ai-agents-for-beginners

របៀបរចនាអ្នកតំណាង AI ល្អ

(ចុចលើរូបភាពខាងលើដើម្បីមើលវីដេអូសម័យនេះ)

លំនាំរចនាសម្រាប់ការប្រើឧបករណ៍

ឧបករណ៍គឺគួរឲ្យចាប់អារម្មណ៍ព្រោះវាអនុញ្ញាតឲ្យអ្នកតំណាង AI មានសមត្ថភាពធំទូលាយជាងមុន។ ផ្ទុយពីនរណាម្នាក់មានសកម្មភាពកំណត់ដែលអាចអនុវត្តបាន ពីការបញ្ចូលឧបករណ៍មួយ អ្នកតំណាងអាចអនុវត្តសកម្មភាពជាច្រើនបន្ថែមទៀត។ ក្នុងជំពូកនេះ ខ្ញុំនឹងពិភាក្សាពី លំនាំរចនាសម្រាប់ការប្រើឧបករណ៍ ដែលពណ៌នាថាអ្នកតំណាង AI អាចប្រើឧបករណ៍ជាក់លាក់ដើម្បីសម្រេចគោលបំណងរបស់ពួកគេយ៉ាងដូចម្តេច។

ការណែនាំ

ក្នុងមេរៀននេះ យើងកំពុងស្វែងរកចម្លើយចំពោះសំណួរដូចខាងក្រោម៖

គោលបំណងសិក្សា

បន្ទាប់ពីបញ្ចប់មេរៀននេះ អ្នកនឹងអាច៖

លំនាំរចនាសម្រាប់ការប្រើឧបករណ៍គឺជាអ្វី?

លំនាំរចនាសម្រាប់ការប្រើឧបករណ៍ ផ្តោតលើការផ្ដល់សមត្ថភាពដល់ LLMs ត្រូវអនុវត្តន៍ជាមួយឧបករណ៍ខាងក្រៅ ដើម្បីសម្រេចគោលបំណងជាក់លាក់។ ឧបករណ៍គឺជាកូដដែលអាចអនុវត្តដោយអ្នកតំណាង ដើម្បីអនុវត្តសកម្មភាពមួយ។ ឧបករណ៍អាចជាអនុគមន៍សាមញ្ញ ដូចជាគណនាការណ៍ មួយឬក៏ជាការហៅ API ទៅកាន់សេវាកម្មភាគីទីបី ដូចជាការស្វែងរកតម្លៃហ៊ុន ឬការព្យាករណ៍អាកាសធាតុ។ ក្នុងបរិបទអ្នកតំណាង AI ឧបករណ៍ត្រូវបានរចនាឡើង ដើម្បីអនុវត្តដោយអ្នកតំណាង ជាចម្លើយតាមការហៅអនុគមន៍ដែលបង្កើតដោយម៉ូដែល។

តើវាអាចប្រើទៅលើករណីអ្វីខ្លះ?

អ្នកតំណាង AI អាចប្រើឧបករណ៍ ដើម្បីបញ្ចប់ភារកិច្ចស្មុគស្មាញ យកព័ត៌មាន ឬសម្រេចចិត្ត។ លំនាំរចនាសម្រាប់ការប្រើឧបករណ៍ តែងតែប្រើនៅក្នុងស្ថានភាពដែលត្រូវការជជែកប្រតិកម្មមានលក្ខណៈឌីណាមិចជាមួយប្រព័ន្ធខាងក្រៅ ដូចជាឃ្លាំងទិន្នន័យ សេវាកម្មវេប ឬសំឡេងកូដ។ សមត្ថភាពនេះមានប្រយោជន៍សម្រាប់ករណីជាច្រើន រួមមាន៖

តើធាតុ/ប្លុកសាងសង់អ្វីខ្លះដែលត្រូវការ ដើម្បីអនុវត្តលំនាំរចនាសម្រាប់ការប្រើឧបករណ៍?

ប្លុកសាងសង់ទាំងនេះអនុញ្ញាតឲ្យអ្នកតំណាង AI អនុវត្តភារកិច្ចជាច្រើន។ សូមមើលធាតុសំខាន់ៗដែលត្រូវការក្នុងការអនុវត្តលំនាំរចនាសម្រាប់ការប្រើឧបករណ៍៖

បន្ទាប់មក យើងនឹងមើលលំអិតពីការហៅអនុគមន៍/ឧបករណ៍។

ការហៅអនុគមន៍/ឧបករណ៍

ការហៅអនុគមន៍គឺជាវិធីសំខាន់សម្រាប់អនុញ្ញាតម៉ូដែលភាសាធំ (LLMs) ធ្វើប្រតិកម្មជាមួយឧបករណ៍។ អ្នកនឹងឃើញពាក្យ ‘អនុគមន៍’ និង ‘ឧបករណ៍’ ត្រូវបានប្រើដើម្បីសម្រួលគ្នា ព្រោះ ‘អនុគមន៍’ (ប្លុកកូដដែលអាចប្រើឡើងវិញបាន) គឺជា ‘ឧបករណ៍’ ដែលអ្នកតំណាងប្រើដើម្បីអនុវត្តភារកិច្ច។ ដើម្បីអនុវត្តកូដអនុគមន៍ ម៉ូដែលត្រូវតែប្រៀបធៀបសំណើររបស់អ្នកប្រើជាមួយការពិពណ៌នាអនុគមន៍។ ដើម្បីធ្វើនេះ អ្នកផ្ដល់рរាងម្លេងមួយដែលមានការបរិយាយអនុគមន៍ទាំងអស់ទៅកាន់ LLM។ LLM នឹងជ្រើសរើសអនុគមន៍ដែលសមរម្យបំផុតសម្រាប់ភារកិច្ច ហើយត្រឡប់ឈ្មោះនិងប៉ារ៉ាម៉ែត្ររបស់វា។ អនុគមន៍ដែលបានជ្រើសរើសនឹងត្រូវហៅ ដោយផ្ញើចម្លើយទៅ LLM ដែលប្រើព័ត៌មាននោះ សម្រាប់ឆ្លើយតបទៅសំណើរអ្នកប្រើ។

សម្រាប់អ្នកអភិវឌ្ឍន៍ ដើម្បីអនុវត្តការហៅអនុគមន៍សម្រាប់អ្នកតំណាង អ្នកត្រូវការម៉ូឌែល LLM ដែលគាំទ្រការហៅអនុគមន៍ ស៊ុមរចនាសម្ព័ន្ធដែលមានការពិពណ៌នាអនុគមន៍ និងកូដសម្រាប់អនុគមន៍នីមួយៗ។

យើងនឹងប្រើឧទាហរណ៍នៅចំណុចយកម៉ោងបច្ចុប្បន្ននៅទីក្រុងមួយ ដើម្បីបង្ហាញ៖

  1. បង្កើតម៉ូឌែល LLM ដែលគាំទ្រការហៅអនុគមន៍៖

    ម៉ូដែលទាំងអស់មិនគាំទ្រការហៅអនុគមន៍ទេ ដូច្នេះការត្រួតពិនិត្យយ៉ាងម៉ត់ចត់ថា LLM ដែលអ្នកប្រើ គាំទ្រឬអត់គឺសំខាន់។ Azure OpenAI គាំទ្រការហៅអនុគមន៍។ យើងអាចចាប់ផ្តើមដោយបង្កើតអតិថិជន Azure OpenAI។

     # ចាប់ផ្តើមម៉ាស៊ីនភ្ញៀវ Azure OpenAI
 client = AzureOpenAI(
     azure_endpoint = os.getenv("AZURE_AI_PROJECT_ENDPOINT"), 
     api_key=os.getenv("AZURE_OPENAI_API_KEY"),  
     api_version="2024-05-01-preview"
 )

  2. បង្កើតស៊ុមរចនាសម្ព័ន្ធអនុគមន៍៖

    បន្ទាប់ យើងនឹងកំណត់ស៊ុម JSON ដែលមានឈ្មោះអនុគមន៍ ការពិពណ៌នាអំពីអ្វីដែលអនុគមន៍ធ្វើ និងឈ្មោះនិងការពិពណ៌នាអំពីប៉ារ៉ាម៉ែត្រ។ បន្ទាប់មកយើងនឹងផ្ញើស៊ុមនេះទៅអតិថិជនដែលបានបង្កើត ហើយភ្ជាប់ជាមួយសំណើរអ្នកប្រើ ដើម្បីរកម៉ោងនៅសាន់ហ្វ្រានស៊ីស្គូ។ អ្វីដែលត្រូវចំណាំគឺ ការហៅឧបករណ៍ គឺជាអ្វីដែលត្រូវបានត្រឡប់មកវា មិនមែនចម្លើយចុងក្រោយដូចសំណួរនោះទេ។ ជារឿយៗ LLM ត្រឡប់ឈ្មោះអនុគមន៍ដែលរៀបចំសម្រាប់ភារកិច្ច និងប៉ារ៉ាម៉ែត្រ​ដែលនឹងផ្ញើទៅវា។

     # ការពិពណ៌នាអំពីមុខងារសម្រាប់គំរូក្នុងការអាន
 tools = [
     {
         "type": "function",
         "function": {
             "name": "get_current_time",
             "description": "Get the current time in a given location",
             "parameters": {
                 "type": "object",
                 "properties": {
                     "location": {
                         "type": "string",
                         "description": "The city name, e.g. San Francisco",
                     },
                 },
                 "required": ["location"],
             },
         }
     }
 ]

      
 # ពីរសារដំបូងរបស់អ្នកប្រើ
 messages = [{"role": "user", "content": "What's the current time in San Francisco"}] 
  
 # ការហៅ API ដំបូង: សុំឲ្យម៉ូដែលប្រើមុខងារ
   response = client.chat.completions.create(
       model=deployment_name,
       messages=messages,
       tools=tools,
       tool_choice="auto",
   )
  
   # ដំណើរការឆ្លើយតបរបស់ម៉ូដែល
   response_message = response.choices[0].message
   messages.append(response_message)
  
   print("Model's response:")  

   print(response_message)
  

     Model's response:
 ChatCompletionMessage(content=None, role='assistant', function_call=None, tool_calls=[ChatCompletionMessageToolCall(id='call_pOsKdUlqvdyttYB67MOj434b', function=Function(arguments='{"location":"San Francisco"}', name='get_current_time'), type='function')])

  3. កូដអនុគមន៍ដែលចាំបាច់សម្រាប់អនុវត្តភារកិច្ច៖

    ឥឡូវនេះដែល LLM បានជ្រើសរើសអនុគមន៍ ត្រូវអនុវត្ត និងរត់កូដនោះ។ យើងអាចអនុវត្តកូដដើម្បីយកម៉ោងបច្ចុប្បន្នក្នុង Python។ យើងមិនភ្លេចសរសេរកូដដើម្បីដកឈ្មោះ និងប៉ារ៉ាម៉ែត្រពី response_message ដើម្បីទទួលបានលទ្ធផលចុងក្រោយ។

       def get_current_time(location):
     """Get the current time for a given location"""
     print(f"get_current_time called with location: {location}")  
     location_lower = location.lower()
        
     for key, timezone in TIMEZONE_DATA.items():
         if key in location_lower:
             print(f"Timezone found for {key}")  
             current_time = datetime.now(ZoneInfo(timezone)).strftime("%I:%M %p")
             return json.dumps({
                 "location": location,
                 "current_time": current_time
             })
      
     print(f"No timezone data found for {location_lower}")  
     return json.dumps({"location": location, "current_time": "unknown"})

      # ដោះស្រាយការហៅមុខងារ
   if response_message.tool_calls:
       for tool_call in response_message.tool_calls:
           if tool_call.function.name == "get_current_time":
     
               function_args = json.loads(tool_call.function.arguments)
     
               time_response = get_current_time(
                   location=function_args.get("location")
               )
     
               messages.append({
                   "tool_call_id": tool_call.id,
                   "role": "tool",
                   "name": "get_current_time",
                   "content": time_response,
               })
   else:
       print("No tool calls were made by the model.")  
  
   # ការហៅ API ទីពីរ៖ ទទួលបានចម្លើយចុងក្រោយពីម៉ូឌែល
   final_response = client.chat.completions.create(
       model=deployment_name,
       messages=messages,
   )
  
   return final_response.choices[0].message.content

       get_current_time called with location: San Francisco
   Timezone found for san francisco
   The current time in San Francisco is 09:24 AM.

ការហៅអនុគមន៍គឺជាមូលដ្ឋានសំខាន់នៃលំនាំរចនាសម្រាប់ការប្រើឧបករណ៍ ហើយការអនុវត្តជាចាប់ផ្តើមពីសូន្យអាចមានភាពពិបាកខ្លះ។ ដូចដែលយើងបានរៀននៅក្នុង មេរៀនទី 2 ស៊ុមរចនាអ្នកតំណាងត្រូវបានផ្ដល់ដោយភាគរយភាគល្អ សម្រាប់អនុវត្តការប្រើឧបករណ៍។

ឧទាហរណ៍ការប្រើឧបករណ៍ជាមួយស៊ុមរចនាអ្នកតំណាង

នេះជាឧទាហរណ៍នៃវិធីដែលអ្នកអាចអនុវត្តលំនាំរចនាសម្រាប់ការប្រើឧបករណ៍ ប្រើស៊ុមរចនាអ្នកតំណាងខុសៗគ្នា៖

ស៊ុមរចនាអ្នកតំណាង Microsoft

ស៊ុមរចនាអ្នកតំណាង Microsoft គឺជាស៊ុម AI មួយដែលចេញផ្សាយជាឯកសារមួយសម្រាប់បង្កើតអ្នកតំណាង AI។ វាធ្វើឲ្យការប្រើការហៅអនុគមន៍កាន់តែងាយស្រួល ដោយអនុញ្ញាតឲ្យអ្នកកំណត់ឧបករណ៍ជាអនុគមន៍ Python ដែលមាន @tool decorator។ ស៊ុមនេះគ្រប់គ្រងការទំនាក់ទំនងមកវិញទៅមក រវាងម៉ូដែល និងកូដរបស់អ្នក។ វាក៏ផ្ដល់ការចូលដំណើរការទៅឧបករណ៍ត្រៀមរួចដូចជា ការស្វែងរកឯកសារ និង Code Interpreter តាមរយៈ AzureAIProjectAgentProvider។

រូបភាពខាងក្រោមបង្ហាញដំណើរការការហៅអនុគមន៍ជាមួយ ស៊ុមរចនាអ្នកតំណាង Microsoft៖

function calling

នៅក្នុង ស៊ុមរចនាអ្នកតំណាង Microsoft ឧបករណ៍ត្រូវបានកំណត់ជាអនុគមន៍ដែលត្រូវរ៉ូបោយ។ យើងអាចបម្លែងអនុគមន៍ get_current_time ដែលយើងបានឃើញកាលពីមុន ទៅជាឧបករណ៍មួយ ដោយប្រើ @tool decorator។ ស៊ុមនេះនឹងធ្វើយុទ្ធនាការការបញ្ចូលអនុគមន៍ និងប៉ារ៉ាម៉ែត្ររបស់វា សំរាប់បង្កើតស៊ុមបញ្ជូនទៅ LLM។

from agent_framework import tool
from agent_framework.azure import AzureAIProjectAgentProvider
from azure.identity import AzureCliCredential

@tool
def get_current_time(location: str) -> str:
    """Get the current time for a given location"""
    ...

# បង្កើតអតិថិជន
provider = AzureAIProjectAgentProvider(credential=AzureCliCredential())

# បង្កើតភ្នាក់ងារ ហើយដំណើរការជាមួយ​ឧបករណ៍​
agent = await provider.create_agent(name="TimeAgent", instructions="Use available tools to answer questions.", tools=get_current_time)
response = await agent.run("What time is it?")

សេវាអ្នកតំណាង AI Azure

សេវាអ្នកតំណាង AI Azure គឺជាស៊ុមអ្នកតំណាងថ្មី ដែលរចនាឡើងសម្រាប់អភិវឌ្ឍន៍ អនុវត្ត និងពង្រីកអ្នកតំណាង AI ដែលសុវត្ថិភាពខ្ពស់ និងមានសមត្ថភាពពេញមួយ ប្រើប្រាស់ដោយមិនចាំបាច់គ្រប់គ្រងគណនេយ្យ និងធនធានផ្ទុកទិន្នន័យ។ វាមានប្រយោជន៍យ៉ាងខ្លាំងសម្រាប់កម្មវិធីអង្គភាពធំ ដោយសារជាសេវាដែលគ្រប់គ្រងសុវត្ថិភាពកម្រិតសហគ្រាស។

បើប្រៀបធៀបការអភិវឌ្ឍដោយប្រើ LLM API ត្រឹមត្រូវៗ សេវាអ្នកតំណាង AI Azure ផ្ដល់អត្ថប្រយោជន៍ខ្លះៗ រួមមាន៖

ឧបករណ៍ដែលមាននៅក្នុងសេវាអ្នកតំណាង AI Azure អាចចែកចូលជា២ប្រភេទ៖

  1. ឧបករណ៍ចំណេះដឹង៖
  2. ឧបករណ៍សកម្មភាព៖

សេវាអ្នកតំណាងនេះអនុញ្ញាតឲ្យយើងប្រើឧបករណ៍ទាំងនេះជាសំណុំឧបករណ៍មួយ (toolset)។ វានឹងប្រើ threads ដែលតាមដានប្រវត្តិសារ ចាប់ពីការសន្ទនាផ្សេងៗ។

សូមស្រមៃថាអ្នកជាអ្នកតំណាងលក់នៅក្រុមហ៊ុន Contoso។ អ្នកចង់បង្កើតអ្នកតំណាងសន្ទនាដែលអាចឆ្លើយសំណួរអំពីទិន្នន័យលក់របស់អ្នក។

រូបភាពខាងក្រោមបង្ហាញពីរបៀបដែលអ្នកអាចប្រើសេវាអ្នកតំណាង AI Azure ដើម្បីវិភាគទិន្នន័យលក់របស់អ្នក៖

Agentic Service In Action

ដើម្បីប្រើឧបករណ៍ណាមួយជាមួយសេវា យើងអាចបង្កើតអតិថិជន ហើយកំណត់ឧបករណ៍ឬសំណុំឧបករណ៍។ ដើម្បីអនុវត្តន៍យ៉ាងជាក់លាក់ អ្នកអាចប្រើកូដ Python ខាងក្រោម។ LLM អាចមើលទៅសំណុំឧបករណ៍ ហើយសម្រេចចិត្តប្រើអនុគមន៍ដែលអ្នកប្រើបង្កើត fetch_sales_data_using_sqlite_query ឬ Code Interpreter ដែលត្រៀមរួច ភាគខ្លះអាស្រ័យលើសំណើអ្នកប្រើ។

import os
from azure.ai.projects import AIProjectClient
from azure.identity import DefaultAzureCredential
from fetch_sales_data_functions import fetch_sales_data_using_sqlite_query # អនុគមន៍ fetch_sales_data_using_sqlite_query ដែលអាចរកបាននៅក្នុងឯកសារ fetch_sales_data_functions.py។
from azure.ai.projects.models import ToolSet, FunctionTool, CodeInterpreterTool

project_client = AIProjectClient.from_connection_string(
    credential=DefaultAzureCredential(),
    conn_str=os.environ["PROJECT_CONNECTION_STRING"],
)

# ចាប់ផ្តើមកំណត់ឧបករណ៍
toolset = ToolSet()

# ចាប់ផ្តើមតំណាងហៅអនុគមន៍ជាមួយអនុគមន៍ fetch_sales_data_using_sqlite_query និងបញ្ចូលវាទៅឧបករណ៍
fetch_data_function = FunctionTool(fetch_sales_data_using_sqlite_query)
toolset.add(fetch_data_function)

# ចាប់ផ្តើមឧបករណ៍ Interpreter កូដ និងបញ្ចូលវាទៅឧបករណ៍។
code_interpreter = code_interpreter = CodeInterpreterTool()
toolset.add(code_interpreter)

agent = project_client.agents.create_agent(
    model="gpt-4o-mini", name="my-agent", instructions="You are helpful agent", 
    toolset=toolset
)

តើត្រូវចំណាំអ្វីខ្លះ ពេលប្រើលំនាំរចនាសម្រាប់ការប្រើឧបករណ៍ ដើម្បីបង្កើតអ្នកតំណាង AI មានភាពទុកចិត្ត?

បញ្ហាទូទៅសម្រាប់ SQL ដែលបង្កើតឡើងឌីណាមិចដោយ LLM គឺសុវត្ថិភាព ជាពិសេសការប្រែប្រួលស៊ីធីម SQL ឬសកម្មភាពអាក្រក់ ដូចជាចាក់បង្ហាញ ឬចំពោះបរិបទបញ្ជីកំណត់។ បើទោះបីបញ្ហាទាំងនេះមានភាពចង់បាន ក៏គេអាចដោះស្រាយបានល្អតាមរយៈការកំណត់សិទ្ធិចូលប្រើឃ្លាំងទិន្នន័យយ៉ាងត្រឹមត្រូវ។ សម្រាប់ឃ្លាំងទិន្នន័យភាគច្រើន នេះប្រែប្រួលទៅការកំណត់ឃ្លាំងជា read-only។ សម្រាប់សេវា ឃ្លាំងទិន្នន័យ ដូចជា PostgreSQL ឬ Azure SQL អ្នកប្រើត្រូវបានផ្ដល់តួនាទី read-only (SELECT)។

ការចាប់ផ្តើមប្រតិបត្តិកម្មក្នុងបរិស្ថានសុវត្ថិ៍កាន់តែបង្កើនការការពារ។ ក្នុងចំណុចសហគ្រាស ទិន្នន័យភាគច្រើនត្រូវបានដកចេញ និងបំលែងពីប្រព័ន្ធប្រតិបត្តិការ ទៅឃ្លាំងទិន្នន័យ read-only ឬ data warehouse ដែលមានរាងកាយអាចប្រើបានយ៉ាងងាយស្រួល។ វានៅសុវត្ថិភាព កែលម្អលើសមត្ថភាព និងសម្រួលចូលប្រើ ហើយកម្មវិធីទទួលបានសិទ្ធិមើលតែប៉ុណ្ណោះ។

កូដគំរូ

ចង់សួរពីលំនាំរចនាសម្រាប់ការប្រើឧបករណ៍បន្ថែមទេ?

ចូលរួមជាមួយ Microsoft Foundry Discord ដើម្បីជួបអ្នករៀនផ្សេងទៀត ចូលរួមពិភាក្សាការិយាល័យ និងទទួលបានចម្លើយសម្រាប់សំណួរអំពីអ្នកតំណាង AI របស់អ្នក។

ឯកសារបន្ថែម

មេរៀនមុន

យល់ដឹងអំពីលំនាំរចនាអ្នកតំណាង

មេរៀនបន្ទាប់

Agentic RAG

ការបដិសេធ៖
ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាបកប្រែ AI Co-op Translator។ ខណៈពេលដែលយើងខិតខំរកភាពត្រឹមត្រូវ សូមជម្រាបផងថា ការបកប្រែដោយស្វ័យប្រវត្តិអាចមានកំហុស ឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមនៅក្នុងភាសារបស់ខ្លួនគួរត្រូវបានគិតថាជាផ្លូវការរបស់ព័ត៌មាន។ សម្រាប់ព័ត៌មានសំខាន់ សូមណែនាំឲ្យប្រើការបកប្រែដោយមនុស្សវិជ្ជាជីវៈ។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកប្រែខុសពីការប្រើប្រាស់បកប្រែនេះឡើយ។

This site is open source. Improve this page.