ai-agents-for-beginners
(برای تماشای ویدیو این درس روی تصویر بالا کلیک کنید)
معرفی عاملهای هوش مصنوعی و کاربردهای آنها
به دوره عاملهای هوش مصنوعی برای مبتدیان خوش آمدید! این دوره دانش پایه و کدهای عملی واقعی را به شما میدهد تا بتوانید عاملهای هوش مصنوعی را از صفر بسازید.
بیایید در جامعه دیسکورد Azure AI سلام و احوالپرسی کنیم — اینجا پر از یادگیرندگان و سازندگان هوش مصنوعی است که خوشحال میشوند به سوالات پاسخ دهند.
قبل از شروع به ساختن، بیایید مطمئن شویم که واقعاً فهمیدهایم عامل هوش مصنوعی چیست و چه زمانی استفاده از آن منطقی است.
معرفی
این درس شامل موارد زیر است:
- عاملهای هوش مصنوعی چیستند و انواع مختلف آنها
- برای چه نوع کارهایی عاملهای هوش مصنوعی مناسبترند
- بلوکهای اصلی که هنگام طراحی یک راهکار عاملی استفاده میکنید
اهداف یادگیری
در پایان این درس باید بتوانید:
- توضیح دهید عامل هوش مصنوعی چیست و چگونه با راهکار هوش مصنوعی معمولی متفاوت است
- بدانید چه زمانی باید به سراغ یک عامل هوش مصنوعی بروید (و چه زمانی نه)
- طرح کلی یک راهکار عاملی ساده برای یک مسئله واقعی ترسیم کنید
تعریف عاملهای هوش مصنوعی و انواع آنها
عاملهای هوش مصنوعی چیستند؟
راه سادهای برای فکر کردن به آن:
عاملهای هوش مصنوعی سیستمهایی هستند که به مدلهای زبان بزرگ (LLM) اجازه میدهند واقعاً کارهایی انجام دهند — با دادن ابزارها و دانش برای اعمال بر جهان، نه فقط پاسخ به درخواستها.
بیایید کمی باز کنیم:
- سیستم — عامل هوش مصنوعی فقط یک چیز نیست. مجموعهای از قطعات است که با هم کار میکنند. در هسته هر عامل سه بخش وجود دارد:
- محیط — فضایی که عامل در آن کار میکند. برای یک عامل رزرو سفر، این خود پلتفرم رزرو است.
- سنسورها — نحوه خواندن وضعیت فعلی محیط توسط عامل. عامل سفر ما ممکن است وضعیت هتلها یا قیمت بلیتها را چک کند.
- عملگرها — نحوه انجام عمل توسط عامل. عامل سفر ممکن است یک اتاق رزرو کند، تایید بکشد یا رزرو را لغو کند.
-
مدلهای زبان بزرگ — عاملها قبل از LLM وجود داشتند، اما مدلهای بزرگ زبان موجب قدرت بیشتر عاملهای امروزی شدهاند. آنها زبان طبیعی را میفهمند، درباره کانتکست استدلال میکنند و درخواست مبهم کاربر را به یک برنامه عملی تبدیل میکنند.
-
انجام کارها — بدون سیستم عامل، LLM فقط متن تولید میکند. اما درون سیستم عامل، LLM میتواند واقعاً مراحل را اجرا کند — جستجو در پایگاه داده، فراخوانی API، ارسال پیام.
-
دسترسی به ابزارها — ابزارهایی که عامل میتواند استفاده کند به (۱) محیطی که در آن اجرا میشود و (۲) انتخاب توسعهدهنده بستگی دارد. عامل سفر ممکن است بتواند پروازها را جستجو کند اما رکوردهای مشتری را ویرایش نکند — همه چیز به نحوه اتصال شما بستگی دارد.
-
حافظه + دانش — عاملها میتوانند حافظه کوتاهمدت (گفتگوی فعلی) و حافظه بلندمدت (پایگاه داده مشتری، تعاملات گذشته) داشته باشند. عامل سفر ممکن است “به خاطر بسپارد” که شما صندلی کنار پنجره را ترجیح میدهید.
انواع مختلف عاملهای هوش مصنوعی
همه عاملها یکسان ساخته نشدهاند. اینجا تقسیمبندی اصلی انواع عاملها با استفاده از مثال عامل رزرو سفر آورده شده است:
| نوع عامل | چه کاری انجام میدهد | مثال عامل سفر |
|---|---|---|
| عاملهای بازتاب ساده | قوانین سختکد شده را دنبال میکند — بدون حافظه و برنامهریزی. | ایمیل شکایت را میبیند → به خدمات مشتری ارسال میکند. همین. |
| عاملهای بازتاب مبتنی بر مدل | مدل داخلی از جهان دارد و آن را به روز میکند. | قیمتهای تاریخی پرواز را دنبال میکند و مسیرهای ناگهانی گران را علامت میزند. |
| عاملهای مبتنی بر هدف | هدفی دارد و گام به گام راه رسیدن به آن را پیدا میکند. | یک سفر کامل رزرو میکند (پرواز، ماشین، هتل) از موقعیت فعلی شما تا مقصد. |
| عاملهای مبتنی بر سودمندی | فقط یک راه حل پیدا نمیکند — بهترین را با سنجش مزایا و معایب مییابد. | هزینه و راحتی را متعادل میکند تا سفری مناسب ترجیحاتتان پیدا کند. |
| عاملهای یادگیرنده | با بازخورد زمانبر بهتر میشود. | توصیههای رزرو آینده را بر اساس نظرسنجی پس از سفر تنظیم میکند. |
| عاملهای سلسلهمراتبی | یک عامل سطح بالا کار را به زیرکارها تقسیم میکند و به عاملهای پایینتر واگذار میکند. | درخواست «لغو سفر» به لغو پرواز، لغو هتل، لغو کرایه ماشین تقسیم میشود — هر کدام توسط عامل زیرمجموعه انجام میشود. |
| سیستمهای چندعاملی (MAS) | چند عامل مستقل با هم همکاری (یا رقابت) میکنند. | همکاری: عوامل جداگانه هتلها، پروازها، و سرگرمیها را مدیریت میکنند. رقابت: عوامل مختلف برای پر کردن اتاقهای هتل با بهترین قیمت رقابت میکنند. |
چه زمانی از عاملهای هوش مصنوعی استفاده کنیم
فقط چون میتوانید از عامل هوش مصنوعی استفاده کنید، همیشه نباید این کار را بکنید. اینجا موقعیتهایی که عاملها واقعاً موثرند آمده است:
- مسائل باز و تعریف نشده — زمانی که مراحل حل مسئله قابل برنامهریزی قبلی نیستند و LLM باید مسیر را به صورت دینامیک کشف کند.
- فرآیندهای چندمرحلهای — کارهایی که نیاز به استفاده از ابزارها در چند مرحله دارند، نه فقط جستجو یا تولید یک باره.
- پیشرفت در طول زمان — وقتی میخواهید سیستم بر اساس بازخورد کاربر یا سیگنالهای محیطی هوشمندتر شود.
بیشتر در درس ساخت عاملهای هوش مصنوعی قابل اعتماد در ادامه دوره درباره چه زمانی (و چه زمانی نه) باید از عاملها استفاده کرد بحث میکنیم.
مبانی راهکارهای عاملی
توسعه عامل
اولین کاری که هنگام ساخت عامل انجام میدهید تعریف کارهایی است که میتواند انجام دهد — ابزارها، اقدامات، و رفتارهای آن.
در این دوره، از خدمت عامل هوش مصنوعی Azure به عنوان پلتفرم اصلی استفاده میکنیم. این خدمت از موارد زیر پشتیبانی میکند:
- مدلهای باز مانند OpenAI، Mistral، و Llama
- دادههای دارای مجوز از ارائهدهندگانی مانند Tripadvisor
- تعاریف ابزار استاندارد OpenAPI 3.0
الگوهای عاملی
شما از طریق درخواستها (پرامپتها) با مدلهای زبان بزرگ ارتباط برقرار میکنید. با عاملها همیشه نمیتوانید هر پرامپت را به صورت دستی بسازید — عامل باید بتواند در چندین مرحله عمل کند. اینجاست که الگوهای عاملی وارد میشوند. آنها استراتژیهای قابل استفاده مجدد برای پرامپت دادن و سازماندهی LLMها به روشی مقیاسپذیر و قابل اطمینانتر هستند.
دوره ما حول شایعترین و کاربردیترین الگوهای عاملی ساختار یافته است.
چارچوبهای عاملی
چارچوبهای عاملی به توسعهدهندگان تمپلیتها، ابزارها، و زیرساختهای آماده برای ساخت عاملها را میدهد. این چارچوبها آسانتر میکنند:
- اتصال ابزارها و قابلیتها
- مشاهده عملکرد عامل (و عیبیابی در صورت خطا)
- همکاری میان چند عامل
در این دوره تمرکز ما روی چارچوب عامل مایکروسافت (MAF) برای ساخت عاملهای آماده تولید است.
نمونه کدها
آماده دیدن اجرا هستید؟ اینها نمونه کدهای این درس هستند:
- 🐍 پایتون: چارچوب عامل
- 🔷 .NET: چارچوب عامل
سوال دارید؟
به دیسکورد Microsoft Foundry بپیوندید تا با سایر یادگیرندگان ارتباط برقرار کنید، در ساعات اداری شرکت کنید و سوالات خود درباره عاملهای هوش مصنوعی را از جامعه بپرسید.
درس قبل
درس بعد
سلب مسئولیت:
این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما در تلاش برای دقت هستیم، لطفاً توجه داشته باشید که ترجمههای خودکار ممکن است شامل خطاها یا نادرستیهایی باشند. نسخه اصلی سند به زبان مبدأ باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، ترجمه حرفهای انسانی توصیه میشود. ما مسئول هیچگونه سوء تفاهم یا تفسیر نادرستی که از استفاده از این ترجمه ناشی شده باشد، نیستیم.