(Clicca sull’immagine sopra per vedere il video di questa lezione)
Metacognizione negli Agenti AI
Benvenuto alla lezione sulla metacognizione negli agenti AI! Questo capitolo è pensato per principianti curiosi di sapere come gli agenti AI possano riflettere sui propri processi di pensiero. Alla fine di questa lezione, comprenderai i concetti chiave e avrai esempi pratici per applicare la metacognizione nella progettazione di agenti AI.
Dopo aver completato questa lezione, sarai in grado di:
La metacognizione si riferisce ai processi cognitivi di ordine superiore che implicano il pensare al proprio pensiero. Per gli agenti AI, questo significa essere in grado di valutare e adattare le proprie azioni basandosi sulla consapevolezza di sé e sulle esperienze passate. La metacognizione, o “pensare al pensiero”, è un concetto importante nello sviluppo di sistemi AI agentici. Implica che i sistemi AI siano consapevoli dei propri processi interni e siano in grado di monitorare, regolare e adattare il proprio comportamento di conseguenza. Proprio come facciamo noi quando leggiamo una situazione o affrontiamo un problema. Questa consapevolezza di sé può aiutare i sistemi AI a prendere decisioni migliori, identificare errori e migliorare le proprie prestazioni nel tempo, collegandosi nuovamente al test di Turing e al dibattito sul fatto che l’AI possa prendere il sopravvento.
Nel contesto dei sistemi AI agentici, la metacognizione può aiutare a risolvere diverse sfide, come:
La metacognizione, o “pensare al pensiero”, è un processo cognitivo di ordine superiore che implica la consapevolezza di sé e l’autoregolazione dei propri processi cognitivi. Nel campo dell’AI, la metacognizione consente agli agenti di valutare e adattare le proprie strategie e azioni, portando a capacità di risoluzione dei problemi e di decisione migliorate. Comprendendo la metacognizione, puoi progettare agenti AI che siano non solo più intelligenti, ma anche più adattabili ed efficienti. Nella vera metacognizione, l’AI ragionerebbe esplicitamente sul proprio ragionamento.
Esempio: “Ho dato priorità ai voli economici perché… Potrei perdere voli diretti, quindi ricontrollo.”. Tenere traccia di come o perché ha scelto una certa opzione.
La metacognizione svolge un ruolo cruciale nella progettazione degli agenti AI per diversi motivi:
Prima di approfondire i processi metacognitivi, è essenziale comprendere le componenti di base di un agente AI. Un agente AI è tipicamente composto da:
Queste componenti lavorano insieme per creare un “unità di competenza” in grado di svolgere compiti specifici.
Esempio: Considera un agente di viaggio, servizi di agenti che non solo pianificano la tua vacanza ma adattano il percorso basandosi su dati in tempo reale e esperienze di viaggio precedenti dei clienti.
Immagina di progettare un servizio di agente di viaggio alimentato da AI. Questo agente, “Agente di Viaggio,” aiuta gli utenti a pianificare le loro vacanze. Per incorporare la metacognizione, l’Agente di Viaggio deve valutare e adattare le proprie azioni basandosi sulla consapevolezza di sé e sulle esperienze passate. Ecco come la metacognizione potrebbe giocare un ruolo:
Il compito attuale è aiutare un utente a pianificare un viaggio a Parigi.
L’Agente di Viaggio utilizza la metacognizione per valutare le proprie prestazioni e imparare dalle esperienze passate. Ad esempio:
Ecco un esempio semplificato di come potrebbe apparire il codice dell’Agente di Viaggio quando incorpora la metacognizione:
class Travel_Agent:
def __init__(self):
self.user_preferences = {}
self.experience_data = []
def gather_preferences(self, preferences):
self.user_preferences = preferences
def retrieve_information(self):
# Search for flights, hotels, and attractions based on preferences
flights = search_flights(self.user_preferences)
hotels = search_hotels(self.user_preferences)
attractions = search_attractions(self.user_preferences)
return flights, hotels, attractions
def generate_recommendations(self):
flights, hotels, attractions = self.retrieve_information()
itinerary = create_itinerary(flights, hotels, attractions)
return itinerary
def adjust_based_on_feedback(self, feedback):
self.experience_data.append(feedback)
# Analyze feedback and adjust future recommendations
self.user_preferences = adjust_preferences(self.user_preferences, feedback)
# Example usage
travel_agent = Travel_Agent()
preferences = {
"destination": "Paris",
"dates": "2025-04-01 to 2025-04-10",
"budget": "moderate",
"interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
itinerary = travel_agent.generate_recommendations()
print("Suggested Itinerary:", itinerary)
feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
travel_agent.adjust_based_on_feedback(feedback)
Incorporando la metacognizione, l’Agente di Viaggio può fornire raccomandazioni di viaggio più personalizzate e accurate, migliorando l’esperienza complessiva dell’utente.
La pianificazione è una componente critica del comportamento degli agenti AI. Implica delineare i passaggi necessari per raggiungere un obiettivo, considerando lo stato attuale, le risorse e gli ostacoli possibili.
Esempio: Ecco i passaggi che l’Agente di Viaggio deve seguire per aiutare un utente a pianificare efficacemente il proprio viaggio:
class Travel_Agent:
def __init__(self):
self.user_preferences = {}
self.experience_data = []
def gather_preferences(self, preferences):
self.user_preferences = preferences
def retrieve_information(self):
flights = search_flights(self.user_preferences)
hotels = search_hotels(self.user_preferences)
attractions = search_attractions(self.user_preferences)
return flights, hotels, attractions
def generate_recommendations(self):
flights, hotels, attractions = self.retrieve_information()
itinerary = create_itinerary(flights, hotels, attractions)
return itinerary
def adjust_based_on_feedback(self, feedback):
self.experience_data.append(feedback)
self.user_preferences = adjust_preferences(self.user_preferences, feedback)
# Example usage within a booing request
travel_agent = Travel_Agent()
preferences = {
"destination": "Paris",
"dates": "2025-04-01 to 2025-04-10",
"budget": "moderate",
"interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
itinerary = travel_agent.generate_recommendations()
print("Suggested Itinerary:", itinerary)
feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
travel_agent.adjust_based_on_feedback(feedback)
Iniziamo comprendendo la differenza tra lo strumento RAG e il caricamento contestuale pre-emptivo.
RAG combina un sistema di recupero con un modello generativo. Quando viene effettuata una query, il sistema di recupero recupera documenti o dati pertinenti da una fonte esterna, e queste informazioni recuperate vengono utilizzate per arricchire l’input al modello generativo. Questo aiuta il modello a generare risposte più accurate e contestualmente rilevanti.
In un sistema RAG, l’agente recupera informazioni pertinenti da una base di conoscenza e le utilizza per generare risposte o azioni appropriate.
L’approccio RAG Correttivo si concentra sull’utilizzo delle tecniche RAG per correggere errori e migliorare l’accuratezza degli agenti AI. Questo implica:
Considera un agente di ricerca che recupera informazioni dal web per rispondere alle query degli utenti. L’approccio RAG Correttivo potrebbe implicare:
Il RAG Correttivo (Generazione Augmentata da Recupero) migliora la capacità di un AI di recuperare e generare informazioni correggendo eventuali inesattezze. Vediamo come l’Agente di Viaggio può utilizzare l’approccio RAG Correttivo per fornire raccomandazioni di viaggio più accurate e pertinenti.
Questo implica:
Esempio:
preferences = {
"destination": "Paris",
"dates": "2025-04-01 to 2025-04-10",
"budget": "moderate",
"interests": ["museums", "cuisine"]
}
Esempio:
flights = search_flights(preferences)
hotels = search_hotels(preferences)
attractions = search_attractions(preferences)
Esempio:
itinerary = create_itinerary(flights, hotels, attractions)
print("Suggested Itinerary:", itinerary)
Esempio:
feedback = {
"liked": ["Louvre Museum"],
"disliked": ["Eiffel Tower (too crowded)"]
}
Esempio:
if "disliked" in feedback:
preferences["avoid"] = feedback["disliked"]
Esempio:
new_attractions = search_attractions(preferences)
new_itinerary = create_itinerary(flights, hotels, new_attractions)
print("Updated Itinerary:", new_itinerary)
Esempio:
def adjust_preferences(preferences, feedback):
if "liked" in feedback:
preferences["favorites"] = feedback["liked"]
if "disliked" in feedback:
preferences["avoid"] = feedback["disliked"]
return preferences
preferences = adjust_preferences(preferences, feedback)
Ecco un esempio semplificato di codice Python che incorpora l’approccio RAG Correttivo nell’Agente di Viaggio:
class Travel_Agent:
def __init__(self):
self.user_preferences = {}
self.experience_data = []
def gather_preferences(self, preferences):
self.user_preferences = preferences
def retrieve_information(self):
flights = search_flights(self.user_preferences)
hotels = search_hotels(self.user_preferences)
attractions = search_attractions(self.user_preferences)
return flights, hotels, attractions
def generate_recommendations(self):
flights, hotels, attractions = self.retrieve_information()
itinerary = create_itinerary(flights, hotels, attractions)
return itinerary
def adjust_based_on_feedback(self, feedback):
self.experience_data.append(feedback)
self.user_preferences = adjust_preferences(self.user_preferences, feedback)
new_itinerary = self.generate_recommendations()
return new_itinerary
# Example usage
travel_agent = Travel_Agent()
preferences = {
"destination": "Paris",
"dates": "2025-04-01 to 2025-04-10",
"budget": "moderate",
"interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
itinerary = travel_agent.generate_recommendations()
print("Suggested Itinerary:", itinerary)
feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
new_itinerary = travel_agent.adjust_based_on_feedback(feedback)
print("Updated Itinerary:", new_itinerary)
Il caricamento preventivo del contesto consiste nel caricare informazioni rilevanti o di background nel modello prima di elaborare una query. Questo significa che il modello ha accesso a queste informazioni fin dall’inizio, il che può aiutarlo a generare risposte più informate senza dover recuperare dati aggiuntivi durante il processo.
Ecco un esempio semplificato di come potrebbe apparire un caricamento preventivo del contesto per un’applicazione di agente di viaggio in Python:
class TravelAgent:
def __init__(self):
# Pre-load popular destinations and their information
self.context = {
"Paris": {"country": "France", "currency": "Euro", "language": "French", "attractions": ["Eiffel Tower", "Louvre Museum"]},
"Tokyo": {"country": "Japan", "currency": "Yen", "language": "Japanese", "attractions": ["Tokyo Tower", "Shibuya Crossing"]},
"New York": {"country": "USA", "currency": "Dollar", "language": "English", "attractions": ["Statue of Liberty", "Times Square"]},
"Sydney": {"country": "Australia", "currency": "Dollar", "language": "English", "attractions": ["Sydney Opera House", "Bondi Beach"]}
}
def get_destination_info(self, destination):
# Fetch destination information from pre-loaded context
info = self.context.get(destination)
if info:
return f"{destination}:\nCountry: {info['country']}\nCurrency: {info['currency']}\nLanguage: {info['language']}\nAttractions: {', '.join(info['attractions'])}"
else:
return f"Sorry, we don't have information on {destination}."
# Example usage
travel_agent = TravelAgent()
print(travel_agent.get_destination_info("Paris"))
print(travel_agent.get_destination_info("Tokyo"))
Inizializzazione (metodo __init__
): La classe TravelAgent
pre-carica un dizionario contenente informazioni su destinazioni popolari come Parigi, Tokyo, New York e Sydney. Questo dizionario include dettagli come il paese, la valuta, la lingua e le principali attrazioni di ciascuna destinazione.
Recupero delle Informazioni (metodo get_destination_info
): Quando un utente chiede informazioni su una destinazione specifica, il metodo get_destination_info
recupera le informazioni rilevanti dal dizionario di contesto pre-caricato.
Caricando preventivamente il contesto, l’applicazione dell’agente di viaggio può rispondere rapidamente alle query degli utenti senza dover recuperare queste informazioni da una fonte esterna in tempo reale. Questo rende l’applicazione più efficiente e reattiva.
Avviare un piano con un obiettivo significa iniziare con un chiaro obiettivo o risultato desiderato in mente. Definendo questo obiettivo in anticipo, il modello può usarlo come principio guida durante il processo iterativo. Questo aiuta a garantire che ogni iterazione si avvicini al raggiungimento del risultato desiderato, rendendo il processo più efficiente e mirato.
Ecco un esempio di come si potrebbe avviare un piano di viaggio con un obiettivo prima di iterare per un agente di viaggio in Python:
Un agente di viaggio vuole pianificare una vacanza personalizzata per un cliente. L’obiettivo è creare un itinerario di viaggio che massimizzi la soddisfazione del cliente in base alle sue preferenze e al suo budget.
class TravelAgent:
def __init__(self, destinations):
self.destinations = destinations
def bootstrap_plan(self, preferences, budget):
plan = []
total_cost = 0
for destination in self.destinations:
if total_cost + destination['cost'] <= budget and self.match_preferences(destination, preferences):
plan.append(destination)
total_cost += destination['cost']
return plan
def match_preferences(self, destination, preferences):
for key, value in preferences.items():
if destination.get(key) != value:
return False
return True
def iterate_plan(self, plan, preferences, budget):
for i in range(len(plan)):
for destination in self.destinations:
if destination not in plan and self.match_preferences(destination, preferences) and self.calculate_cost(plan, destination) <= budget:
plan[i] = destination
break
return plan
def calculate_cost(self, plan, new_destination):
return sum(destination['cost'] for destination in plan) + new_destination['cost']
# Example usage
destinations = [
{"name": "Paris", "cost": 1000, "activity": "sightseeing"},
{"name": "Tokyo", "cost": 1200, "activity": "shopping"},
{"name": "New York", "cost": 900, "activity": "sightseeing"},
{"name": "Sydney", "cost": 1100, "activity": "beach"},
]
preferences = {"activity": "sightseeing"}
budget = 2000
travel_agent = TravelAgent(destinations)
initial_plan = travel_agent.bootstrap_plan(preferences, budget)
print("Initial Plan:", initial_plan)
refined_plan = travel_agent.iterate_plan(initial_plan, preferences, budget)
print("Refined Plan:", refined_plan)
Inizializzazione (metodo __init__
): La classe TravelAgent
viene inizializzata con un elenco di destinazioni potenziali, ciascuna con attributi come nome, costo e tipo di attività.
Avvio del Piano (metodo bootstrap_plan
): Questo metodo crea un piano di viaggio iniziale basato sulle preferenze e sul budget del cliente. Itera attraverso l’elenco delle destinazioni e le aggiunge al piano se corrispondono alle preferenze del cliente e rientrano nel budget.
Corrispondenza delle Preferenze (metodo match_preferences
): Questo metodo verifica se una destinazione corrisponde alle preferenze del cliente.
Iterazione del Piano (metodo iterate_plan
): Questo metodo perfeziona il piano iniziale cercando di sostituire ogni destinazione nel piano con una corrispondenza migliore, considerando le preferenze e i vincoli di budget del cliente.
Calcolo del Costo (metodo calculate_cost
): Questo metodo calcola il costo totale del piano attuale, inclusa una potenziale nuova destinazione.
Avviando il piano con un obiettivo chiaro (ad esempio, massimizzare la soddisfazione del cliente) e iterando per perfezionarlo, l’agente di viaggio può creare un itinerario di viaggio personalizzato e ottimizzato per il cliente. Questo approccio garantisce che il piano di viaggio sia allineato alle preferenze e al budget del cliente fin dall’inizio e migliori con ogni iterazione.
I Large Language Models (LLM) possono essere utilizzati per il riordino e la valutazione, valutando la rilevanza e la qualità dei documenti recuperati o delle risposte generate. Ecco come funziona:
Recupero: La fase iniziale di recupero ottiene un insieme di documenti o risposte candidati basati sulla query.
Riordino: L’LLM valuta questi candidati e li riordina in base alla loro rilevanza e qualità. Questo passaggio garantisce che le informazioni più rilevanti e di alta qualità siano presentate per prime.
Valutazione: L’LLM assegna punteggi a ciascun candidato, riflettendo la loro rilevanza e qualità. Questo aiuta a selezionare la migliore risposta o documento per l’utente.
Sfruttando gli LLM per il riordino e la valutazione, il sistema può fornire informazioni più accurate e contestualmente rilevanti, migliorando l’esperienza complessiva dell’utente.
Ecco un esempio di come un agente di viaggio potrebbe utilizzare un Large Language Model (LLM) per riordinare e valutare le destinazioni di viaggio in base alle preferenze dell’utente in Python:
Un agente di viaggio vuole raccomandare le migliori destinazioni di viaggio a un cliente in base alle sue preferenze. L’LLM aiuterà a riordinare e valutare le destinazioni per garantire che vengano presentate le opzioni più rilevanti.
Ecco come aggiornare l’esempio precedente per utilizzare Azure OpenAI Services:
import requests
import json
class TravelAgent:
def __init__(self, destinations):
self.destinations = destinations
def get_recommendations(self, preferences, api_key, endpoint):
# Generate a prompt for the Azure OpenAI
prompt = self.generate_prompt(preferences)
# Define headers and payload for the request
headers = {
'Content-Type': 'application/json',
'Authorization': f'Bearer {api_key}'
}
payload = {
"prompt": prompt,
"max_tokens": 150,
"temperature": 0.7
}
# Call the Azure OpenAI API to get the re-ranked and scored destinations
response = requests.post(endpoint, headers=headers, json=payload)
response_data = response.json()
# Extract and return the recommendations
recommendations = response_data['choices'][0]['text'].strip().split('\n')
return recommendations
def generate_prompt(self, preferences):
prompt = "Here are the travel destinations ranked and scored based on the following user preferences:\n"
for key, value in preferences.items():
prompt += f"{key}: {value}\n"
prompt += "\nDestinations:\n"
for destination in self.destinations:
prompt += f"- {destination['name']}: {destination['description']}\n"
return prompt
# Example usage
destinations = [
{"name": "Paris", "description": "City of lights, known for its art, fashion, and culture."},
{"name": "Tokyo", "description": "Vibrant city, famous for its modernity and traditional temples."},
{"name": "New York", "description": "The city that never sleeps, with iconic landmarks and diverse culture."},
{"name": "Sydney", "description": "Beautiful harbour city, known for its opera house and stunning beaches."},
]
preferences = {"activity": "sightseeing", "culture": "diverse"}
api_key = 'your_azure_openai_api_key'
endpoint = 'https://your-endpoint.com/openai/deployments/your-deployment-name/completions?api-version=2022-12-01'
travel_agent = TravelAgent(destinations)
recommendations = travel_agent.get_recommendations(preferences, api_key, endpoint)
print("Recommended Destinations:")
for rec in recommendations:
print(rec)
Inizializzazione: La classe TravelAgent
viene inizializzata con un elenco di destinazioni di viaggio potenziali, ciascuna con attributi come nome e descrizione.
Ottenere Raccomandazioni (metodo get_recommendations
): Questo metodo genera un prompt per il servizio Azure OpenAI basato sulle preferenze dell’utente e invia una richiesta HTTP POST all’API Azure OpenAI per ottenere destinazioni riordinate e valutate.
Generazione del Prompt (metodo generate_prompt
): Questo metodo costruisce un prompt per Azure OpenAI, includendo le preferenze dell’utente e l’elenco delle destinazioni. Il prompt guida il modello a riordinare e valutare le destinazioni in base alle preferenze fornite.
Chiamata API: La libreria requests
viene utilizzata per inviare una richiesta HTTP POST all’endpoint API Azure OpenAI. La risposta contiene le destinazioni riordinate e valutate.
Esempio di Utilizzo: L’agente di viaggio raccoglie le preferenze dell’utente (ad esempio, interesse per visite turistiche e cultura diversificata) e utilizza il servizio Azure OpenAI per ottenere raccomandazioni riordinate e valutate per le destinazioni di viaggio.
Assicurati di sostituire your_azure_openai_api_key
con la tua chiave API Azure OpenAI effettiva e https://your-endpoint.com/...
con l’URL dell’endpoint effettivo della tua distribuzione Azure OpenAI.
Sfruttando l’LLM per il riordino e la valutazione, l’agente di viaggio può fornire raccomandazioni di viaggio più personalizzate e rilevanti ai clienti, migliorando la loro esperienza complessiva.
La Generazione Augmentata dal Recupero (RAG) può essere sia una tecnica di prompting che uno strumento nello sviluppo di agenti AI. Comprendere la distinzione tra i due può aiutarti a sfruttare RAG in modo più efficace nei tuoi progetti.
Cos’è?
Come funziona:
Esempio in Agente di Viaggio:
Cos’è?
Come funziona:
Esempio in Agente di Viaggio:
Aspetto | Tecnica di Prompting | Strumento |
---|---|---|
Manuale vs Automatico | Formulazione manuale di prompt per ogni query. | Processo automatizzato per recupero e generazione. |
Controllo | Offre maggiore controllo sul processo di recupero. | Semplifica e automatizza il recupero e la generazione. |
Flessibilità | Consente prompt personalizzati basati su esigenze specifiche. | Più efficiente per implementazioni su larga scala. |
Complessità | Richiede la creazione e la modifica di prompt. | Più facile da integrare nell’architettura di un agente AI. |
Esempio di Tecnica di Prompting:
def search_museums_in_paris():
prompt = "Find top museums in Paris"
search_results = search_web(prompt)
return search_results
museums = search_museums_in_paris()
print("Top Museums in Paris:", museums)
Esempio di Strumento:
class Travel_Agent:
def __init__(self):
self.rag_tool = RAGTool()
def get_museums_in_paris(self):
user_input = "I want to visit museums in Paris."
response = self.rag_tool.retrieve_and_generate(user_input)
return response
travel_agent = Travel_Agent()
museums = travel_agent.get_museums_in_paris()
print("Top Museums in Paris:", museums)
Valutare la rilevanza è un aspetto cruciale delle prestazioni degli agenti AI. Garantisce che le informazioni recuperate e generate dall’agente siano appropriate, accurate e utili per l’utente. Esploriamo come valutare la rilevanza negli agenti AI, inclusi esempi pratici e tecniche.
Esempio:
def relevance_score(item, query):
score = 0
if item['category'] in query['interests']:
score += 1
if item['price'] <= query['budget']:
score += 1
if item['location'] == query['destination']:
score += 1
return score
Esempio:
def filter_and_rank(items, query):
ranked_items = sorted(items, key=lambda item: relevance_score(item, query), reverse=True)
return ranked_items[:10] # Return top 10 relevant items
Esempio:
def process_query(query):
# Use NLP to extract key information from the user's query
processed_query = nlp(query)
return processed_query
Esempio:
def adjust_based_on_feedback(feedback, items):
for item in items:
if item['name'] in feedback['liked']:
item['relevance'] += 1
if item['name'] in feedback['disliked']:
item['relevance'] -= 1
return items
Ecco un esempio pratico di come Travel Agent può valutare la rilevanza delle raccomandazioni di viaggio:
class Travel_Agent:
def __init__(self):
self.user_preferences = {}
self.experience_data = []
def gather_preferences(self, preferences):
self.user_preferences = preferences
def retrieve_information(self):
flights = search_flights(self.user_preferences)
hotels = search_hotels(self.user_preferences)
attractions = search_attractions(self.user_preferences)
return flights, hotels, attractions
def generate_recommendations(self):
flights, hotels, attractions = self.retrieve_information()
ranked_hotels = self.filter_and_rank(hotels, self.user_preferences)
itinerary = create_itinerary(flights, ranked_hotels, attractions)
return itinerary
def filter_and_rank(self, items, query):
ranked_items = sorted(items, key=lambda item: self.relevance_score(item, query), reverse=True)
return ranked_items[:10] # Return top 10 relevant items
def relevance_score(self, item, query):
score = 0
if item['category'] in query['interests']:
score += 1
if item['price'] <= query['budget']:
score += 1
if item['location'] == query['destination']:
score += 1
return score
def adjust_based_on_feedback(self, feedback, items):
for item in items:
if item['name'] in feedback['liked']:
item['relevance'] += 1
if item['name'] in feedback['disliked']:
item['relevance'] -= 1
return items
# Example usage
travel_agent = Travel_Agent()
preferences = {
"destination": "Paris",
"dates": "2025-04-01 to 2025-04-10",
"budget": "moderate",
"interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
itinerary = travel_agent.generate_recommendations()
print("Suggested Itinerary:", itinerary)
feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
updated_items = travel_agent.adjust_based_on_feedback(feedback, itinerary['hotels'])
print("Updated Itinerary with Feedback:", updated_items)
La ricerca con intento implica comprendere e interpretare lo scopo o l’obiettivo sottostante dietro la query di un utente per recuperare e generare le informazioni più rilevanti e utili. Questo approccio va oltre il semplice abbinamento di parole chiave e si concentra sulla comprensione delle reali esigenze e del contesto dell’utente.
Prendiamo Travel Agent come esempio per vedere come implementare la ricerca con intento.
Raccolta delle preferenze dell’utente
class Travel_Agent:
def __init__(self):
self.user_preferences = {}
def gather_preferences(self, preferences):
self.user_preferences = preferences
Comprensione dell’intento dell’utente
def identify_intent(query):
if "book" in query or "purchase" in query:
return "transactional"
elif "website" in query or "official" in query:
return "navigational"
else:
return "informational"
Consapevolezza del contesto
def analyze_context(query, user_history):
# Combine current query with user history to understand context
context = {
"current_query": query,
"user_history": user_history
}
return context
Ricerca e personalizzazione dei risultati
def search_with_intent(query, preferences, user_history):
intent = identify_intent(query)
context = analyze_context(query, user_history)
if intent == "informational":
search_results = search_information(query, preferences)
elif intent == "navigational":
search_results = search_navigation(query)
elif intent == "transactional":
search_results = search_transaction(query, preferences)
personalized_results = personalize_results(search_results, user_history)
return personalized_results
def search_information(query, preferences):
# Example search logic for informational intent
results = search_web(f"best {preferences['interests']} in {preferences['destination']}")
return results
def search_navigation(query):
# Example search logic for navigational intent
results = search_web(query)
return results
def search_transaction(query, preferences):
# Example search logic for transactional intent
results = search_web(f"book {query} to {preferences['destination']}")
return results
def personalize_results(results, user_history):
# Example personalization logic
personalized = [result for result in results if result not in user_history]
return personalized[:10] # Return top 10 personalized results
Esempio di utilizzo
travel_agent = Travel_Agent()
preferences = {
"destination": "Paris",
"interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
user_history = ["Louvre Museum website", "Book flight to Paris"]
query = "best museums in Paris"
results = search_with_intent(query, preferences, user_history)
print("Search Results:", results)
Gli agenti che generano codice utilizzano modelli di intelligenza artificiale per scrivere ed eseguire codice, risolvendo problemi complessi e automatizzando attività.
Gli agenti che generano codice utilizzano modelli di intelligenza artificiale generativa per scrivere ed eseguire codice. Questi agenti possono risolvere problemi complessi, automatizzare attività e fornire preziosi approfondimenti generando ed eseguendo codice in vari linguaggi di programmazione.
Immagina di progettare un agente che genera codice. Ecco come potrebbe funzionare:
In questo esempio, progetteremo un agente che genera codice, Travel Agent, per aiutare gli utenti a pianificare i loro viaggi generando ed eseguendo codice. Questo agente può gestire attività come recuperare opzioni di viaggio, filtrare i risultati e compilare un itinerario utilizzando l’intelligenza artificiale generativa.
Raccolta delle preferenze dell’utente
class Travel_Agent:
def __init__(self):
self.user_preferences = {}
def gather_preferences(self, preferences):
self.user_preferences = preferences
Generazione di codice per recuperare dati
def generate_code_to_fetch_data(preferences):
# Example: Generate code to search for flights based on user preferences
code = f"""
def search_flights():
import requests
response = requests.get('https://api.example.com/flights', params={preferences})
return response.json()
"""
return code
def generate_code_to_fetch_hotels(preferences):
# Example: Generate code to search for hotels
code = f"""
def search_hotels():
import requests
response = requests.get('https://api.example.com/hotels', params={preferences})
return response.json()
"""
return code
Esecuzione del codice generato
def execute_code(code):
# Execute the generated code using exec
exec(code)
result = locals()
return result
travel_agent = Travel_Agent()
preferences = {
"destination": "Paris",
"dates": "2025-04-01 to 2025-04-10",
"budget": "moderate",
"interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
flight_code = generate_code_to_fetch_data(preferences)
hotel_code = generate_code_to_fetch_hotels(preferences)
flights = execute_code(flight_code)
hotels = execute_code(hotel_code)
print("Flight Options:", flights)
print("Hotel Options:", hotels)
Generazione dell’itinerario
def generate_itinerary(flights, hotels, attractions):
itinerary = {
"flights": flights,
"hotels": hotels,
"attractions": attractions
}
return itinerary
attractions = search_attractions(preferences)
itinerary = generate_itinerary(flights, hotels, attractions)
print("Suggested Itinerary:", itinerary)
Regolazione basata sul feedback
def adjust_based_on_feedback(feedback, preferences):
# Adjust preferences based on user feedback
if "liked" in feedback:
preferences["favorites"] = feedback["liked"]
if "disliked" in feedback:
preferences["avoid"] = feedback["disliked"]
return preferences
feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
updated_preferences = adjust_based_on_feedback(feedback, preferences)
# Regenerate and execute code with updated preferences
updated_flight_code = generate_code_to_fetch_data(updated_preferences)
updated_hotel_code = generate_code_to_fetch_hotels(updated_preferences)
updated_flights = execute_code(updated_flight_code)
updated_hotels = execute_code(updated_hotel_code)
updated_itinerary = generate_itinerary(updated_flights, updated_hotels, attractions)
print("Updated Itinerary:", updated_itinerary)
Basarsi sullo schema della tabella può effettivamente migliorare il processo di generazione delle query sfruttando la consapevolezza ambientale e il ragionamento.
Ecco un esempio di come questo può essere fatto:
Ecco un esempio di codice Python aggiornato che incorpora questi concetti:
def adjust_based_on_feedback(feedback, preferences, schema):
# Adjust preferences based on user feedback
if "liked" in feedback:
preferences["favorites"] = feedback["liked"]
if "disliked" in feedback:
preferences["avoid"] = feedback["disliked"]
# Reasoning based on schema to adjust other related preferences
for field in schema:
if field in preferences:
preferences[field] = adjust_based_on_environment(feedback, field, schema)
return preferences
def adjust_based_on_environment(feedback, field, schema):
# Custom logic to adjust preferences based on schema and feedback
if field in feedback["liked"]:
return schema[field]["positive_adjustment"]
elif field in feedback["disliked"]:
return schema[field]["negative_adjustment"]
return schema[field]["default"]
def generate_code_to_fetch_data(preferences):
# Generate code to fetch flight data based on updated preferences
return f"fetch_flights(preferences={preferences})"
def generate_code_to_fetch_hotels(preferences):
# Generate code to fetch hotel data based on updated preferences
return f"fetch_hotels(preferences={preferences})"
def execute_code(code):
# Simulate execution of code and return mock data
return {"data": f"Executed: {code}"}
def generate_itinerary(flights, hotels, attractions):
# Generate itinerary based on flights, hotels, and attractions
return {"flights": flights, "hotels": hotels, "attractions": attractions}
# Example schema
schema = {
"favorites": {"positive_adjustment": "increase", "negative_adjustment": "decrease", "default": "neutral"},
"avoid": {"positive_adjustment": "decrease", "negative_adjustment": "increase", "default": "neutral"}
}
# Example usage
preferences = {"favorites": "sightseeing", "avoid": "crowded places"}
feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
updated_preferences = adjust_based_on_feedback(feedback, preferences, schema)
# Regenerate and execute code with updated preferences
updated_flight_code = generate_code_to_fetch_data(updated_preferences)
updated_hotel_code = generate_code_to_fetch_hotels(updated_preferences)
updated_flights = execute_code(updated_flight_code)
updated_hotels = execute_code(updated_hotel_code)
updated_itinerary = generate_itinerary(updated_flights, updated_hotels, feedback["liked"])
print("Updated Itinerary:", updated_itinerary)
schema
definisce come le preferenze dovrebbero essere regolate basandosi sul feedback. Include campi come favorites
e avoid
, con corrispondenti regolazioni.adjust_based_on_feedback
): Questo metodo regola le preferenze basandosi sul feedback dell’utente e sullo schema.adjust_based_on_environment
): Questo metodo personalizza le regolazioni basandosi sullo schema e sul feedback.Rendendo il sistema consapevole dell’ambiente e ragionando basandosi sullo schema, è possibile generare query più accurate e pertinenti, portando a migliori raccomandazioni di viaggio e a un’esperienza utente più personalizzata.
SQL (Structured Query Language) è uno strumento potente per interagire con i database. Quando utilizzato come parte di un approccio di Retrieval-Augmented Generation (RAG), SQL può recuperare dati pertinenti dai database per informare e generare risposte o azioni negli agenti di intelligenza artificiale. Esploriamo come SQL può essere utilizzato come tecnica RAG nel contesto di Travel Agent.
Esempio: Un agente di analisi dei dati:
Raccolta delle preferenze dell’utente
class Travel_Agent:
def __init__(self):
self.user_preferences = {}
def gather_preferences(self, preferences):
self.user_preferences = preferences
Generazione di query SQL
def generate_sql_query(table, preferences):
query = f"SELECT * FROM {table} WHERE "
conditions = []
for key, value in preferences.items():
conditions.append(f"{key}='{value}'")
query += " AND ".join(conditions)
return query
Esecuzione di query SQL
import sqlite3
def execute_sql_query(query, database="travel.db"):
connection = sqlite3.connect(database)
cursor = connection.cursor()
cursor.execute(query)
results = cursor.fetchall()
connection.close()
return results
Generazione di raccomandazioni
def generate_recommendations(preferences):
flight_query = generate_sql_query("flights", preferences)
hotel_query = generate_sql_query("hotels", preferences)
attraction_query = generate_sql_query("attractions", preferences)
flights = execute_sql_query(flight_query)
hotels = execute_sql_query(hotel_query)
attractions = execute_sql_query(attraction_query)
itinerary = {
"flights": flights,
"hotels": hotels,
"attractions": attractions
}
return itinerary
travel_agent = Travel_Agent()
preferences = {
"destination": "Paris",
"dates": "2025-04-01 to 2025-04-10",
"budget": "moderate",
"interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
itinerary = generate_recommendations(preferences)
print("Suggested Itinerary:", itinerary)
Query sui voli
SELECT * FROM flights WHERE destination='Paris' AND dates='2025-04-01 to 2025-04-10' AND budget='moderate';
Query sugli hotel
SELECT * FROM hotels WHERE destination='Paris' AND budget='moderate';
Query sulle attrazioni
SELECT * FROM attractions WHERE destination='Paris' AND interests='museums, cuisine';
Sfruttando SQL come parte della tecnica di Retrieval-Augmented Generation (RAG), agenti di intelligenza artificiale come Travel Agent possono recuperare e utilizzare dinamicamente dati pertinenti per fornire raccomandazioni accurate e personalizzate.
Per dimostrare un’implementazione della metacognizione, creiamo un semplice agente che riflette sul proprio processo decisionale mentre risolve un problema. In questo esempio, costruiremo un sistema in cui un agente cerca di ottimizzare la scelta di un hotel, ma poi valuta il proprio ragionamento e adatta la propria strategia quando commette errori o fa scelte subottimali.
Simuleremo questo utilizzando un esempio di base in cui l’agente seleziona hotel basandosi su una combinazione di prezzo e qualità, ma “riflette” sulle proprie decisioni e si adatta di conseguenza.
Ecco un esempio:
class HotelRecommendationAgent:
def __init__(self):
self.previous_choices = [] # Stores the hotels chosen previously
self.corrected_choices = [] # Stores the corrected choices
self.recommendation_strategies = ['cheapest', 'highest_quality'] # Available strategies
def recommend_hotel(self, hotels, strategy):
"""
Recommend a hotel based on the chosen strategy.
The strategy can either be 'cheapest' or 'highest_quality'.
"""
if strategy == 'cheapest':
recommended = min(hotels, key=lambda x: x['price'])
elif strategy == 'highest_quality':
recommended = max(hotels, key=lambda x: x['quality'])
else:
recommended = None
self.previous_choices.append((strategy, recommended))
return recommended
def reflect_on_choice(self):
"""
Reflect on the last choice made and decide if the agent should adjust its strategy.
The agent considers if the previous choice led to a poor outcome.
"""
if not self.previous_choices:
return "No choices made yet."
last_choice_strategy, last_choice = self.previous_choices[-1]
# Let's assume we have some user feedback that tells us whether the last choice was good or not
user_feedback = self.get_user_feedback(last_choice)
if user_feedback == "bad":
# Adjust strategy if the previous choice was unsatisfactory
new_strategy = 'highest_quality' if last_choice_strategy == 'cheapest' else 'cheapest'
self.corrected_choices.append((new_strategy, last_choice))
return f"Reflecting on choice. Adjusting strategy to {new_strategy}."
else:
return "The choice was good. No need to adjust."
def get_user_feedback(self, hotel):
"""
Simulate user feedback based on hotel attributes.
For simplicity, assume if the hotel is too cheap, the feedback is "bad".
If the hotel has quality less than 7, feedback is "bad".
"""
if hotel['price'] < 100 or hotel['quality'] < 7:
return "bad"
return "good"
# Simulate a list of hotels (price and quality)
hotels = [
{'name': 'Budget Inn', 'price': 80, 'quality': 6},
{'name': 'Comfort Suites', 'price': 120, 'quality': 8},
{'name': 'Luxury Stay', 'price': 200, 'quality': 9}
]
# Create an agent
agent = HotelRecommendationAgent()
# Step 1: The agent recommends a hotel using the "cheapest" strategy
recommended_hotel = agent.recommend_hotel(hotels, 'cheapest')
print(f"Recommended hotel (cheapest): {recommended_hotel['name']}")
# Step 2: The agent reflects on the choice and adjusts strategy if necessary
reflection_result = agent.reflect_on_choice()
print(reflection_result)
# Step 3: The agent recommends again, this time using the adjusted strategy
adjusted_recommendation = agent.recommend_hotel(hotels, 'highest_quality')
print(f"Adjusted hotel recommendation (highest_quality): {adjusted_recommendation['name']}")
Il punto chiave qui è la capacità dell’agente di:
Questa è una forma semplice di metacognizione in cui il sistema è in grado di adattare il proprio processo di ragionamento basandosi sul feedback interno.
La metacognizione è uno strumento potente che può migliorare significativamente le capacità degli agenti di intelligenza artificiale. Incorporando processi metacognitivi, è possibile progettare agenti più intelligenti, adattabili ed efficienti. Utilizza le risorse aggiuntive per esplorare ulteriormente il mondo affascinante della metacognizione negli agenti di intelligenza artificiale.
Unisciti al Discord di Azure AI Foundry per incontrare altri studenti, partecipare agli orari di ricevimento e ottenere risposte alle tue domande sugli agenti di intelligenza artificiale.
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 potrebbero contenere errori o imprecisioni. Il documento originale nella sua lingua nativa dovrebbe essere considerato la fonte autorevole. Per informazioni critiche, si consiglia una traduzione professionale eseguita da un traduttore umano. Non siamo responsabili per eventuali fraintendimenti o interpretazioni errate derivanti dall’uso di questa traduzione.