ai-agents-for-beginners
(Κάντε κλικ στην εικόνα παραπάνω για να παρακολουθήσετε το βίντεο για αυτό το μάθημα)
Εισαγωγή στους AI Agents και Περιπτώσεις Χρήσης Agents
Καλώς ήρθατε στο μάθημα AI Agents για Αρχάριους! Αυτό το μάθημα σας προσφέρει τη βασική γνώση — και πραγματικό λειτουργικό κώδικα — για να ξεκινήσετε να δημιουργείτε AI Agents από το μηδέν.
Ελάτε να πείτε γεια στην Κοινότητα Azure AI Discord — είναι γεμάτη από μαθητές και δημιουργούς AI που είναι πρόθυμοι να απαντήσουν σε ερωτήσεις.
Πριν ξεκινήσουμε με την κατασκευή, ας βεβαιωθούμε ότι καταλαβαίνουμε πραγματικά τι είναι ένας AI Agent και πότε έχει νόημα να χρησιμοποιηθεί.
Εισαγωγή
Αυτό το μάθημα καλύπτει:
- Τι είναι οι AI Agents και τα διαφορετικά είδη που υπάρχουν
- Ποιους τύπους εργασιών είναι καλύτεροι οι AI Agents να εκτελούν
- Τα βασικά δομικά στοιχεία που θα χρησιμοποιήσετε κατά το σχεδιασμό μιας λύσης με Agent
Στόχοι Μάθησης
Στο τέλος αυτού του μαθήματος, θα πρέπει να μπορείτε να:
- Εξηγήσετε τι είναι ένας AI Agent και πώς διαφέρει από μια συνηθισμένη λύση AI
- Γνωρίζετε πότε να χρησιμοποιήσετε έναν AI Agent (και πότε όχι)
- Σχεδιάσετε μια βασική λύση με Agent για ένα πραγματικό πρόβλημα
Ορισμός των AI Agents και Τύποι AI Agents
Τι είναι οι AI Agents;
Ορίστε ένας απλός τρόπος να το σκεφτείτε:
Οι AI Agents είναι συστήματα που επιτρέπουν στα Μεγάλα Γλωσσικά Μοντέλα (LLMs) να κάνουν πράγματα — δίνοντάς τους εργαλεία και γνώση για να δρουν στον κόσμο, όχι απλώς να ανταποκρίνονται σε εντολές.
Ας το αναλύσουμε λίγο:
- Σύστημα — Ένας AI Agent δεν είναι μόνο ένα πράγμα. Είναι ένα σύνολο μερών που συνεργάζονται. Στον πυρήνα του, κάθε agent έχει τρία μέρη:
- Περιβάλλον — Ο χώρος στον οποίο εργάζεται ο agent. Για έναν ταξιδιωτικό agent, αυτό θα ήταν η ίδια η πλατφόρμα κρατήσεων.
- Αισθητήρες — Πώς ο agent διαβάζει την τρέχουσα κατάσταση του περιβάλλοντός του. Ο ταξιδιωτικός agent μπορεί να ελέγχει τη διαθεσιμότητα ξενοδοχείων ή τις τιμές πτήσεων.
- Ενεργοποιητές — Πώς ο agent ενεργεί. Ο ταξιδιωτικός agent μπορεί να κάνει κράτηση δωματίου, να στείλει επιβεβαίωση ή να ακυρώσει μια κράτηση.
-
Μεγάλα Γλωσσικά Μοντέλα — Οι agents υπήρχαν πριν τα LLMs, αλλά τα LLMs είναι αυτά που καθιστούν τους σύγχρονους agents τόσο ισχυρούς. Μπορούν να κατανοούν φυσική γλώσσα, να σκέφτονται το πλαίσιο και να μετατρέπουν ένα ασαφές αίτημα χρήστη σε μια συγκεκριμένη δράση.
-
Εκτέλεση Δράσεων — Χωρίς το σύστημα του agent, ένα LLM παράγει απλώς κείμενο. Μέσα σε ένα σύστημα agent, το LLM μπορεί να εκτελέσει βήματα — να αναζητήσει σε βάση δεδομένων, να καλέσει API, να στείλει μήνυμα.
-
Πρόσβαση σε Εργαλεία — Τα εργαλεία που μπορεί να χρησιμοποιήσει ο agent εξαρτώνται από (1) το περιβάλλον όπου λειτουργεί και (2) τι επέλεξε ο προγραμματιστής να του δώσει. Ένας ταξιδιωτικός agent μπορεί να αναζητά πτήσεις αλλά όχι να επεξεργάζεται αρχεία πελατών — όλα εξαρτώνται από το τι συνδέετε.
-
Μνήμη + Γνώση — Οι agents μπορούν να έχουν βραχυπρόθεσμη μνήμη (την τρέχουσα συνομιλία) και μακροπρόθεσμη μνήμη (βάση δεδομένων πελατών, προηγούμενες αλληλεπιδράσεις). Ο ταξιδιωτικός agent μπορεί να “θυμάται” ότι προτιμάτε θέσεις δίπλα στο παράθυρο.
Τα Διαφορετικά Είδη AI Agents
Δεν είναι όλοι οι agents κατασκευασμένοι με τον ίδιο τρόπο. Να μια επισκόπηση των βασικών τύπων, χρησιμοποιώντας τον ταξιδιωτικό agent σαν παράδειγμα:
| Τύπος Agent | Τι Κάνει | Παράδειγμα Ταξιδιωτικού Agent |
|---|---|---|
| Απλοί Αντανακλαστικοί Agents | Ακολουθούν αυστηρούς κώδικες κανόνων — χωρίς μνήμη, χωρίς σχεδιασμό. | Βλέπει ένα email παράπονο → το προωθεί στην εξυπηρέτηση πελατών. Τελεία. |
| Μοντέλο-Βασισμένοι Αντανακλαστικοί Agents | Διατηρούν εσωτερικό μοντέλο του κόσμου και το ενημερώνουν καθώς τα πράγματα αλλάζουν. | Παρακολουθεί ιστορικές τιμές πτήσεων και επισημαίνει διαδρομές που ξαφνικά έγιναν ακριβές. |
| Agents Βασισμένοι σε Στόχους | Έχουν έναν στόχο και βγάζουν σχέδιο βήμα-βήμα για να τον πετύχουν. | Κάνει κράτηση ολόκληρου ταξιδιού (πτήσεις, αυτοκίνητο, ξενοδοχείο) από την τρέχουσα τοποθεσία σας έως τον προορισμό. |
| Agents Βασισμένοι σε Χρησιμότητα | Δεν βρίσκουν απλώς μια λύση — βρίσκουν την καλύτερη ζυγίζοντας τα πλεονεκτήματα και μειονεκτήματα. | Ισορροπεί κόστος και ευκολία για να βρει το ταξίδι που ταιριάζει καλύτερα στις προτιμήσεις σας. |
| Μαθησιακοί Agents | Βελτιώνονται με την πάροδο του χρόνου μαθαίνοντας από τα σχόλια. | Προσαρμόζει μελλοντικές προτάσεις κράτησης βάσει των αποτελεσμάτων ερωτηματολογίου μετά το ταξίδι. |
| Ιεραρχικοί Agents | Ένας ανώτερος agent χωρίζει τη δουλειά σε υπο-εργασίες και τις αναθέτει σε χαμηλότερου επιπέδου agents. | Μια αίτηση “ακύρωση ταξιδιού” χωρίζεται σε: ακύρωση πτήσης, ακύρωση ξενοδοχείου, ακύρωση ενοικίασης αυτοκινήτου — η κάθε μία χειρίζεται από έναν υπο-agent. |
| Συστήματα Πολλαπλών Agents (MAS) | Πολλοί ανεξάρτητοι agents συνεργάζονται (ή ανταγωνίζονται). | Συνεργατικό: ξεχωριστοί agents διαχειρίζονται ξενοδοχεία, πτήσεις και ψυχαγωγία. Ανταγωνιστικό: πολλοί agents ανταγωνίζονται για να γεμίσουν δωμάτια ξενοδοχείου στην καλύτερη τιμή. |
Πότε να Χρησιμοποιήσετε AI Agents
Το γεγονός ότι μπορείτε να χρησιμοποιήσετε έναν AI Agent δεν σημαίνει ότι πρέπει πάντα. Ορίστε οι περιπτώσεις όπου οι agents πραγματικά ξεχωρίζουν:
- Ανοιχτά Προβλήματα — Όταν τα βήματα για να λυθεί ένα πρόβλημα δεν μπορούν να προγραμματιστούν εκ των προτέρων. Χρειάζεστε το LLM να βρει δυναμικά το μονοπάτι.
- Διαδικασίες Πολλαπλών Βημάτων — Εργασίες που απαιτούν χρήση εργαλείων σε πολλούς γύρους, όχι απλώς μια μεμονωμένη αναζήτηση ή δημιουργία.
- Βελτίωση με τον Χρόνο — Όταν θέλετε το σύστημα να γίνεται εξυπνότερο βάσει ανατροφοδότησης χρηστών ή σημάτων από το περιβάλλον.
Θα εξετάσουμε πιο αναλυτικά πότε (και πότε όχι) να χρησιμοποιήσετε AI Agents στο μάθημα Δημιουργία Αξιόπιστων AI Agents αργότερα στο μάθημα.
Βασικά ενός Agentic Σχεδιασμού
Ανάπτυξη Agent
Το πρώτο που κάνετε όταν δημιουργείτε έναν agent είναι να ορίσετε τι μπορεί να κάνει — τα εργαλεία, τις ενέργειες και τις συμπεριφορές του.
Σε αυτό το μάθημα, χρησιμοποιούμε την Υπηρεσία Azure AI Agent ως την κύρια πλατφόρμα μας. Υποστηρίζει:
- Ανοιχτά μοντέλα όπως OpenAI, Mistral και Llama
- Αδειοδοτημένα δεδομένα από παρόχους όπως το Tripadvisor
- Τυποποιημένους ορισμούς εργαλείων OpenAPI 3.0
Agentic Πρότυπα
Επικοινωνείτε με τα LLMs μέσω εντολών (prompts). Με τους agents, δεν μπορείτε πάντα να δημιουργείτε χειροκίνητα κάθε εντολή — ο agent πρέπει να δρα σε πολλά βήματα. Εκεί εισέρχονται τα Agentic Πρότυπα. Είναι επαναχρησιμοποιήσιμες στρατηγικές για την προτροπή και τη διαχείριση των LLMs με πιο επεκτάσιμο και αξιόπιστο τρόπο.
Αυτό το μάθημα είναι δομημένο γύρω από τα πιο κοινά και χρήσιμα πρότυπα agentic.
Agentic Πλαίσια Εργασίας
Τα Agentic Πλαίσια Εργασίας παρέχουν στους προγραμματιστές έτοιμα πρότυπα, εργαλεία και υποδομές για την κατασκευή agents. Διευκολύνουν:
- Την σύνδεση εργαλείων και δυνατοτήτων
- Την παρακολούθηση του τι κάνει ο agent (και τον εντοπισμό σφαλμάτων όταν κάτι πάει στραβά)
- Συνεργασία μεταξύ πολλών agents
Σε αυτό το μάθημα, εστιάζουμε στο Microsoft Agent Framework (MAF) για τη δημιουργία agents έτοιμων για παραγωγή.
Παραδείγματα Κώδικα
Έτοιμοι να το δείτε σε δράση; Να τα παραδείγματα κώδικα για αυτό το μάθημα:
- 🐍 Python: Agent Framework
- 🔷 .NET: Agent Framework
Έχετε Ερωτήσεις;
Εγγραφείτε στο Microsoft Foundry Discord για να συνδεθείτε με άλλους μαθητές, να παρακολουθήσετε ώρες γραφείου, και να απαντήσετε στις ερωτήσεις σας για AI Agents από την κοινότητα.
Προηγούμενο Μάθημα
Επόμενο Μάθημα
Εξερεύνηση Agentic Πλαισίων Εργασίας
Αποποίηση ευθυνών:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης AI Co-op Translator. Ενώ επιδιώκουμε την ακρίβεια, παρακαλούμε να γνωρίζετε ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρερμηνείες ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.