ai-agents-for-beginners

Εξερευνώντας το Πλαίσιο Υπολογιστικών Πρακτόρων της Microsoft

Agent Framework

Εισαγωγή

Αυτό το μάθημα θα καλύψει:

Στόχοι Μάθησης

Μετά την ολοκλήρωση αυτού του μαθήματος, θα γνωρίζετε πώς να:

Παραδείγματα Κώδικα

Παραδείγματα κώδικα για το Πλαίσιο Υπολογιστικών Πρακτόρων της Microsoft (MAF) βρίσκονται σε αυτό το αποθετήριο κάτω από τα αρχεία xx-python-agent-framework και xx-dotnet-agent-framework.

Κατανόηση του Πλαισίου Υπολογιστικών Πρακτόρων της Microsoft

Framework Intro

Το Πλαίσιο Υπολογιστικών Πρακτόρων της Microsoft (MAF) είναι το ενοποιημένο πλαίσιο της Microsoft για τη δημιουργία πρακτόρων τεχνητής νοημοσύνης. Προσφέρει την ευελιξία να καλύψει την ευρεία ποικιλία των περιπτώσεων χρήσης πρακτόρων που συναντώνται τόσο σε περιβάλλοντα παραγωγής όσο και σε ερευνητικά περιβάλλοντα, όπως:

Για την παροχή Πρακτόρων Τεχνητής Νοημοσύνης στην Παραγωγή, το MAF περιλαμβάνει επίσης χαρακτηριστικά για:

Το Πλαίσιο Υπολογιστικών Πρακτόρων της Microsoft εστιάζει επίσης στην διαλειτουργικότητα με:

Ας δούμε πώς αυτά τα χαρακτηριστικά εφαρμόζονται σε κάποιες από τις βασικές έννοιες του Πλαισίου Υπολογιστικών Πρακτόρων της Microsoft.

Βασικές Έννοιες του Πλαισίου Υπολογιστικών Πρακτόρων της Microsoft

Πράκτορες

Agent Framework

Δημιουργία Πρακτόρων

Η δημιουργία πρακτόρων γίνεται ορίζοντας την υπηρεσία επαγωγής (Πάροχος LLM), ένα σύνολο οδηγιών που πρέπει να ακολουθήσει ο Πράκτορας Τεχνητής Νοημοσύνης, και ένα εκχωρημένο όνομα:

agent = AzureOpenAIChatClient(credential=AzureCliCredential()).create_agent( instructions="You are good at recommending trips to customers based on their preferences.", name="TripRecommender" )

Το παραπάνω χρησιμοποιεί Azure OpenAI αλλά οι πράκτορες μπορούν να δημιουργηθούν χρησιμοποιώντας μια ποικιλία υπηρεσιών συμπεριλαμβανομένης της Microsoft Foundry Agent Service:

AzureAIAgentClient(async_credential=credential).create_agent( name="HelperAgent", instructions="You are a helpful assistant." ) as agent

OpenAI API Responses και ChatCompletion:

agent = OpenAIResponsesClient().create_agent( name="WeatherBot", instructions="You are a helpful weather assistant.", )

agent = OpenAIChatClient().create_agent( name="HelpfulAssistant", instructions="You are a helpful assistant.", )

ή MiniMax, που παρέχει ένα συμβατό API με το OpenAI με μεγάλα παράθυρα πλαισίου (έως 204K tokens):

agent = OpenAIChatClient(base_url="https://api.minimax.io/v1", api_key=os.environ["MINIMAX_API_KEY"], model_id="MiniMax-M2.7").create_agent( name="HelpfulAssistant", instructions="You are a helpful assistant.", )

ή απομακρυσμένοι πράκτορες μέσω του πρωτοκόλλου A2A:

agent = A2AAgent( name=agent_card.name, description=agent_card.description, agent_card=agent_card, url="https://your-a2a-agent-host" )

Εκτέλεση Πρακτόρων

Οι πράκτορες εκτελούνται με τις μεθόδους .run ή .run_stream για μη ροή ή ροή απαντήσεων αντίστοιχα.

result = await agent.run("What are good places to visit in Amsterdam?")
print(result.text)

async for update in agent.run_stream("What are the good places to visit in Amsterdam?"):
    if update.text:
        print(update.text, end="", flush=True)

Κάθε εκτέλεση πράκτορα μπορεί επίσης να έχει επιλογές για παραμετροποίηση όπως max_tokens που χρησιμοποιείται από τον πράκτορα, τα εργαλεία που ο πράκτορας μπορεί να καλεί, και ακόμη και το ίδιο το μοντέλο που χρησιμοποιείται για τον πράκτορα.

Αυτό είναι χρήσιμο σε περιπτώσεις όπου απαιτούνται συγκεκριμένα μοντέλα ή εργαλεία για την ολοκλήρωση της εργασίας του χρήστη.

Εργαλεία

Τα εργαλεία μπορούν να οριστούν τόσο κατά τον ορισμό του πράκτορα:

def get_attractions( location: Annotated[str, Field(description="The location to get the top tourist attractions for")], ) -> str: """Get the top tourist attractions for a given location.""" return f"The top attractions for {location} are." 


# Όταν δημιουργείτε έναν ChatAgent απευθείας

agent = ChatAgent( chat_client=OpenAIChatClient(), instructions="You are a helpful assistant", tools=[get_attractions]

όσο και κατά την εκτέλεση του πράκτορα:


result1 = await agent.run( "What's the best place to visit in Seattle?", tools=[get_attractions] # Εργαλείο παρέχεται μόνο για αυτήν την εκτέλεση )

Νήματα Πρακτόρων

Τα νήματα πρακτόρων χρησιμοποιούνται για τη διαχείριση συνομιλιών πολλαπλών γυρισμάτων. Τα νήματα μπορούν να δημιουργηθούν είτε:

Για να δημιουργήσετε ένα νήμα, ο κώδικας είναι ο εξής:

# Δημιουργήστε ένα νέο νήμα.
thread = agent.get_new_thread() # Εκτελέστε τον πράκτορα με το νήμα.
response = await agent.run("Hello, I am here to help you book travel. Where would you like to go?", thread=thread)

Έπειτα μπορείτε να σειριοποιήσετε το νήμα για αποθήκευση και μελλοντική χρήση:

# Δημιουργήστε ένα νέο νήμα.
thread = agent.get_new_thread() 

# Εκτελέστε τον πράκτορα με το νήμα.

response = await agent.run("Hello, how are you?", thread=thread) 

# Σειριοποιήστε το νήμα για αποθήκευση.

serialized_thread = await thread.serialize() 

# Αποσειριοποιήστε την κατάσταση του νήματος μετά τη φόρτωση από την αποθήκευση.

resumed_thread = await agent.deserialize_thread(serialized_thread)

Μεσολάβηση Πρακτόρων

Οι πράκτορες αλληλεπιδρούν με εργαλεία και LLM για να ολοκληρώσουν τις εργασίες των χρηστών. Σε ορισμένα σενάρια, θέλουμε να εκτελέσουμε ή να παρακολουθήσουμε ενδιάμεσες αλληλεπιδράσεις. Η μεσολάβηση πρακτόρων μας επιτρέπει να το κάνουμε αυτό μέσω:

Λειτουργικής Μεσολάβησης
Αυτή η μεσολάβηση επιτρέπει την εκτέλεση μιας ενέργειας μεταξύ του πράκτορα και μιας λειτουργίας/εργαλείου που θα καλεί. Ένα παράδειγμα χρήσης είναι όταν θέλετε να κάνετε κάποια καταγραφή κατά την κλήση της λειτουργίας.

Στον κώδικα παρακάτω, το next ορίζει αν θα καλέσει το επόμενο middleware ή την ίδια τη λειτουργία.

async def logging_function_middleware(
    context: FunctionInvocationContext,
    next: Callable[[FunctionInvocationContext], Awaitable[None]],
) -> None:
    """Function middleware that logs function execution."""
    # Προεπεξεργασία: Καταγραφή πριν από την εκτέλεση της συνάρτησης
    print(f"[Function] Calling {context.function.name}")

    # Συνέχεια στο επόμενο middleware ή εκτέλεση συνάρτησης
    await next(context)

    # Μετα-επεξεργασία: Καταγραφή μετά την εκτέλεση της συνάρτησης
    print(f"[Function] {context.function.name} completed")

Μεσολάβηση Συνομιλίας
Αυτή η μεσολάβηση επιτρέπει την εκτέλεση ή καταγραφή μιας ενέργειας ανάμεσα στον πράκτορα και στις αιτήσεις προς το LLM.

Περιέχει σημαντικές πληροφορίες, όπως τα μήνυμα που αποστέλλονται στην υπηρεσία AI.

async def logging_chat_middleware(
    context: ChatContext,
    next: Callable[[ChatContext], Awaitable[None]],
) -> None:
    """Chat middleware that logs AI interactions."""
    # Προεπεξεργασία: Καταγραφή πριν από την κλήση AI
    print(f"[Chat] Sending {len(context.messages)} messages to AI")

    # Συνέχεια στο επόμενο μεσολαβητικό λογισμικό ή υπηρεσία AI
    await next(context)

    # Μετα-επεξεργασία: Καταγραφή μετά την ανταπόκριση AI
    print("[Chat] AI response received")

Μνήμη Πρακτόρα

Όπως καλύφθηκε στο μάθημα Agentic Memory, η μνήμη είναι σημαντικό στοιχείο για τη δυνατότητα λειτουργίας του πράκτορα σε διαφορετικά συμφραζόμενα. Το MAF προσφέρει διάφορους τύπους μνήμης:

Μνήμη εντός Νήματος
Αυτή είναι η μνήμη που αποθηκεύεται στα νήματα κατά τη διάρκεια της εκτέλεσης της εφαρμογής.

# Δημιουργήστε ένα νέο νήμα.
thread = agent.get_new_thread() # Εκτελέστε τον πράκτορα με το νήμα.
response = await agent.run("Hello, I am here to help you book travel. Where would you like to go?", thread=thread)

Μόνιμα Μηνύματα
Αυτή η μνήμη χρησιμοποιείται για την αποθήκευση ιστορικού συνομιλίας μεταξύ διαφορετικών συνεδριών. Ορίζεται με το chat_message_store_factory:

from agent_framework import ChatMessageStore

# Δημιουργήστε ένα προσαρμοσμένο κατάστημα μηνυμάτων
def create_message_store():
    return ChatMessageStore()

agent = ChatAgent(
    chat_client=OpenAIChatClient(),
    instructions="You are a Travel assistant.",
    chat_message_store_factory=create_message_store
)

Δυναμική Μνήμη
Αυτή η μνήμη προστίθεται στο πλαίσιο πριν εκτελεστούν οι πράκτορες. Αυτές οι μνήμες μπορούν να αποθηκευτούν σε εξωτερικές υπηρεσίες όπως το mem0:

from agent_framework.mem0 import Mem0Provider

# Χρήση Mem0 για προηγμένες λειτουργίες μνήμης
memory_provider = Mem0Provider(
    api_key="your-mem0-api-key",
    user_id="user_123",
    application_id="my_app"
)

agent = ChatAgent(
    chat_client=OpenAIChatClient(),
    instructions="You are a helpful assistant with memory.",
    context_providers=memory_provider
)

Παρατηρησιμότητα Πρακτόρα

Η παρατηρησιμότητα είναι σημαντική για την κατασκευή αξιόπιστων και διαχειρίσιμων πρακτορικών συστημάτων. Το MAF ενσωματώνεται με το OpenTelemetry για να παρέχει ιχνηλάτηση και μετρητές για καλύτερη παρατηρησιμότητα.

from agent_framework.observability import get_tracer, get_meter

tracer = get_tracer()
meter = get_meter()
with tracer.start_as_current_span("my_custom_span"):
    # κάνε κάτι
    pass
counter = meter.create_counter("my_custom_counter")
counter.add(1, {"key": "value"})

Ροές Εργασιών

Το MAF προσφέρει ροές εργασιών που είναι προκαθορισμένα βήματα για την ολοκλήρωση μίας εργασίας και περιλαμβάνουν πρακτορεία AI ως συστατικά αυτών των βημάτων.

Οι ροές εργασιών αποτελούνται από διάφορα συστατικά που επιτρέπουν καλύτερο έλεγχο της ροής. Επιπλέον, επιτρέπουν την πολυπράκτορική ορχήστρωση και το checkpointing για αποθήκευση καταστάσεων της ροής εργασιών.

Τα βασικά συστατικά μιας ροής εργασιών είναι:

Εκτελεστές

Οι εκτελεστές λαμβάνουν εισερχόμενα μηνύματα, εκτελούν τις ανατεθειμένες εργασίες τους και παράγουν ένα έξοδο μήνυμα. Αυτό προωθεί τη ροή εργασιών προς την ολοκλήρωση της μεγαλύτερης εργασίας. Οι εκτελεστές μπορεί να είναι είτε πρακτορεία AI είτε προσαρμοσμένη λογική.

Ακμές

Οι ακμές χρησιμοποιούνται για τον ορισμό της ροής των μηνυμάτων σε μια ροή εργασιών. Αυτές μπορεί να είναι:

Άμεσες Ακμές - Απλές συνδέσεις ένα προς ένα μεταξύ εκτελεστών:

from agent_framework import WorkflowBuilder

builder = WorkflowBuilder()
builder.add_edge(source_executor, target_executor)
builder.set_start_executor(source_executor)
workflow = builder.build()

Υποθετικές Ακμές - Ενεργοποιούνται αφού πληρωθεί κάποια προϋπόθεση. Για παράδειγμα, όταν δεν υπάρχουν διαθέσιμα δωμάτια ξενοδοχείου, ένας εκτελεστής μπορεί να προτείνει άλλες επιλογές.

Ακμές τύπου switch-case - Δρομολογούν μηνύματα σε διαφορετικούς εκτελεστές με βάση ορισμένες προϋποθέσεις. Για παράδειγμα, αν ένας πελάτης ταξιδιού έχει προτεραιότητα πρόσβασης, οι εργασίες του θα διαχειρίζονται μέσω άλλης ροής εργασιών.

Ακμές μεταγωγής πολλαπλών εξόδων (Fan-out) - Στέλνουν ένα μήνυμα σε πολλαπλούς προορισμούς.

Ακμές συλλογής πολλαπλών εισόδων (Fan-in) - Συλλέγουν πολλαπλά μηνύματα από διαφορετικούς εκτελεστές και τα στέλνουν σε έναν προορισμό.

Γεγονότα

Για καλύτερη παρατηρησιμότητα στις ροές εργασιών, το MAF προσφέρει ενσωματωμένα γεγονότα εκτέλεσης, όπως:

Προηγμένα Σχήματα MAF

Οι παραπάνω ενότητες καλύπτουν τις βασικές έννοιες του Πλαισίου Υπολογιστικών Πρακτόρων της Microsoft. Καθώς δημιουργείτε πιο σύνθετους πράκτορες, εδώ είναι μερικά προηγμένα σχήματα προς εξέταση:

Παραδείγματα Κώδικα

Παραδείγματα κώδικα για το Πλαίσιο Υπολογιστικών Πρακτόρων της Microsoft βρίσκονται σε αυτό το αποθετήριο κάτω από τα αρχεία xx-python-agent-framework και xx-dotnet-agent-framework.

Έχετε Περισσότερες Ερωτήσεις για το Πλαίσιο Υπολογιστικών Πρακτόρων της Microsoft;

Ενταχθείτε στο Microsoft Foundry Discord για να συναντήσετε άλλους μαθητές, να παρακολουθήσετε ώρες γραφείου και να λάβετε απαντήσεις στις ερωτήσεις σας για τους Πράκτορες Τεχνητής Νοημοσύνης.

Αποποίηση ευθυνών:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης με τεχνητή νοημοσύνη Co-op Translator. Ενώ καταβάλλουμε προσπάθεια για ακρίβεια, παρακαλούμε να λάβετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν σφάλματα ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα πρέπει να θεωρείται η αξιόπιστη πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική μετάφραση από άνθρωπο. Δεν ευθυνόμαστε για τυχόν παρανοήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.

This site is open source. Improve this page.