ai-agents-for-beginners

Εξερεύνηση Πλαισίων Πρακτόρων Τεχνητής Νοημοσύνης

(Κάντε κλικ στην εικόνα παραπάνω για να δείτε το βίντεο αυτού του μαθήματος)

Εξερευνήστε Πλαίσια Πρακτόρων Τεχνητής Νοημοσύνης

Τα πλαίσια πρακτόρων AI είναι πλατφόρμες λογισμικού σχεδιασμένες να απλοποιούν τη δημιουργία, την ανάπτυξη και τη διαχείριση πρακτόρων τεχνητής νοημοσύνης. Αυτά τα πλαίσια παρέχουν στους προγραμματιστές προ-κατασκευασμένα στοιχεία, αφαιρέσεις και εργαλεία που απλοποιούν την ανάπτυξη πολύπλοκων συστημάτων AI.

Αυτά τα πλαίσια βοηθούν τους προγραμματιστές να επικεντρωθούν στις μοναδικές πτυχές των εφαρμογών τους παρέχοντας τυποποιημένες προσεγγίσεις σε κοινές προκλήσεις στην ανάπτυξη πρακτόρων AI. Βελτιώνουν την κλιμακωσιμότητα, την προσβασιμότητα και την αποδοτικότητα στην κατασκευή συστημάτων AI.

Εισαγωγή

Αυτό το μάθημα θα καλύψει:

Στόχοι μάθησης

Οι στόχοι αυτού του μαθήματος είναι να σας βοηθήσουν να κατανοήσετε:

Τι είναι τα Πλαίσια Πρακτόρων AI και τι επιτρέπουν στους προγραμματιστές να κάνουν;

Τα παραδοσιακά Πλαίσια AI μπορούν να σας βοηθήσουν να ενσωματώσετε την AI στις εφαρμογές σας και να τις βελτιώσουν με τους εξής τρόπους:

Αυτό όλα ακούγονται υπέροχα, οπότε γιατί χρειαζόμαστε το Πλαίσιο Πρακτόρων AI;

Τα πλαίσια πρακτόρων AI αντιπροσωπεύουν κάτι περισσότερο από απλά πλαίσια AI. Έχουν σχεδιαστεί για να επιτρέπουν τη δημιουργία ευφυών πρακτόρων που μπορούν να αλληλεπιδρούν με χρήστες, άλλους πράκτορες και το περιβάλλον για να επιτύχουν συγκεκριμένους στόχους. Αυτοί οι πράκτορες μπορούν να εμφανίζουν αυτόνομη συμπεριφορά, να παίρνουν αποφάσεις και να προσαρμόζονται σε μεταβαλλόμενες συνθήκες. Ας δούμε μερικές βασικές δυνατότητες που ενεργοποιούνται από τα Πλαίσια Πρακτόρων AI:

Συνοπτικά, οι πράκτορες σας επιτρέπουν να κάνετε περισσότερα, να ανεβάσετε την αυτοματοποίηση σε ένα νέο επίπεδο και να δημιουργήσετε πιο έξυπνα συστήματα που μπορούν να προσαρμόζονται και να μαθαίνουν από το περιβάλλον τους.

Πώς να πρωτοτυποποιήσετε γρήγορα, να επαναλάβετε και να βελτιώσετε τις δυνατότητες του πράκτορα;

Αυτό είναι ένα ταχέως μεταβαλλόμενο πεδίο, αλλά υπάρχουν κάποια στοιχεία που είναι κοινά στα περισσότερα Πλαίσια Πρακτόρων AI και μπορούν να σας βοηθήσουν να πρωτοτυποποιήσετε και να επαναλάβετε γρήγορα, δηλαδή συστατικά στοιχείων, εργαλεία συνεργασίας και μάθηση σε πραγματικό χρόνο. Ας δούμε αυτά:

Χρησιμοποιήστε Μονάδες

SDKs όπως το Microsoft Agent Framework προσφέρουν προ-κατασκευασμένα στοιχεία όπως AI connectors, ορισμούς εργαλείων και διαχείριση πρακτόρων.

Πώς μπορούν οι ομάδες να τα χρησιμοποιήσουν: Οι ομάδες μπορούν γρήγορα να συναρμολογήσουν αυτά τα στοιχεία για να δημιουργήσουν ένα λειτουργικό πρωτότυπο χωρίς να ξεκινούν από το μηδέν, επιτρέποντας ταχεία πειραματισμό και επανάληψη.

Πώς λειτουργεί στην πράξη: Μπορείτε να χρησιμοποιήσετε έναν προ-κατασκευασμένο parser για να εξάγετε πληροφορίες από την είσοδο του χρήστη, μια μονάδα μνήμης για αποθήκευση και ανάκτηση δεδομένων, και έναν generator prompt για αλληλεπίδραση με τους χρήστες, όλα χωρίς να χρειάζεται να κατασκευάσετε αυτά τα στοιχεία από την αρχή.

Παράδειγμα κώδικα. Ας δούμε ένα παράδειγμα για το πώς μπορείτε να χρησιμοποιήσετε το Microsoft Agent Framework με AzureAIProjectAgentProvider ώστε το μοντέλο να ανταποκρίνεται σε είσοδο χρήστη με κλήση εργαλείων:

# Παράδειγμα Microsoft Agent Framework σε Python

import asyncio
import os
from typing import Annotated

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


# Ορισμός ενός δείγματος λειτουργίας εργαλείου για κρατήσεις ταξιδιών
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)
    # Παράδειγμα εξόδου: Η πτήση σας προς τη Νέα Υόρκη στις 1 Ιανουαρίου 2025 έχει κλειστεί με επιτυχία. Καλό ταξίδι! ✈️🗽


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

Αυτό που μπορείτε να δείτε από αυτό το παράδειγμα είναι πώς μπορείτε να αξιοποιήσετε έναν προ-κατασκευασμένο parser για να εξάγετε βασικές πληροφορίες από την είσοδο του χρήστη, όπως το σημείο αναχώρησης, τον προορισμό και την ημερομηνία ενός αιτήματος κράτησης πτήσης. Αυτή η μοντελοποιημένη προσέγγιση σας επιτρέπει να επικεντρωθείτε στη λογική υψηλού επιπέδου.

Αξιοποιήστε Εργαλεία Συνεργασίας

Πλαίσια όπως το Microsoft Agent Framework διευκολύνουν τη δημιουργία πολλαπλών πρακτόρων που μπορούν να συνεργάζονται.

Πώς μπορούν οι ομάδες να τα χρησιμοποιήσουν: Οι ομάδες μπορούν να σχεδιάσουν πράκτορες με συγκεκριμένους ρόλους και εργασίες, επιτρέποντάς τους να δοκιμάσουν και να βελτιώσουν συνεργατικές ροές εργασίας και να ενισχύσουν τη συνολική αποδοτικότητα του συστήματος.

Πώς λειτουργεί στην πράξη: Μπορείτε να δημιουργήσετε μια ομάδα πρακτόρων όπου κάθε πράκτορας έχει μια εξειδικευμένη λειτουργία, όπως ανάκτηση δεδομένων, ανάλυση ή λήψη αποφάσεων. Αυτοί οι πράκτορες μπορούν να επικοινωνούν και να μοιράζονται πληροφορίες για να επιτύχουν έναν κοινό στόχο, όπως να απαντήσουν σε ένα ερώτημα χρήστη ή να ολοκληρώσουν μια εργασία.

Παράδειγμα κώδικα (Microsoft Agent Framework):

# Δημιουργία πολλαπλών πρακτόρων που συνεργάζονται χρησιμοποιώντας το Πλαίσιο Πρακτόρων της Microsoft

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

provider = AzureAIProjectAgentProvider(credential=AzureCliCredential())

# Πράκτορας Ανάκτησης Δεδομένων
agent_retrieve = await provider.create_agent(
    name="dataretrieval",
    instructions="Retrieve relevant data using available tools.",
    tools=[retrieve_tool],
)

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

# Εκτέλεση πρακτόρων διαδοχικά σε μια εργασία
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)

Αυτό που βλέπετε στον προηγούμενο κώδικα είναι πώς μπορείτε να δημιουργήσετε μια εργασία που περιλαμβάνει πολλαπλούς πράκτορες που συνεργάζονται για την ανάλυση δεδομένων. Κάθε πράκτορας εκτελεί μια συγκεκριμένη λειτουργία και η εργασία εκτελείται συντονίζοντας τους πράκτορες για να επιτευχθεί το επιθυμητό αποτέλεσμα. Δημιουργώντας αφιερωμένους πράκτορες με εξειδικευμένους ρόλους, μπορείτε να βελτιώσετε την αποδοτικότητα και την απόδοση της εργασίας.

Μάθετε σε Πραγματικό Χρόνο

Προχωρημένα πλαίσια παρέχουν δυνατότητες για συμφραζόμενη κατανόηση και προσαρμογή σε πραγματικό χρόνο.

Πώς μπορούν οι ομάδες να τα χρησιμοποιήσουν: Οι ομάδες μπορούν να υλοποιήσουν βρόχους ανατροφοδότησης όπου οι πράκτορες μαθαίνουν από τις αλληλεπιδράσεις και προσαρμόζουν τη συμπεριφορά τους δυναμικά, οδηγώντας σε συνεχή βελτίωση και τελειοποίηση των δυνατοτήτων.

Πώς λειτουργεί στην πράξη: Οι πράκτορες μπορούν να αναλύουν την ανατροφοδότηση των χρηστών, δεδομένα περιβάλλοντος και αποτελέσματα εργασιών για να ενημερώνουν τη βάση γνώσεων τους, να προσαρμόζουν αλγορίθμους λήψης αποφάσεων και να βελτιώνουν την απόδοση με την πάροδο του χρόνου. Αυτή η επαναληπτική διαδικασία μάθησης επιτρέπει στους πράκτορες να προσαρμόζονται σε μεταβαλλόμενες συνθήκες και προτιμήσεις χρηστών, ενισχύοντας τη συνολική αποτελεσματικότητα του συστήματος.

Ποιες είναι οι διαφορές μεταξύ του Microsoft Agent Framework και της Azure AI Agent Service;

Υπάρχουν πολλοί τρόποι να συγκρίνουμε αυτές τις προσεγγίσεις, αλλά ας δούμε μερικές βασικές διαφορές όσον αφορά τον σχεδιασμό, τις δυνατότητες και τις επιδιωκόμενες περιπτώσεις χρήσης:

Microsoft Agent Framework (MAF)

Το Microsoft Agent Framework παρέχει ένα απλοποιημένο SDK για την κατασκευή πρακτόρων AI χρησιμοποιώντας AzureAIProjectAgentProvider. Επιτρέπει στους προγραμματιστές να δημιουργούν πράκτορες που αξιοποιούν μοντέλα Azure OpenAI με ενσωματωμένη κλήση εργαλείων, διαχείριση συνομιλιών και ασφάλεια επιπέδου επιχείρησης μέσω της ταυτότητας Azure.

Περιπτώσεις Χρήσης: Κατασκευή πρακτόρων AI έτοιμων για παραγωγή με χρήση εργαλείων, πολύ-βηματικές ροές εργασίας και σενάρια ενσωμάτωσης σε επιχειρήσεις.

Εδώ είναι μερικές σημαντικές βασικές έννοιες του Microsoft Agent Framework:

Azure AI Agent Service

Η Azure AI Agent Service είναι μια πιο πρόσφατη προσθήκη, που εισήχθη στο Microsoft Ignite 2024. Επιτρέπει την ανάπτυξη και παραμετροποίηση πρακτόρων AI με πιο ευέλικτα μοντέλα, όπως η άμεση κλήση ανοιχτού κώδικα LLMs όπως Llama 3, Mistral και Cohere.

Η Azure AI Agent Service παρέχει ισχυρότερους μηχανισμούς ασφάλειας για επιχειρήσεις και μεθόδους αποθήκευσης δεδομένων, καθιστώντας την κατάλληλη για επιχειρησιακές εφαρμογές.

Λειτουργεί έτοιμο προς χρήση με το Microsoft Agent Framework για τη δημιουργία και ανάπτυξη πρακτόρων.

Αυτή η υπηρεσία βρίσκεται επί του παρόντος σε Public Preview και υποστηρίζει Python και C# για την κατασκευή πρακτόρων.

Χρησιμοποιώντας το Python SDK της Azure AI Agent Service, μπορούμε να δημιουργήσουμε έναν πράκτορα με ένα εργαλείο ορισμένο από τον χρήστη:

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

# Ορίστε συναρτήσεις εργαλείων
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())

Βασικές έννοιες

Η Azure AI Agent Service έχει τις ακόλουθες βασικές έννοιες:

Περιπτώσεις Χρήσης: Η Azure AI Agent Service έχει σχεδιαστεί για επιχειρησιακές εφαρμογές που απαιτούν ασφαλή, κλιμακώσιμη και ευέλικτη ανάπτυξη πρακτόρων AI.

Ποια είναι η διαφορά μεταξύ αυτών των προσεγγίσεων;

Φαίνεται ότι υπάρχει κάποια επικάλυψη, αλλά υπάρχουν ορισμένες βασικές διαφορές όσον αφορά τον σχεδιασμό, τις δυνατότητες και τις επιδιωκόμενες περιπτώσεις χρήσης:

Δεν είστε ακόμα σίγουροι ποιο να επιλέξετε;

Περιπτώσεις Χρήσης

Ας δούμε αν μπορούμε να σας βοηθήσουμε περνώντας από μερικές κοινές περιπτώσεις χρήσης:

Q: Κατασκευάζω παραγωγικές εφαρμογές πρακτόρων AI και θέλω να ξεκινήσω γρήγορα

A: Το Microsoft Agent Framework είναι μια εξαιρετική επιλογή. Παρέχει ένα απλό, Pythonic API μέσω AzureAIProjectAgentProvider που σας επιτρέπει να ορίσετε πράκτορες με εργαλεία και οδηγίες σε λίγες μόνο γραμμές κώδικα.

Q: Χρειάζομαι ανάπτυξη επιπέδου επιχείρησης με ενσωματώσεις Azure όπως Search και εκτέλεση κώδικα

A: Η Azure AI Agent Service είναι η καλύτερη επιλογή. Είναι μια υπηρεσία πλατφόρμας που παρέχει ενσωματωμένες δυνατότητες για πολλαπλά μοντέλα, Azure AI Search, Bing Search και Azure Functions. Κάνει εύκολη την κατασκευή των πρακτόρων σας στο Foundry Portal και την ανάπτυξή τους σε κλίμακα.

Q: Είμαι ακόμα μπερδεμένος, δώστε μου μόνο μια επιλογή

A: Ξεκινήστε με το Microsoft Agent Framework για να κατασκευάσετε τους πράκτορές σας, και στη συνέχεια χρησιμοποιήστε την Azure AI Agent Service όταν χρειαστεί να τους αναπτύξετε και να τους κλιμακώσετε σε παραγωγή. Αυτή η προσέγγιση σας επιτρέπει να επαναλαμβάνετε γρήγορα τη λογική του πράκτορά σας ενώ έχετε μια σαφή διαδρομή προς την επιχειρησιακή ανάπτυξη.

Ας συνοψίσουμε τις βασικές διαφορές σε έναν πίνακα:

Framework Εστίαση Βασικές Έννοιες Περιπτώσεις Χρήσης
Microsoft Agent Framework Απλοποιημένο SDK πρακτόρων με κλήση εργαλείων Agents, Tools, Azure Identity Κατασκευή πρακτόρων AI, χρήση εργαλείων, πολύ-βηματικές ροές εργασίας
Azure AI Agent Service Ευέλικτα μοντέλα, ασφάλεια επιχείρησης, Δημιουργία κώδικα, Κλήση εργαλείων Modularidad, Collaboration, Process Orchestration Ασφαλής, κλιμακώσιμη και ευέλικτη ανάπτυξη πρακτόρων AI

Μπορώ να ενσωματώσω απευθείας τα υπάρχοντα εργαλεία του οικοσυστήματος Azure μου, ή χρειάζομαι ανεξάρτητες λύσεις?

Η απάντηση είναι ναι, μπορείτε να ενσωματώσετε άμεσα τα υπάρχοντα εργαλεία του οικοσυστήματος Azure με την Azure AI Agent Service, ειδικά καθώς έχει σχεδιαστεί να λειτουργεί απρόσκοπτα με άλλες υπηρεσίες Azure. Για παράδειγμα, μπορείτε να ενσωματώσετε το Bing, το Azure AI Search και το Azure Functions. Υπάρχει επίσης βαθιά ενσωμάτωση με το Microsoft Foundry.

Το Microsoft Agent Framework ενσωματώνεται επίσης με τις υπηρεσίες Azure μέσω του AzureAIProjectAgentProvider και της ταυτότητας Azure, επιτρέποντάς σας να καλείτε τις υπηρεσίες Azure απευθείας από τα εργαλεία του agent σας.

Δείγματα Κώδικα

Έχετε περισσότερες ερωτήσεις σχετικά με τα Πλαίσια Πρακτόρων AI;

Εγγραφείτε στο Microsoft Foundry Discord για να συναντήσετε άλλους μαθητευόμενους, να παρακολουθήσετε ώρες γραφείου και να λάβετε απαντήσεις στις ερωτήσεις σας για τους AI Agents.

Αναφορές

Προηγούμενο Μάθημα

Εισαγωγή στους Πράκτορες Τεχνητής Νοημοσύνης και τις Περιπτώσεις Χρήσης τους

Επόμενο Μάθημα

Κατανόηση των Agentic Προτύπων Σχεδιασμού

Αποποίηση ευθυνών: Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας υπηρεσία αυτόματης μετάφρασης με τεχνητή νοημοσύνη Co-op Translator (https://github.com/Azure/co-op-translator). Παρά τις προσπάθειές μας για ακρίβεια, λάβετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν σφάλματα ή ανακρίβειες. Το πρωτότυπο έγγραφο στη γλώσσα του πρέπει να θεωρείται η έγκυρη/αυθεντική πηγή. Για κρίσιμες πληροφορίες συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.

This site is open source. Improve this page.