(Clicca sull’immagine sopra per vedere il video di questa lezione)
Benvenuto al corso “Agenti AI per Principianti”! Questo corso fornisce conoscenze fondamentali e esempi pratici per costruire Agenti AI.
Unisciti al Azure AI Foundry Discord per incontrare altri studenti e sviluppatori di Agenti AI e per fare qualsiasi domanda riguardo al corso.
Per iniziare questo corso, cominciamo con una migliore comprensione di cosa sono gli Agenti AI e di come possiamo utilizzarli nelle applicazioni e nei flussi di lavoro che costruiamo.
Questa lezione copre:
Dopo aver completato questa lezione, dovresti essere in grado di:
Gli Agenti AI sono sistemi che permettono ai Large Language Models (LLMs) di eseguire azioni estendendo le loro capacità, fornendo agli LLM accesso a strumenti e conoscenze.
Scomponiamo questa definizione in parti più piccole:
Large Language Models - Il concetto di agenti esisteva prima della creazione degli LLM. Il vantaggio di costruire Agenti AI con LLM è la loro capacità di interpretare il linguaggio umano e i dati. Questa capacità consente agli LLM di interpretare le informazioni ambientali e definire un piano per modificare l’ambiente.
Eseguire Azioni - Al di fuori dei sistemi di Agenti AI, gli LLM sono limitati a situazioni in cui l’azione consiste nel generare contenuti o informazioni basate su un prompt dell’utente. All’interno dei sistemi di Agenti AI, gli LLM possono svolgere compiti interpretando la richiesta dell’utente e utilizzando strumenti disponibili nel loro ambiente.
Accesso agli Strumenti - Gli strumenti a cui l’LLM ha accesso sono definiti da 1) l’ambiente in cui opera e 2) lo sviluppatore dell’Agente AI. Per il nostro esempio di agente di viaggio, gli strumenti dell’agente sono limitati dalle operazioni disponibili nel sistema di prenotazione e/o lo sviluppatore può limitare l’accesso dell’agente agli strumenti relativi ai voli.
Memoria+Conoscenza - La memoria può essere a breve termine nel contesto della conversazione tra l’utente e l’agente. A lungo termine, al di fuori delle informazioni fornite dall’ambiente, gli Agenti AI possono anche recuperare conoscenze da altri sistemi, servizi, strumenti e persino altri agenti. Nell’esempio dell’agente di viaggio, questa conoscenza potrebbe essere le informazioni sulle preferenze di viaggio dell’utente presenti in un database clienti.
Ora che abbiamo una definizione generale di Agenti AI, esaminiamo alcuni tipi specifici di agenti e come potrebbero essere applicati a un agente di prenotazione viaggi.
Tipo di Agente | Descrizione | Esempio |
---|---|---|
Agenti Riflessi Semplici | Eseguono azioni immediate basate su regole predefinite. | L’agente di viaggio interpreta il contesto dell’email e inoltra i reclami di viaggio al servizio clienti. |
Agenti Riflessi Basati su Modelli | Eseguono azioni basate su un modello del mondo e sui cambiamenti a quel modello. | L’agente di viaggio dà priorità alle rotte con significativi cambiamenti di prezzo basandosi sull’accesso ai dati storici sui prezzi. |
Agenti Basati su Obiettivi | Creano piani per raggiungere obiettivi specifici interpretando l’obiettivo e determinando le azioni necessarie per raggiungerlo. | L’agente di viaggio prenota un viaggio determinando gli arrangiamenti di viaggio necessari (auto, trasporto pubblico, voli) dalla posizione attuale alla destinazione. |
Agenti Basati su Utilità | Considerano le preferenze e valutano i compromessi numericamente per determinare come raggiungere gli obiettivi. | L’agente di viaggio massimizza l’utilità valutando convenienza vs. costo durante la prenotazione del viaggio. |
Agenti di Apprendimento | Migliorano nel tempo rispondendo al feedback e regolando le azioni di conseguenza. | L’agente di viaggio migliora utilizzando il feedback dei clienti dai sondaggi post-viaggio per apportare modifiche alle prenotazioni future. |
Agenti Gerarchici | Presentano più agenti in un sistema a livelli, con agenti di livello superiore che suddividono i compiti in sottocompiti per gli agenti di livello inferiore. | L’agente di viaggio cancella un viaggio suddividendo il compito in sottocompiti (ad esempio, cancellare prenotazioni specifiche) e facendo completare i sottocompiti agli agenti di livello inferiore, che riportano all’agente di livello superiore. |
Sistemi Multi-Agente (MAS) | Gli agenti completano i compiti in modo indipendente, sia cooperativamente che competitivamente. | Cooperativo: Più agenti prenotano specifici servizi di viaggio come hotel, voli e intrattenimento. Competitivo: Più agenti gestiscono e competono su un calendario condiviso di prenotazioni di hotel per prenotare clienti nell’hotel. |
Nella sezione precedente, abbiamo utilizzato il caso d’uso dell’agente di viaggio per spiegare come i diversi tipi di agenti possono essere utilizzati in diversi scenari di prenotazione viaggi. Continueremo a utilizzare questa applicazione durante il corso.
Esaminiamo i tipi di casi d’uso per cui gli Agenti AI sono più adatti:
Tratteremo ulteriori considerazioni sull’uso degli Agenti AI nella lezione “Costruire Agenti AI Affidabili”.
Il primo passo nella progettazione di un sistema di Agenti AI è definire gli strumenti, le azioni e i comportamenti. In questo corso, ci concentriamo sull’utilizzo del Servizio Azure AI Agent per definire i nostri Agenti. Offre funzionalità come:
La comunicazione con gli LLM avviene tramite prompt. Data la natura semi-autonoma degli Agenti AI, non è sempre possibile o necessario ripromptare manualmente l’LLM dopo un cambiamento nell’ambiente. Utilizziamo Pattern Agentici che ci permettono di promptare l’LLM su più passaggi in modo più scalabile.
Questo corso è suddiviso in alcuni dei pattern agentici attualmente più popolari.
I Framework Agentici permettono agli sviluppatori di implementare pattern agentici tramite codice. Questi framework offrono modelli, plugin e strumenti per una migliore collaborazione degli Agenti AI. Questi vantaggi forniscono capacità per una migliore osservabilità e risoluzione dei problemi dei sistemi di Agenti AI.
In questo corso, esploreremo il framework AutoGen basato sulla ricerca e il framework Agent pronto per la produzione di Semantic Kernel.
Unisciti al Azure AI Foundry Discord per incontrare altri studenti, partecipare agli orari d’ufficio e ottenere risposte alle tue domande sugli Agenti AI.
Esplorare i Framework Agentici
Disclaimer:
Questo documento è stato tradotto utilizzando il servizio di traduzione automatica Co-op Translator. Sebbene ci impegniamo per garantire l’accuratezza, si prega di notare che le traduzioni automatiche possono contenere errori o imprecisioni. Il documento originale nella sua lingua nativa dovrebbe essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale effettuata da un traduttore umano. Non siamo responsabili per eventuali incomprensioni o interpretazioni errate derivanti dall’uso di questa traduzione.