ai-agents-for-beginners

Explorando marcos de agentes de IA

(Haga clic en la imagen de arriba para ver el video de esta lección)

Explorar marcos de agentes de IA

Los marcos de agentes de IA son plataformas de software diseñadas para simplificar la creación, implementación y gestión de agentes de IA. Estos marcos proporcionan a los desarrolladores componentes preconstruidos, abstracciones y herramientas que agilizan el desarrollo de sistemas de IA complejos.

Estos marcos ayudan a los desarrolladores a centrarse en los aspectos únicos de sus aplicaciones al proporcionar enfoques estandarizados para los desafíos comunes en el desarrollo de agentes de IA. Mejoran la escalabilidad, accesibilidad y eficiencia en la construcción de sistemas de IA.

Introducción

Esta lección cubrirá:

Objetivos de aprendizaje

Los objetivos de esta lección son ayudarle a entender:

¿Qué son los marcos de agentes de IA y qué permiten hacer a los desarrolladores?

Los marcos tradicionales de IA pueden ayudarle a integrar IA en sus aplicaciones y mejorar estas aplicaciones de las siguientes maneras:

Todo eso suena genial, ¿entonces por qué necesitamos el marco de agentes de IA?

Los marcos de agentes de IA representan algo más que simples marcos de IA. Están diseñados para habilitar la creación de agentes inteligentes que pueden interactuar con usuarios, otros agentes y el entorno para alcanzar objetivos específicos. Estos agentes pueden exhibir comportamiento autónomo, tomar decisiones y adaptarse a condiciones cambiantes. Veamos algunas capacidades clave que habilitan los marcos de agentes de IA:

En resumen, los agentes le permiten hacer más, llevar la automatización al siguiente nivel, crear sistemas más inteligentes que pueden adaptarse y aprender de su entorno.

¿Cómo prototipar rápidamente, iterar y mejorar las capacidades del agente?

Este es un campo que evoluciona rápido, pero hay algunos aspectos comunes en la mayoría de los marcos de agentes de IA que pueden ayudarle a prototipar y iterar rápidamente, principalmente componentes modulares, herramientas colaborativas y aprendizaje en tiempo real. Vamos a profundizar en estos:

Usar Componentes Modulares

SDKs como el Microsoft Agent Framework ofrecen componentes preconstruidos como conectores de IA, definiciones de herramientas y gestión de agentes.

Cómo pueden usar esto los equipos: Los equipos pueden ensamblar rápidamente estos componentes para crear un prototipo funcional sin empezar desde cero, permitiendo la experimentación rápida y la iteración.

Cómo funciona en la práctica: Puede usar un analizador preconstruido para extraer información de la entrada del usuario, un módulo de memoria para almacenar y recuperar datos, y un generador de prompts para interactuar con los usuarios, todo sin tener que construir estos componentes desde cero.

Código de ejemplo. Veamos un ejemplo de cómo puede usar Microsoft Agent Framework con FoundryChatClient para que el modelo responda a la entrada del usuario con llamadas a herramientas:

# Ejemplo de Python del Marco de Agentes de Microsoft

import asyncio
import os

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


# Definir una función de herramienta de ejemplo para reservar viajes
@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)
    # Resultado de ejemplo: Su vuelo a Nueva York el 1 de enero de 2025 ha sido reservado con éxito. ¡Buen viaje! ✈️🗽


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

Lo que puede ver en este ejemplo es cómo puede aprovechar un analizador preconstruido para extraer información clave de la entrada del usuario, como origen, destino y fecha de una solicitud de reserva de vuelo. Este enfoque modular le permite concentrarse en la lógica de alto nivel.

Aprovechar Herramientas Colaborativas

Marcos como Microsoft Agent Framework facilitan la creación de múltiples agentes que pueden trabajar juntos.

Cómo pueden usar esto los equipos: Los equipos pueden diseñar agentes con roles y tareas específicas, permitiéndoles probar y refinar flujos de trabajo colaborativos y mejorar la eficiencia general del sistema.

Cómo funciona en la práctica: Puede crear un equipo de agentes donde cada agente tiene una función especializada, como recuperación de datos, análisis o toma de decisiones. Estos agentes pueden comunicarse y compartir información para lograr un objetivo común, como responder una consulta del usuario o completar una tarea.

Código de ejemplo (Microsoft Agent Framework):

# Creando múltiples agentes que trabajan juntos utilizando el 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(),
)

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

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

# Ejecutar agentes en secuencia en una tarea
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)

Lo que ve en el código anterior es cómo puede crear una tarea que implica a múltiples agentes trabajando juntos para analizar datos. Cada agente realiza una función específica y la tarea se ejecuta coordinando a los agentes para lograr el resultado deseado. Al crear agentes dedicados con roles especializados, puede mejorar la eficiencia y el rendimiento de la tarea.

Aprender en Tiempo Real

Marcos avanzados proporcionan capacidades para la comprensión contextual en tiempo real y adaptación.

Cómo pueden usar esto los equipos: Los equipos pueden implementar bucles de retroalimentación donde los agentes aprenden de las interacciones y ajustan su comportamiento dinámicamente, llevando a una mejora continua y refinamiento de capacidades.

Cómo funciona en la práctica: Los agentes pueden analizar retroalimentación del usuario, datos ambientales y resultados de tareas para actualizar su base de conocimiento, ajustar algoritmos de toma de decisiones y mejorar el rendimiento con el tiempo. Este proceso iterativo de aprendizaje permite a los agentes adaptarse a condiciones cambiantes y preferencias de usuario, mejorando la efectividad general del sistema.

¿Cuáles son las diferencias entre Microsoft Agent Framework y Microsoft Foundry Agent Service?

Hay muchas formas de comparar estos enfoques, pero veamos algunas diferencias clave en términos de su diseño, capacidades y casos de uso objetivo:

Microsoft Agent Framework (MAF)

Microsoft Agent Framework proporciona un SDK simplificado para construir agentes de IA usando FoundryChatClient. Permite a los desarrolladores crear agentes que aprovechan modelos Azure OpenAI con llamadas integradas a herramientas, gestión de conversaciones y seguridad empresarial a través de identidad Azure.

Casos de uso: Construcción de agentes de IA listos para producción con uso de herramientas, flujos de trabajo multi-pasos e integración empresarial.

Aquí algunos conceptos fundamentales importantes del Microsoft Agent Framework:

Microsoft Foundry Agent Service

Microsoft Foundry Agent Service es una incorporación más reciente, presentada en Microsoft Ignite 2024. Permite el desarrollo e implementación de agentes de IA con modelos más flexibles, como llamadas directas a LLM de código abierto como Llama 3, Mistral y Cohere.

Microsoft Foundry Agent Service proporciona mecanismos de seguridad empresarial más robustos y métodos de almacenamiento de datos, haciéndolo adecuado para aplicaciones empresariales.

Funciona listo para usar con Microsoft Agent Framework para construir e implementar agentes.

Este servicio está actualmente en Vista Previa Pública y soporta Python y C# para construir agentes.

Usando el SDK Python de Microsoft Foundry Agent Service, podemos crear un agente con una herramienta definida por el usuario:

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

# Definir funciones de herramientas
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())

Conceptos clave

Microsoft Foundry Agent Service tiene los siguientes conceptos clave:

Casos de uso: Microsoft Foundry Agent Service está diseñado para aplicaciones empresariales que requieren despliegue seguro, escalable y flexible de agentes de IA.

¿Cuál es la diferencia entre estos enfoques?

Parece que hay solapamiento, pero hay algunas diferencias clave en términos de diseño, capacidades y casos de uso objetivo:

¿Todavía no está seguro cuál elegir?

Casos de uso

Veamos si podemos ayudarle repasando algunos casos de uso comunes:

P: Estoy construyendo aplicaciones de agentes de IA para producción y quiero comenzar rápido

R: Microsoft Agent Framework es una excelente opción. Proporciona una API sencilla y en Python vía FoundryChatClient que le permite definir agentes con herramientas e instrucciones en solo unas líneas de código.

P: Necesito despliegue de grado empresarial con integraciones Azure como Search y ejecución de código

R: Microsoft Foundry Agent Service es lo más adecuado. Es un servicio de plataforma que ofrece capacidades integradas para múltiples modelos, Azure AI Search, Bing Search y Azure Functions. Facilita construir sus agentes en el Portal Foundry e implementarlos a escala.

P: Todavía estoy confundido, solo déme una opción

R: Comience con Microsoft Agent Framework para construir sus agentes y luego use Microsoft Foundry Agent Service cuando necesite desplegarlos y escalarlos en producción. Este enfoque le permite iterar rápido con la lógica de su agente mientras tiene un camino claro hacia el despliegue empresarial.

Resumamos las diferencias clave en una tabla:

Marco Enfoque Conceptos clave Casos de uso
Microsoft Agent Framework SDK simplificado para agentes con llamadas a herramientas Agentes, Herramientas, Identidad Azure Construcción de agentes de IA, uso de herramientas, flujos de trabajo multi-pasos
Microsoft Foundry Agent Service Modelos flexibles, seguridad empresarial, generación de código, llamadas a herramientas Modularidad, Colaboración, Orquestación de procesos Despliegue seguro, escalable y flexible de agentes de IA

¿Puedo integrar mis herramientas existentes del ecosistema Azure directamente o necesito soluciones independientes?

La respuesta es sí, puedes integrar tus herramientas existentes del ecosistema de Azure directamente con Microsoft Foundry Agent Service, especialmente porque ha sido diseñado para trabajar sin problemas con otros servicios de Azure. Por ejemplo, podrías integrar Bing, Azure AI Search y Azure Functions. También hay una integración profunda con Microsoft Foundry.

El Microsoft Agent Framework también se integra con los servicios de Azure a través de FoundryChatClient y la identidad de Azure, permitiéndote llamar a los servicios de Azure directamente desde tus herramientas de agente.

Códigos de ejemplo

¿Tienes más preguntas sobre AI Agent Frameworks?

Únete al Microsoft Foundry Discord para conocer a otros estudiantes, asistir a horas de oficina y resolver tus dudas sobre Agentes de IA.

Referencias

Lección anterior

Introducción a los Agentes de IA y Casos de Uso de Agentes

Próxima lección

Entendiendo los Patrones de Diseño Agente

Descargo de responsabilidad: Este documento ha sido traducido utilizando el servicio de traducción automática Co-op Translator. Aunque nos esforzamos por la precisión, tenga en cuenta que las traducciones automatizadas pueden contener errores o inexactitudes. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda una traducción profesional humana. No somos responsables de cualquier malentendido o interpretación errónea que surja del uso de esta traducción.

This site is open source. Improve this page.