ai-agents-for-beginners

Erkundung von KI-Agenten-Frameworks

(Klicken Sie auf das Bild oben, um das Video zu dieser Lektion anzusehen)

Erkunden Sie KI-Agenten-Frameworks

KI-Agenten-Frameworks sind Softwareplattformen, die entwickelt wurden, um die Erstellung, Bereitstellung und Verwaltung von KI-Agenten zu vereinfachen. Diese Frameworks bieten Entwicklern vorgefertigte Komponenten, Abstraktionen und Werkzeuge, die die Entwicklung komplexer KI-Systeme erleichtern.

Diese Frameworks helfen Entwicklern, sich auf die einzigartigen Aspekte ihrer Anwendungen zu konzentrieren, indem sie standardisierte Ansätze für häufige Herausforderungen in der Entwicklung von KI-Agenten bereitstellen. Sie verbessern Skalierbarkeit, Zugänglichkeit und Effizienz beim Aufbau von KI-Systemen.

Einführung

Diese Lektion behandelt:

Lernziele

Die Ziele dieser Lektion sind, Ihnen zu helfen, Folgendes zu verstehen:

Was sind KI-Agenten-Frameworks und was ermöglichen sie Entwicklern?

Traditionelle KI-Frameworks können Ihnen helfen, KI in Ihre Apps zu integrieren und diese Apps auf folgende Weise zu verbessern:

Das klingt alles großartig, oder? Warum brauchen wir also das KI-Agenten-Framework?

KI-Agenten-Frameworks stellen mehr dar als nur KI-Frameworks. Sie sind darauf ausgelegt, die Erstellung intelligenter Agenten zu ermöglichen, die mit Nutzern, anderen Agenten und der Umgebung interagieren können, um bestimmte Ziele zu erreichen. Diese Agenten können autonomes Verhalten zeigen, Entscheidungen treffen und sich an verändernde Bedingungen anpassen. Schauen wir uns einige wichtige Fähigkeiten an, die durch KI-Agenten-Frameworks ermöglicht werden:

Zusammengefasst ermöglichen Agenten Ihnen, mehr zu tun, die Automatisierung auf die nächste Stufe zu heben und intelligentere Systeme zu erstellen, die sich an ihre Umgebung anpassen und daraus lernen können.

Wie kann man schnell Prototypen erstellen, iterieren und die Fähigkeiten des Agenten verbessern?

Dies ist ein schnelllebiges Umfeld, aber es gibt einige Dinge, die in den meisten KI-Agenten-Frameworks üblich sind und Ihnen helfen können, schnell zu prototypisieren und zu iterieren — nämlich modulare Komponenten, kollaborative Werkzeuge und Echtzeitlernen. Lassen Sie uns diese genauer betrachten:

Verwenden Sie modulare Komponenten

SDKs wie das Microsoft Agent Framework bieten vorgefertigte Komponenten wie KI-Connectoren, Tool-Definitionen und Agentenverwaltung.

Wie Teams diese nutzen können: Teams können diese Komponenten schnell zusammenstellen, um einen funktionsfähigen Prototyp zu erstellen, ohne bei Null anfangen zu müssen, was schnelle Experimente und Iterationen ermöglicht.

Wie es in der Praxis funktioniert: Sie können einen vorgefertigten Parser verwenden, um Informationen aus Benutzereingaben zu extrahieren, ein Memory-Modul zum Speichern und Abrufen von Daten und einen Prompt-Generator, um mit Nutzern zu interagieren — alles, ohne diese Komponenten selbst bauen zu müssen.

Beispielcode. Schauen wir uns ein Beispiel an, wie Sie das Microsoft Agent Framework mit AzureAIProjectAgentProvider verwenden können, damit das Modell auf Benutzereingaben mit Tool-Aufrufen reagiert:

# Microsoft Agent Framework Python Beispiel

import asyncio
import os
from typing import Annotated

from agent_framework.azure import AzureAIProjectAgentProvider
from azure.identity import AzureCliCredential


# Definieren Sie eine Beispiel-Toolfunktion zur Buchung von Reisen
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 = AzureAIProjectAgentProvider(credential=AzureCliCredential())
    agent = await provider.create_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)
    # Beispielausgabe: Ihr Flug nach New York am 1. Januar 2025 wurde erfolgreich gebucht. Gute Reise! ✈️🗽


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

Was Sie an diesem Beispiel sehen können, ist, wie Sie einen vorgefertigten Parser nutzen können, um Schlüsselinformationen aus Benutzereingaben zu extrahieren, wie z. B. Abflugort, Ziel und Datum einer Flugbuchungsanfrage. Dieser modulare Ansatz ermöglicht es Ihnen, sich auf die Logik auf hoher Ebene zu konzentrieren.

Nutzen Sie kollaborative Werkzeuge

Frameworks wie das Microsoft Agent Framework erleichtern die Erstellung mehrerer Agenten, die zusammenarbeiten können.

Wie Teams diese nutzen können: Teams können Agenten mit bestimmten Rollen und Aufgaben entwerfen, damit sie kollaborative Arbeitsabläufe testen und verfeinern und die Gesamteffizienz des Systems verbessern können.

Wie es in der Praxis funktioniert: Sie können ein Team von Agenten erstellen, in dem jeder Agent eine spezialisierte Funktion hat, wie z. B. Datenbeschaffung, Analyse oder Entscheidungsfindung. Diese Agenten können kommunizieren und Informationen teilen, um ein gemeinsames Ziel zu erreichen, z. B. die Beantwortung einer Benutzeranfrage oder das Abschließen einer Aufgabe.

Beispielcode (Microsoft Agent Framework):

# Erstellen mehrerer Agenten, die zusammenarbeiten unter Verwendung des Microsoft Agent Frameworks

import os
from agent_framework.azure import AzureAIProjectAgentProvider
from azure.identity import AzureCliCredential

provider = AzureAIProjectAgentProvider(credential=AzureCliCredential())

# Datenabruf-Agent
agent_retrieve = await provider.create_agent(
    name="dataretrieval",
    instructions="Retrieve relevant data using available tools.",
    tools=[retrieve_tool],
)

# Datenanalyse-Agent
agent_analyze = await provider.create_agent(
    name="dataanalysis",
    instructions="Analyze the retrieved data and provide insights.",
    tools=[analyze_tool],
)

# Agenten nacheinander bei einer Aufgabe ausführen
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)

Was Sie im vorherigen Code sehen, ist, wie Sie eine Aufgabe erstellen können, die mehrere Agenten umfasst, die zusammenarbeiten, um Daten zu analysieren. Jeder Agent erfüllt eine bestimmte Funktion, und die Aufgabe wird durch die Koordination der Agenten ausgeführt, um das gewünschte Ergebnis zu erzielen. Durch das Erstellen dedizierter Agenten mit spezialisierten Rollen können Sie die Aufgabeneffizienz und -leistung verbessern.

Lernen in Echtzeit

Fortgeschrittene Frameworks bieten Fähigkeiten für kontextuelles Verständnis und Anpassung in Echtzeit.

Wie Teams diese nutzen können: Teams können Feedback-Schleifen implementieren, in denen Agenten aus Interaktionen lernen und ihr Verhalten dynamisch anpassen, was zu kontinuierlicher Verbesserung und Verfeinerung der Fähigkeiten führt.

Wie es in der Praxis funktioniert: Agenten können Benutzerfeedback, Umgebungsdaten und Aufgabenergebnisse analysieren, um ihre Wissensbasis zu aktualisieren, Entscheidungsalgorithmen anzupassen und die Leistung im Laufe der Zeit zu verbessern. Dieser iterative Lernprozess ermöglicht es Agenten, sich an veränderte Bedingungen und Benutzerpräferenzen anzupassen und die Gesamteffektivität des Systems zu erhöhen.

Was sind die Unterschiede zwischen dem Microsoft Agent Framework und dem Azure AI Agent Service?

Es gibt viele Möglichkeiten, diese Ansätze zu vergleichen. Schauen wir uns einige wichtige Unterschiede in Bezug auf Design, Fähigkeiten und Zielanwendungsfälle an:

Microsoft Agent Framework (MAF)

Das Microsoft Agent Framework bietet ein schlankes SDK zum Erstellen von KI-Agenten mit AzureAIProjectAgentProvider. Es ermöglicht Entwicklern, Agenten zu erstellen, die Azure OpenAI-Modelle mit eingebautem Tool-Aufruf, Konversationsverwaltung und unternehmensgerechter Sicherheit durch Azure-Identität nutzen.

Anwendungsfälle: Aufbau produktionsreifer KI-Agenten mit Tool-Nutzung, mehrstufigen Workflows und Integrationsszenarien für Unternehmen.

Hier sind einige wichtige Kernkonzepte des Microsoft Agent Framework:

Azure AI Agent Service

Der Azure AI Agent Service ist eine jüngere Ergänzung, vorgestellt auf der Microsoft Ignite 2024. Er ermöglicht die Entwicklung und Bereitstellung von KI-Agenten mit flexibleren Modellen, wie z. B. dem direkten Aufruf von Open-Source-LLMs wie Llama 3, Mistral und Cohere.

Der Azure AI Agent Service bietet stärkere Mechanismen für Unternehmenssicherheit und Daten­speicherungs­methoden, wodurch er sich für Unternehmensanwendungen eignet.

Er funktioniert sofort mit dem Microsoft Agent Framework zur Erstellung und Bereitstellung von Agenten.

Dieser Dienst befindet sich derzeit in der Public Preview und unterstützt Python und C# zum Erstellen von Agenten.

Mit dem Python-SDK des Azure AI Agent Service können wir einen Agenten mit einem benutzerdefinierten Tool erstellen:

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

# Definiere Werkzeugfunktionen
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-4o-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())

Kernkonzepte

Der Azure AI Agent Service hat die folgenden Kernkonzepte:

Anwendungsfälle: Der Azure AI Agent Service ist für Unternehmensanwendungen ausgelegt, die eine sichere, skalierbare und flexible Bereitstellung von KI-Agenten erfordern.

Was ist der Unterschied zwischen diesen Ansätzen?

Es scheint Überschneidungen zu geben, aber es gibt einige wesentliche Unterschiede hinsichtlich Design, Fähigkeiten und Zielanwendungsfällen:

Noch unsicher, welches Sie wählen sollten?

Anwendungsfälle

Sehen wir uns einige häufige Anwendungsfälle an:

Q: Ich baue produktive KI-Agenten-Anwendungen und möchte schnell starten

A: Das Microsoft Agent Framework ist eine gute Wahl. Es bietet eine einfache, pythonische API über AzureAIProjectAgentProvider, mit der Sie Agenten mit Tools und Anweisungen in nur wenigen Zeilen Code definieren können.

Q: Ich benötige eine unternehmensgerechte Bereitstellung mit Azure-Integrationen wie Search und Codeausführung

A: Der Azure AI Agent Service ist die beste Wahl. Er ist ein Plattformdienst, der integrierte Fähigkeiten für mehrere Modelle, Azure AI Search, Bing Search und Azure Functions bereitstellt. Er erleichtert das Erstellen Ihrer Agenten im Foundry-Portal und deren Bereitstellung in großem Maßstab.

Q: Ich bin immer noch verwirrt, geben Sie mir einfach eine Option

A: Beginnen Sie mit dem Microsoft Agent Framework, um Ihre Agenten zu entwickeln, und verwenden Sie dann den Azure AI Agent Service, wenn Sie sie in Produktion bereitstellen und skalieren müssen. Dieser Ansatz ermöglicht es Ihnen, schnell an der Agentenlogik zu iterieren und gleichzeitig einen klaren Pfad zur Unternehmensbereitstellung zu haben.

Fassen wir die wichtigsten Unterschiede in einer Tabelle zusammen:

Framework Focus Core Concepts Use Cases
Microsoft Agent Framework Schlankes Agenten-SDK mit Tool-Aufrufen Agenten, Tools, Azure-Identität Aufbau von KI-Agenten, Tool-Nutzung, mehrstufige Workflows
Azure AI Agent Service Flexible Modelle, Unternehmenssicherheit, Codegenerierung, Tool-Aufrufe Modularität, Kollaboration, Prozessorchestrierung Sichere, skalierbare und flexible Bereitstellung von KI-Agenten

Kann ich meine bestehenden Azure-Ökosystem-Tools direkt integrieren, oder benötige ich eigenständige Lösungen?

Die Antwort lautet ja, Sie können Ihre bestehenden Azure-Ecosystem-Tools direkt mit dem Azure AI Agent Service integrieren, da er so aufgebaut ist, dass er nahtlos mit anderen Azure-Diensten zusammenarbeitet. Sie könnten beispielsweise Bing, Azure AI Search und Azure Functions integrieren. Es gibt außerdem eine tiefe Integration mit Microsoft Foundry.

Das Microsoft Agent Framework integriert sich auch mit Azure-Diensten über AzureAIProjectAgentProvider und Azure Identity, sodass Sie Azure-Dienste direkt aus Ihren Agent-Tools aufrufen können.

Beispielcode

Haben Sie weitere Fragen zu Agenten-Frameworks für KI?

Treten Sie dem Microsoft Foundry Discord bei, um andere Lernende zu treffen, an Sprechstunden teilzunehmen und Antworten auf Ihre Fragen zu AI-Agenten zu erhalten.

Referenzen

Vorherige Lektion

Einführung in KI-Agenten und Anwendungsfälle

Nächste Lektion

Verständnis agentischer Designmuster

Haftungsausschluss: Dieses Dokument wurde mithilfe des KI-Übersetzungsdienstes Co-op Translator (https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir uns um Genauigkeit bemühen, beachten Sie bitte, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner Originalsprache ist als maßgebliche Quelle zu betrachten. Bei wichtigen Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir haften nicht für Missverständnisse oder Fehlinterpretationen, die sich aus der Verwendung dieser Übersetzung ergeben.

This site is open source. Improve this page.