ai-agents-for-beginners

Intro to AI Agents

(Spustelėkite paveikslėlį aukščiau, kad peržiūrėtumėte šios pamokos vaizdo įrašą)

Įvadas į AI agentus ir jų panaudojimo atvejus

Sveiki atvykę į kursą „AI agentai pradedantiesiems“! Šis kursas suteikia pagrindines žinias ir praktinius pavyzdžius, kaip kurti AI agentus.

Prisijunkite prie bendruomenės, kad susipažintumėte su kitais mokiniais ir AI agentų kūrėjais bei užduotumėte klausimus, susijusius su šiuo kursu.

Pradėdami kursą, pirmiausia geriau suprasime, kas yra AI agentai ir kaip juos galime panaudoti kuriant programas bei darbo eigas.

Įvadas

Šioje pamokoje aptariama:

Mokymosi tikslai

Baigę šią pamoką, turėtumėte:

AI agentų apibrėžimas ir tipai

Kas yra AI agentai?

AI agentai yra sistemos, kurios leidžia dideliems kalbos modeliams (LLMs) atlikti veiksmus, išplečiant jų galimybes suteikiant jiems prieigą prie įrankių ir žinių.

Išskaidykime šį apibrėžimą į mažesnes dalis:

Kas yra AI agentai?

Dideli kalbos modeliai – Agentų koncepcija egzistavo dar prieš LLM sukūrimą. AI agentų kūrimo su LLM privalumas yra jų gebėjimas interpretuoti žmogaus kalbą ir duomenis. Šis gebėjimas leidžia LLM interpretuoti aplinkos informaciją ir apibrėžti planą, kaip pakeisti aplinką.

Veiksmų atlikimas – Už AI agentų sistemų ribų LLM yra riboti situacijose, kur veiksmas yra turinio ar informacijos generavimas pagal vartotojo užklausą. AI agentų sistemose LLM gali atlikti užduotis interpretuodami vartotojo prašymą ir naudodami įrankius, prieinamus jų aplinkoje.

Prieiga prie įrankių – Kokius įrankius LLM turi, priklauso nuo 1) aplinkos, kurioje jis veikia, ir 2) AI agento kūrėjo. Mūsų kelionių agento pavyzdyje agento įrankiai yra riboti pagal rezervavimo sistemos operacijas, o kūrėjas gali apriboti agento prieigą prie skrydžių.

Atmintis + žinios – Atmintis gali būti trumpalaikė, susijusi su pokalbio kontekstu tarp vartotojo ir agento. Ilgalaikėje perspektyvoje, be aplinkos teikiamos informacijos, AI agentai gali gauti žinių iš kitų sistemų, paslaugų, įrankių ir net kitų agentų. Kelionių agento pavyzdyje tai galėtų būti informacija apie vartotojo kelionių pageidavimus, esanti klientų duomenų bazėje.

Skirtingi agentų tipai

Dabar, kai turime bendrą AI agentų apibrėžimą, pažvelkime į konkrečius agentų tipus ir kaip jie būtų taikomi kelionių rezervavimo AI agentui.

Agentų tipas Aprašymas Pavyzdys
Paprasti refleksiniai agentai Atlieka tiesioginius veiksmus pagal iš anksto nustatytas taisykles. Kelionių agentas interpretuoja el. laiško kontekstą ir persiunčia kelionių skundus klientų aptarnavimo skyriui.
Modeliu pagrįsti refleksiniai agentai Atlieka veiksmus remdamiesi pasaulio modeliu ir jo pokyčiais. Kelionių agentas teikia pirmenybę maršrutams, kuriuose pastebimi reikšmingi kainų pokyčiai, remdamasis prieiga prie istorinių kainų duomenų.
Tikslų siekiantys agentai Sudaro planus, kaip pasiekti konkrečius tikslus, interpretuodami tikslą ir nustatydami veiksmus, reikalingus jam pasiekti. Kelionių agentas rezervuoja kelionę, nustatydamas reikalingus kelionės elementus (automobilį, viešąjį transportą, skrydžius) nuo dabartinės vietos iki kelionės tikslo.
Naudingumo pagrindu veikiantys agentai Atsižvelgia į pageidavimus ir skaičiuoja kompromisus, kad nustatytų, kaip pasiekti tikslus. Kelionių agentas maksimaliai padidina naudingumą, vertindamas patogumą ir kainą, kai rezervuoja kelionę.
Mokymosi agentai Tobulėja laikui bėgant, reaguodami į grįžtamąjį ryšį ir atitinkamai koreguodami veiksmus. Kelionių agentas tobulėja, naudodamas klientų atsiliepimus iš apklausų po kelionės, kad atliktų korekcijas būsimuose rezervavimuose.
Hierarchiniai agentai Naudoja kelis agentus hierarchinėje sistemoje, kur aukštesnio lygio agentai suskaido užduotis į smulkesnes, kurias atlieka žemesnio lygio agentai. Kelionių agentas atšaukia kelionę, suskaidydamas užduotį į smulkesnes (pvz., atšaukiant konkrečius rezervavimus) ir leisdamas žemesnio lygio agentams jas atlikti, pranešant aukštesnio lygio agentui.
Daugiagentės sistemos (MAS) Agentai savarankiškai atlieka užduotis, bendradarbiaudami arba konkuruodami tarpusavyje. Bendradarbiavimas: keli agentai rezervuoja konkrečias kelionių paslaugas, tokias kaip viešbučiai, skrydžiai ir pramogos. Konkurencija: keli agentai valdo ir konkuruoja dėl bendro viešbučio rezervavimo kalendoriaus, kad užsakytų klientus į viešbutį.

Kada naudoti AI agentus

Ankstesniame skyriuje mes naudojome kelionių agento panaudojimo atvejį, kad paaiškintume, kaip skirtingi agentų tipai gali būti naudojami įvairiose kelionių rezervavimo scenarijose. Šį pavyzdį naudosime viso kurso metu.

Pažvelkime į panaudojimo atvejus, kuriems AI agentai yra geriausiai pritaikyti:

Kada naudoti AI agentus?

Daugiau apie AI agentų naudojimo aspektus aptarsime pamokoje „Patikimų AI agentų kūrimas“.

Agentinių sprendimų pagrindai

Agentų kūrimas

Pirmasis žingsnis kuriant AI agentų sistemą yra apibrėžti įrankius, veiksmus ir elgesį. Šiame kurse mes sutelkiame dėmesį į Azure AI Agent Service naudojimą, kad apibrėžtume savo agentus. Ši paslauga siūlo tokias funkcijas kaip:

Agentiniai šablonai

Bendravimas su LLM vyksta per užklausas. Atsižvelgiant į pusiau autonominį AI agentų pobūdį, ne visada įmanoma ar būtina rankiniu būdu pakartotinai užklausti LLM po aplinkos pokyčio. Naudojame agentinius šablonus, kurie leidžia užklausti LLM per kelis žingsnius labiau masteliniu būdu.

Šis kursas suskirstytas į kai kuriuos populiarius agentinius šablonus.

Agentinės sistemos

Agentinės sistemos leidžia kūrėjams įgyvendinti agentinius šablonus per kodą. Šios sistemos siūlo šablonus, įskiepius ir įrankius geresniam AI agentų bendradarbiavimui. Šie privalumai suteikia galimybes geresniam AI agentų sistemų stebėjimui ir trikčių šalinimui.

Šiame kurse mes nagrinėsime moksliniais tyrimais pagrįstą AutoGen sistemą ir gamybai paruoštą Agent sistemą iš Semantic Kernel.

Turite daugiau klausimų apie AI agentus?

Prisijunkite prie Azure AI Foundry Discord, kad susipažintumėte su kitais mokiniais, dalyvautumėte konsultacijų valandose ir gautumėte atsakymus į savo klausimus apie AI agentus.

Ankstesnė pamoka

Kurso nustatymas

Kita pamoka

Agentinių sistemų tyrinėjimas


Atsakomybės apribojimas:
Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą Co-op Translator. Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudotis profesionalių vertėjų paslaugomis. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo.