ai-agents-for-beginners
(ចុចរូបភាពខាងលើដើម្បីមើលវីដេអូសម្រាប់មេរៀននេះ)
ការណែនាំអំពីភ្នាក់ងារតៃ Artificial Intelligence Agents និងករណីប្រើប្រាស់ភ្នាក់ងារ
សូមស្វាគមន៍មកកាន់វគ្គសិក្សា ភ្នាក់ងារតៃ Artificial Intelligence Agents សម្រាប់អ្នកដំបូង! វគ្គសិក្សានេះផ្តល់ជូនអ្នកនូវចំណេះដឹងមូលដ្ឋាន — និងកូដការងារពិត — ដើម្បីចាប់ផ្តើមកសាងភ្នាក់ងារតៃ AI ពីគោលដៅទទេ។
អញ្ជើញមកជួបសួរសុខទុក្ខក្នុង សហគមន៍ Azure AI Discord — ដែលពេញទៅដោយអ្នករៀននិងអ្នកកសាង AI ដែលរីករាយក្នុងការឆ្លើយសំណួរ។
មុនជានឹងចាប់ផ្តើមកសាង មកធ្វើឲ្យប្រាកដថាយើងពិតជាយល់ពីអ្វីទៅជា AI Agent ហើយពេលណាដែលរឿងប្រើប្រាស់វាដែលមានហេតុផល។
អាណាត្រា
មេរៀននេះគ្របដណ្តប់៖
- ភ្នាក់ងារ AI ជាអ្វី និងប្រភេទផ្សេងៗរបស់វា
- តំណែងនៃភារកិច្ចដែលភ្នាក់ងារ AI វិលត្រូវបានសមស្របបំផុត
- គ្រឿងសំណុំមូលដ្ឋានដែលអ្នកនឹងប្រើនៅពេលរូបភាពដំណោះស្រាយ Agentic
គោលបំណងរៀន
នៅចុងបញ្ចប់នៃមេរៀននេះ អ្នកគួរតែអាច៖
- ពន្យល់អំពីអ្វីទៅជា AI Agent និងភាពខុសគ្នារវាងវានិងដំណោះស្រាយ AI ទូទៅ
- ដឹងពេលណាចាំបាច់ប្រើ AI Agent (និងពេលដែលមិនត្រូវប្រើ)
- គូររូបភាពដំណោះស្រាយ Agentic មូលដ្ឋានសម្រាប់បញ្ហាជាក់ស្តែង
ការបញ្ជាក់អំពីភ្នាក់ងារ AI និងប្រភេទភ្នាក់ងារ AI
ភ្នាក់ងារ AI ជាអ្វី?
នេះជាវិធីមួយសាមញ្ញក្នុងការគិតពីវា៖
ភ្នាក់ងារ AI គឺជាប្រព័ន្ធដែលអនុញ្ញាតឲ្យគំរូភាសាធំៗ (LLMs) អាច ធ្វើរឿង បាន — ដោយផ្តល់ឲ្យវាឧបករណ៍ និងចំណេះដឹងសម្រាប់ដំណើរការโลก ពុំមែនត្រឹមតែកម្លើយតាមការស្នើសុំទេ។
មកផ្ដោតពិភាក្សារនេះបន្តិច៖
- ប្រព័ន្ធ — AI Agent មិនមែនជារឿងតែមួយទេ។ វាជាការប្រមួលគ្រឿងផ្សំដែលធ្វើការជាមួយគ្នា។ នៅមូលដ្ឋាន រាល់ភ្នាក់ងារមានបីផ្នែក៖
- បរិយាកាស — កន្លែងដែលភ្នាក់ងារធ្វើការ។ សម្រាប់ភ្នាក់ងារចុះកក់ការធ្វើដំណើរ នេះគឺជាវេទិកាចុះកក់។
- ឧបករណ៍ក្នុងការស្ដាប់ — របៀបដែលភ្នាក់ងារអានស្ថានភាពបច្ចុប្បន្ដនៃបរិយាកាស។ ភ្នាក់ងារធ្វើដំណើរយើងអាចពិនិត្យស្ថានភាពសណ្ឋាគារ ឬ តម្លៃបញ្ចុះតម្លៃសំបុត្រ។
- ឧបករណ៍ក្នុងការធ្វើចលនា — របៀបដែលភ្នាក់ងារធ្វើសកម្មភាព។ ភ្នាក់ងារធ្វើដំណើរអាចកក់បន្ទប់ បញ្ជូនការបញ្ជាក់ទទួល និងលុបចោលការកក់។
-
គំរូភាសាធំ — ភ្នាក់ងារបានមានមុនពីមុនកំណត់ LLMs ប៉ុន្តែ LLMs គឺជាអ្វីដែលបង្កើតឲ្យភ្នាក់ងារបានខ្លាំងបំផុតក្នុងសម័យទំនើប។ ពួកវាអាចយល់ភាសានិម្មិត សម្គាល់ពីបរិបទ ហើយបំលែងសំណើរសុំអ្នកប្រើមិនច្បាស់ច្បាស់ទៅជាប្រព័ន្ធផែនការប្រយោជន៍។
-
អនុវត្តសកម្មភាព — គ្មានប្រព័ន្ធភ្នាក់ងារ LLM គ្រាន់តែបង្កើតអត្ថបទ។ នៅក្នុងប្រព័ន្ធភ្នាក់ងារ LLM អាច អនុវត្ត ជំហានជា ជួយស្វែងរកមូលដ្ឋានទិន្នន័យ ការហៅ API ស្នើសុំសារ។
-
ចូលប្រើឧបករណ៍ — ឧបករណ៍ដែលភ្នាក់ងារអាចប្រើប្រាស់អាស្រ័យលើ (1) បរិយាកាសដែលវាដំណើរការ និង (2) អ្វីដែលអ្នកអភិវឌ្ឍជ្រើសរើសផ្តល់ឲ្យវា។ ភ្នាក់ងារធ្វើដំណើរ អាចស្វែងរកសំបុត្រអាកាសយានដ្ឋាន ប៉ុន្តែមិនអាចកែសម្រួលកំណត់ត្រាអតិថិជន — រឿងចាំបាច់គឺត្រូវភ្ជាប់អ្វីទៅអ្វី។
-
អង្គចងចាំ + ចំណេះដឹង — ភ្នាក់ងារអាចមានអង្គចងចាំរយៈពេលខ្លី (ការសន្ទនាបច្ចុប្បន្ន) និងអង្គចងចាំរយៈពេលវែង (មូលដ្ឋានទិន្នន័យអតិថិជន ការប្រាស្រ័យទំនាក់ទំនងកន្លងមក)។ ភ្នាក់ងារធ្វើដំណើរអាច “ចងចាំ” ថាអ្នកចូលចិត្តកៅអីជំពូកបង្អួច។
ប្រភេទភ្នាក់ងារ AI ផ្សេងៗ
មិនមែនរាល់ភ្នាក់ងារតាមទ្រង់ទ្រាយគឺដូចគ្នា។ នេះជាការបំបែកប្រភេទសំខាន់ៗ ប្រើផ្ទាំងឧទាហរណ៍ភ្នាក់ងារធ្វើដំណើរ៖
| ប្រភេទភ្នាក់ងារ | អ្វីដែលវាធ្វើ | ឧទាហរណ៍ភ្នាក់ងារធ្វើដំណើរ |
|---|---|---|
| Simple Reflex Agents | ធ្វើតាមច្បាប់កូដរឹង — គ្មានអង្គចងចាំ គ្មានការធ្វើផែនការ។ | ដឹងពីអ៊ីមែលបណ្តឹង → ផ្ញើវាទៅកាន់សេវាកម្មអតិថិជន។ លុបចោល។ |
| Model-Based Reflex Agents | រក្សាទុកម៉ូដែលផ្ទៃក្នុងនៃពិភពលោក ហើយធ្វើបច្ចុប្បន្នភាពពេលវាត្រូវប្ដូរ។ | តាមដានតម្លៃសំបុត្រអាកាសយ៉ាងផង និងបង្ហាញផ្លូវដែលឡើងថ្លៃឆាប់រហ័ស។ |
| Goal-Based Agents | មានគោលដៅក្នុងវិចារណញ្ញាណ ហើយរកវិធីដើម្បីទទួលបានគោលដៅ ដោយជំហានជាជំហាន។ | កក់ដំណើរធំមួយ (សំបុត្រអាកាស, ឡាន, សណ្ឋាគារ) ចាប់ផ្តើមពីទីតាំងបច្ចុប្បន្នរបស់អ្នក ដើម្បីទៅកាន់ទីកន្លែងដែលចង់ទៅ។ |
| Utility-Based Agents | មិនត្រឹមតែរកដំណោះស្រាយមួយទេ - រកដំណោះស្រាយល្អបំផុត ដោយថ្លៃថ្នូរណ៍រវាងជម្រើស។ | តុល្យភាពចំណាយ និងការសម្រួល ដើម្បីរកដំណើរ ដែលបានពិន្ទុលើកំណត់ចិត្តរបស់អ្នក។ |
| Learning Agents | កាន់ត្បិតល្អប្រសើរជាមួយពេលវេលា ដោយរៀនពីមតិយោបល់។ | កែប្រែមតំណកសន្មត់បន្ដិចបន្ដួចមានពីលទ្ធផលស្ទាក់ស្ទើរបញ្ចប់ដំណើរ។ |
| Hierarchical Agents | ភ្នាក់ងារថ្នាក់ខ្ពស់បំបែកកិច្ចការចូលទៅជាកិច្ចការរង ហើយដាក់ឲ្យភ្នាក់ងារថ្នាក់ទាបជំនួយ។ | សំណើ “លុបចោលដំណើរ” ផ្ដែកជា: លុបសំបុត្រ, លុបសណ្ឋាគារ, លុបជួលឡាន — រៀបចំដោយភ្នាក់ងារជំនួយ។ |
| Multi-Agent Systems (MAS) | ភ្នាក់ងារច្រើន ដំណើរការជាប្រភេទឯករាជ្យគ្នា (ឬប្រកួតប្រជែង)។ | សហការ៖ ភ្នាក់ងារត្រូវបែងចែកការងារសណ្ឋាគារ, សំបុត្រ និងកំសាន្ត។ ប្រកួតប្រជែង៖ ភ្នាក់ងារច្រើនប្រកួតគ្នាក្នុងការផ្គត់ផ្គង់បន្ទប់សណ្ឋាគារដោយតម្លៃល្អបំផុត។ |
ពេលណាត្រូវប្រើប្រាស់ភ្នាក់ងារ AI
គ្រាន់តែអ្នកអាចប្រើភ្នាក់ងារ AI មិនមែនមានន័យថាអ្នកគួរតែប្រើវា តែងតែ។ នេះជាស្ថានភាពដែលភ្នាក់ងារបង្ហាញនូវសមត្ថភាពល្អ៖
- បញ្ហាវិសាលមិនបិទ — ពេលជំហានដើម្បីដោះស្រាយបញ្ហាមិនអាចកូដជាមុនបាន។ អ្នកចាំបាច់ឲ្យ LLM រកវិធីដោយឌីណាមិច។
- ដំណើរការជាជំហានច្រើន — ភារកិច្ចដែលត្រូវប្រើឧបករណ៍ជាពហុជំហាន មិនមែនត្រឹមតែស្វែងរក ឬបង្កើតតែមួយដង។
- ការកែលម្អជាមួយពេលវេលា — ពេលដែលអ្នកចង់ឲ្យប្រព័ន្ធកាន់តែមានក្ដីប្រាជ្ញា ដោយផ្អែកលើមតិយោបល់អ្នកប្រើ ឬសញ្ញាបរិយាកាស។
យើងនឹងអង្កេតមើលជ្រៅជាងនេះ ពេលណា (និងពេលណា មិន) ប្រើភ្នាក់ងារ AI ក្នុងមេរៀន កសាងភាពទុកចិត្តទៅលើភ្នាក់ងារ AI អនាគតក្នុងវគ្គនេះ។
មូលដ្ឋាននៃដំណោះស្រាយ Agentic
ការអភិវឌ្ឍភ្នាក់ងារ
រឿងដំបូងដែលអ្នកធ្វើពេលបង្កើតភ្នាក់ងារគឺកំណត់ អ្វីដែលវាអាចធ្វើបាន — ឧបករណ៍ សកម្មភាព និងអាកប្បកិរិយារ។
នៅក្នុងវគ្គនេះ យើងប្រើ សេវារ AI Agent របស់ Azure ជាវេទិកាសំខាន់។ វាគាំទ្រ៖
- គំរូបើកចំហេដូចជា OpenAI, Mistral និង Llama
- ទិន្នន័យដែលបានអនុញ្ញាតពីអ្នកផ្គត់ផ្គង់ដូចជា Tripadvisor
- ការបញ្ជាក់ឧបករណ៍ OpenAPI 3.0 មាត្រដ្ឋាន
គំរូ Agentic
អ្នកទំនាក់ទំនងជាមួយ LLMs តាមការជម្រៅ។ ជាមួយភ្នាក់ងារ មិនអាចដាក់ចិត្តដល់ការជម្រៅគ្រប់យ៉ាងដោយကိုដៃទេ — ភ្នាក់ងារចាំបាច់ធ្វើសកម្មភាពជាច្រើនជំហាន។ នេះហៅថា គំរូ Agentic។ វាជាយុទ្ធសាស្ត្រប្រើប្រាស់ឡើងវិញសម្រាប់ការជម្រៅ និងកំណត់លំដាប់ LLMs ម្យ៉ាងទៀតឲ្យបានកាន់តែទូលំទូលាយ និងទុកចិត្តបាន។
វគ្គនេះរៀបចំជុំវិញគំរូ Agentic ដែលពេញនិយម និងមានប្រយោជន៍បំផុត។
ស៊ុម Agentic
ស៊ុម Agentic ផ្តល់ឧបករណ៍ដែលមានរួចជាស្រេច ល្បាប់ និងលំនៅដ្ឋានសម្រាប់អភិវឌ្ឍភ្នាក់ងារ។ វាធ្វើឲ្យងាយស្រួលក្នុងការប្រើ៖
- ភ្ជាប់ឧបករណ៍និងសមត្ថភាព
- អង្កេតមើលអ្វីដែលភ្នាក់ងារធ្វើ (និងដោះស្រាយបញ្ហាពេលវាមិនត្រឹមត្រូវ)
- ធ្វើការជាមួយភ្នាក់ងារច្រើនក្នុងពេលតែមួយ
នៅក្នុងវគ្គនេះ យើងផ្តោតលើ Microsoft Agent Framework (MAF) សម្រាប់កសាងភ្នាក់ងារដែលមានសមត្ថភាពផលិតកម្ម។
ឧទាហរណ៍កូដ
ត្រៀមខ្លួនមើលវាទៅលើសកម្មភាព? សូមមើលឧទាហរណ៍កូដសម្រាប់មេរៀននេះ៖
- 🐍 Python: Agent Framework
- 🔷 .NET: Agent Framework
មានសំណួរទេ?
ចូលរួម Microsoft Foundry Discord ដើម្បីភ្ជាប់ជាមួយអ្នករៀនផ្សេងទៀត ចូលរួមម៉ោងការិយាល័យ និងទទួលបានចម្លើយសំណួរអំពីភ្នាក់ងារ AI ពីសហគមន៍។
មេរៀនមុន
មេរៀនបន្ទាប់
ការព្រមាន៖
ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាបកប្រែ AI Co-op Translator។ ខណៈពេលដែលយើងខិតខំសម្រាប់ភាពត្រឹមត្រូវ សូមយល់អំពីថាបកប្រែដោយស្វ័យប្រវត្តិអាចមានកំហុស ឬគ្មានភាពត្រឹមត្រូវ។ ឯកសារដើមនៅក្នុងភាសាមួយដែលមានដើមគួរតែបានចាត់ទុកថាជាដើមតួអង្គ។ សម្រាប់ព័ត៌មានសំខាន់ៗ ផ្តល់អនុសាសន៍ឱ្យប្រើការបកប្រែដោយមនុស្សជំនាញ។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសបច្ចេកទេសណាមួយដែលកើតមានពីការប្រើប្រាស់បកប្រែនេះឡើយ។