framework:

Microsoft Foundry Agent Service

Microsoft Foundry Agent Service er en nyere tilføjelse, præsenteret ved Microsoft Ignite 2024. Det muliggør udvikling og udrulning af AI-agenter med mere fleksible modeller, såsom direkte opkald til open-source LLM’er som Llama 3, Mistral og Cohere.

Microsoft Foundry Agent Service tilbyder stærkere virksomhedssikkerhedsmekanismer og datalagringsmetoder, hvilket gør det egnet til erhvervsapplikationer.

Det fungerer out-of-the-box med Microsoft Agent Framework til opbygning og udrulning af agenter.

Denne tjeneste er aktuelt i offentlig preview og understøtter Python og C# til at bygge agenter.

Med Microsoft Foundry Agent Service Python SDK kan vi oprette en agent med et brugerdefineret værktøj:

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

# Definer værktøjsfunktioner
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())

Kernekoncepter

Microsoft Foundry Agent Service har følgende kernekoncepter:

Brugstilfælde: Microsoft Foundry Agent Service er designet til virksomhedsapplikationer, der kræver sikker, skalerbar og fleksibel AI-agentudrulning.

Hvad er forskellen mellem disse tilgange?

Det lyder som om, der er overlap, men der er nogle nøgleforskelle i design, funktionalitet og målrettede brugstilfælde:

Er du stadig usikker på, hvilken du skal vælge?

Brugstilfælde

Lad os se, om vi kan hjælpe dig ved at gennemgå nogle almindelige brugstilfælde:

Spørgsmål: Jeg bygger produktions-AI-agentapplikationer og vil hurtigt i gang

Svar: Microsoft Agent Framework er et godt valg. Det tilbyder en enkel, pythonisk API via FoundryChatClient, som lader dig definere agenter med værktøjer og instruktioner på blot få linjer kode.

Spørgsmål: Jeg har brug for virksomhedsklar udrulning med Azure-integrationer som Search og kodeeksekvering

Svar: Microsoft Foundry Agent Service er det bedste valg. Det er en platformsservice, der tilbyder indbyggede kapaciteter til flere modeller, Azure AI Search, Bing Search og Azure Functions. Det gør det nemt at bygge dine agenter i Foundry-portalen og udrulle dem i stor skala.

Spørgsmål: Jeg er stadig forvirret, giv mig bare én mulighed

Svar: Start med Microsoft Agent Framework for at bygge dine agenter, og brug derefter Microsoft Foundry Agent Service, når du skal udrulle og skalere dem i produktion. Denne tilgang lader dig hurtigt iterere på agentlogikken samtidig med at du har en klar vej til udrulning i virksomheder.

Lad os opsummere nøgleforskellene i en tabel:

Ramme Fokus Kernekoncepter Brugstilfælde
Microsoft Agent Framework Strømlinet agent-SDK med værktøjskald Agenter, Værktøjer, Azure-identitet Opbygning af AI-agenter, brug af værktøjer, flertrinsarbejdsgange
Microsoft Foundry Agent Service Fleksible modeller, virksomhedssikkerhed, kodegenerering, værktøjskald Modularitet, Samarbejde, Procesorkestrering Sikker, skalerbar og fleksibel AI-agentudrulning

Kan jeg integrere mine eksisterende Azure-økosystemværktøjer direkte, eller har jeg brug for selvstændige løsninger?

Svaret er ja, du kan integrere dine eksisterende Azure-økosystemværktøjer direkte med Microsoft Foundry Agent Service, især fordi den er bygget til at arbejde problemfrit sammen med andre Azure-tjenester. Du kan for eksempel integrere Bing, Azure AI Search og Azure Functions. Der er også dyb integration med Microsoft Foundry.

Microsoft Agent Framework integrerer også med Azure-tjenester gennem FoundryChatClient og Azure-identitet, hvilket giver dig mulighed for at kalde Azure-tjenester direkte fra dine agentværktøjer.

Eksempelkoder

Har du flere spørgsmål om AI Agent Frameworks?

Deltag i Microsoft Foundry Discord for at møde andre lærende, deltage i kontortimer og få svar på dine spørgsmål om AI-agenter.

Referencer

Forrige lektion

Introduktion til AI-agenter og agentbrugsscenarier

Næste lektion

Forståelse af agentiske designmønstre

Ansvarsfraskrivelse: Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator. Selvom vi bestræber os på nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der opstår som følge af brugen af denne oversættelse.

This site is open source. Improve this page.