ai-agents-for-beginners
(ഈ പാഠത്തിനുള്ള വീഡിയോ കാണാൻ മുകളിൽ ചിത്രത്തിൽ ക്ലിക്ക് ചെയ്യുക)
AI ഏജന്റുകളും ഏജന്റ് ഉപയോഗ കേസുകളും പരിചയം
AI ഏജന്റുകൾ for Beginners കോഴ്സിലേക്ക് സ്വാഗതം! ഈ കോഴ്സ് നിങ്ങൾക്ക് അടിസ്ഥിതമായ അറിവും — യാഥാർത്ഥ്യത്തിൽ പ്രവർത്തിക്കുന്ന കോഡും — നല്കുന്നു, അതിലൂടെ നിങ്ങൾക്ക് പൂർണ്ണമായും പുതിയത് നിന്നുമായുള്ള AI ഏജന്റുകൾ നിർമ്മിക്കാൻ കഴിയും.
Azure AI Discord Community -യിൽ സ്വാഗതം പറയൂ — ഇവിടെ പഠനാർത്ഥികളും AI നിർമ്മാതാക്കളും ചേർന്ന് നിങ്ങളുടെ ചോദ്യങ്ങൾക്ക് സന്തോഷത്തോടെ ഉത്തരമளിക്കും.
നിർമ്മാണത്തിലേക്ക് കടക്കാനായി മുമ്പ്, AI ഏജന്റ് എന്ത് എന്നുള്ളതു മനസ്സിലാക്കുകയും, അത് ഉപയോഗിക്കേണ്ട സമയവും മനസിലാക്കാം.
പരിചയം
ഈ പാഠം ഉൾകൊള്ളുന്നു:
- AI ഏജന്റുകൾ എന്തെല്ലാമാണ്, അവയുടെ വ്യത്യസ്ത തരം
- AI ഏജന്റുകൾ ഏത് തരത്തിലുള്ള പ്രവൃത്തികൾക്ക് ഏറ്റവും അനുയോജ്യമാണ്
- ഏജന്റിക് പരിഹാരങ്ങൾ രൂപകൽപ്പന ചെയ്യുമ്പോൾ നിങ്ങൾ ഉപയോഗിക്കുന്ന അടിസ്ഥാന ഘടകങ്ങൾ
പഠന ലക്ഷ്യങ്ങൾ
ഈ പാഠത്തിന്റെ അവസാനം, നിങ്ങൾക്ക് കഴിയേണ്ടതെന്തെന്നാൽ:
- AI ഏജന്റ് എന്താണെന്നും അത് സാധാരണ AI പരിഹാരങ്ങളിൽ നിന്നു എങ്ങനെ വ്യത്യസ്തമാണെന്ന് വിശദീകരിക്കുക
- എപ്പോൾ AI ഏജന്റ് ഉപയോഗിക്കണമെന്ന് നന്നായി അറിഞ്ഞിരിക്കണം (എപ്പോൾ വേണ്ടാത്തതും)
- യഥാർത്ഥ ലോക പ്രശ്നത്തിനായി അടിസ്ഥാനമായ ഏജന്റിക് പരിഹാര രൂപകൽപ്പന ചിത്രം വരച്ചു കാണിക്കുക
AI ഏജന്റുകൾ നിർവ്വചിക്കൽ ಮತ್ತು AI ഏജന്റുകളുടെ തരം
AI ഏജന്റുകൾ എന്താണ്?
ഇതൊരു ലളിതമായ രീതിയാണ് ഇത് ചിന്തിക്കാൻ:
AI ഏജന്റുകൾ എന്നത് വലിയ ഭാഷാ മാതൃകകൾ (LLMs) യഥാർത്ഥത്തിൽ പ്രവർത്തിക്കുക സഹായിക്കുന്ന സംവിധാനങ്ങളാണ് — കണ്ണികൾക്കും അറിവുകൾക്കും നൽകുന്നുവെന്നതാണ്, വെറും പ്രോംപ്റ്റുകൾക്ക് മറുപടി നൽകുന്നതല്ല.
ഇത് കൂടുതൽ വിശദീകരിക്കാം:
- സിസ്റ്റം — ഒരു AI ഏജന്റ് ഒരു മാത്രം ഘടകം മാത്രം അല്ല. ഭാഗങ്ങൾ ഒന്നുകൂടി ചേർന്ന ഒരു സമാഹാരമാണ്. ഓരോ ഏജന്റിനും മൂന്ന് ഭാഗങ്ങൾ ഉണ്ട്:
- പരിസ്ഥിതി — ഏജന്റ് പ്രവർത്തിക്കുന്ന സ്ഥലം. ഒരു ട്രാവൽ ബുക്കിംഗ് ഏജന്റിന് അത് ബുക്കിംഗ് പ്ലാറ്റ്ഫോമായിരിക്കും.
- സെൻസറുകൾ — ഏജന്റ് പരിസ്ഥിതിയുടെ നിലവിലെ അവസ്ഥയെ എങ്ങനെ വായിക്കുന്നു. ട്രാവൽ ഏജന്റ് ഹോട്ടൽ ലഭ്യതയും വിമാന ടിക്കറ്റ് വിലകളും പരിശോധിക്കാം.
- ആക്ട്യുവേറ്റർസ് — ഏജന്റ് എങ്ങനെ നടപടി സ്വീകരിക്കുന്നു. ട്രാവൽ ഏജന്റ് റൂം ബുക്ക് ചെയ്യുക, സ്ഥിരീകരണം അയയ്ക്കുക, അല്ലെങ്കിൽ റദ്ദാക്കൽ നടത്താം.
-
വലിയ ഭാഷാ മാതൃകകൾ — ഏജന്റുകൾ LLMകൾക്ക് മുൻപും ഉണ്ടായിരുന്നു, എന്നാൽ LLMകളാണ് ആധുനിക ഏജന്റുകളെ ശക്തിയേകുന്നവ. ഇവ സ്വാഭാവിക ഭാഷ മനസ്സിലാക്കുകയും, സന്ധർഭങ്ങളെ പഠിക്കുകയും, ഒരുപാട് അമൂർത്തമായ ഉപഭോക്തൃ അഭ്യർത്ഥനയെ വ്യക്തമായ പ്രവർത്തി പദ്ധതിയാക്കുകയും ചെയ്യും.
-
പ്രവർത്തനങ്ങൾ നടത്തുക — ഏജന്റ് സിസ്റ്റം ഇല്ലാതെ LLM വെറും വാചകം ഉൽപ്പാദിപ്പിക്കും. ഏജന്റ് സിസ്റ്റത്തിനുള്ളിൽ LLM യഥാർത്ഥത്തിൽ ചുവടുകൾ നടത്താൻ കഴിയും — ഡേറ്റാബേസ് തിരയൽ, API വിളിക്കൽ, സന്ദേശം അയയ്ക്കൽ.
-
ഉപകരണങ്ങൾ ലഭ്യമാക്കൽ — ഏജന്റ് ഉപയോഗിക്കാൻ കഴിയുന്ന ഉപകരണങ്ങൾ (1) ഇത് പ്രവർത്തിക്കുന്ന പരിസ്ഥിതിയിലും (2) ഡെവലപ്പർ നൽകിയവയിലുമാണ് ആശ്രയിക്കുന്നത്. ഒരു ട്രാവൽ ഏജന്റ് വിമാനങ്ങൾ തിരയാനായിരിക്കും കഴിയും, പക്ഷേ ഉപഭോക്തൃ രേഖകൾ തിരുത്താൻ കഴിയാതിരിക്കാം — നിങ്ങൾ ഏത് ഉപകരണങ്ങൾ കണക്റ്റ് ചെയ്യുന്നു എന്നതിന്റെ കാര്യമാണ്.
-
സ്മൃതി + അറിവ് — ഏജന്റ് കൾക്ക് ചെറുകാലിക സ്മൃതിയും (നിലവിലെ സംവാദം), ദീർഘകാല സ്മൃതിയും (ഉപഭോക്തൃ ഡേറ്റാബേസും, പഴയ ഇടപെടലുകളും) ഉണ്ടാകാം. ട്രാവൽ ഏജന്റ് നിങ്ങൾ വിംഡോ സീറ്റുകൾ ഇഷ്ടപ്പെടുമെന്ന് “ ഓർമ്മിക്കാം.”
വ്യത്യസ്ത AI ഏജന്റ് തരം
എല്ലാ ഏജന്റുകളും ഒരുതരം പോലെ അല്ല. ഒരു ട്രാവൽ ബുക്കിംഗ് ഏജന്റ് ഉദാഹരണമായി എടുത്തു കാണിക്കുമ്പോൾ പ്രധാന തരം താഴെപറയുന്നവയാണ്:
| ഏജന്റ് തരം | എന്താണ് ചെയ്യുന്നത് | ട്രാവൽ ഏജന്റ് ഉദാഹരണം |
|---|---|---|
| സാധാരണ പ്രതികരണങ്ങൾ നൽകുന്ന ഏജന്റുകൾ | കർശനമായി നിർസൃത നിയമങ്ങൾ ശേഖരിച്ച് പാലിക്കുന്നു - സ്മൃതി ഇല്ല, പദ്ധതി ഇല്ല. | പരാതിഇമെയിൽ കാണുമ്പോൾ → ഉപഭോക്തൃ സേവനത്തിലേക്ക് അയച്ചുതരുന്നു. അത്രേ. |
| മോഡൽ അധിഷ്ഠിത പ്രതികരണ ഏജന്റുകൾ | ലോകത്തെ ഒരു ആന്തരക മോഡൽ സൂക്ഷിച്ച് വസ്തുതകൾ മാറുമ്പോൾ അപ്ഡേറ്റു ചെയ്യുന്നു. | പഴയ വിമാന വിലകൾ കണക്കാക്കിയിരിക്കുന്നു, തികച്ചും വില കൂടിയ വഴികൾ ശ്രദ്ധിക്കുക. |
| ലക്ഷ്യ അധിഷ്ഠിത ഏജന്റുകൾ | ലക്ഷ്യം മനസ്സിലുള്ളിട്ട്, ഓരോ ചുവടും എടുക്കുന്നു ലക്ഷ്യത്തിലെത്താൻ. | നിങ്ങളുടെ നിലവിലെ സ്ഥലത്ത് നിന്ന് തുടങ്ങുന്ന മുഴുവൻ യാത്ര (വിമാനം, കാർ, ഹോട്ടൽ) ബുക്ക് ചെയ്യുന്നു, ഗമനസ്ഥലത്തിലെത്താനുള്ളത്. |
| ഉപയോഗ്യത അധിഷ്ഠിത ഏജന്റുകൾ | ഒരു പരിഹാരം മാത്രം കണ്ടെത്തുകയല്ല — ഏറ്റവും നല്ലത് കണ്ടെത്താൻ പരിഗണനകൾ തൂക്കുന്നു. | ചെലവിന് ഹിതം സമന്വയിപ്പിച്ച്, നിങ്ങളുടെ ഇഷ്ടാനുസരണം ഏറ്റവും ഉത്തമമായ യാത്ര കണ്ടെത്തുന്നു. |
| പഠിക്കുന്ന ഏജന്റുകൾ | ഫീഡ്ബാക്കിൽ നിന്ന് പഠിച്ച് സമയംക്കൊണ്ട് മെച്ചപ്പെടുന്നു. | യാത്രയ്ക്ക് ശേഷം സർവേയുമായി അടിസ്ഥാനമാക്കി ഭാവിയിലെ ബുക്കിംഗ് നിർദേശങ്ങൾ ക്രമീകരിക്കുന്നു. |
| പടിവാതിൽ ഏജന്റുകൾ | ഉയർന്ന തലത്തിലുള്ള ഒരു ഏജന്റ് subtasks ആയി വിഭജിച്ച് താഴത്തെ ഏജന്റുകൾക്ക് ചുമത്തും. | “യാത്ര റദ്ദാക്കുക” അഭ്യർത്ഥന: വിമാന റദ്ദാക്കൽ, ഹോട്ടൽ റദ്ദാക്കൽ, കാർ വാടക റദ്ദാക്കൽ — ഓരോന്നും സബ്-ഏജന്റുകൾ കൈകാര്യം ചെയ്യുന്നു. |
| ബഹുഏജന്റ് സിസ്റ്റം (MAS) | ഒരേ സമയം സ്വതന്ത്രമായി പ്രവർത്തിക്കുന്ന (അല്ലെങ്കിൽ മത്സരം ചെയ്യുന്ന) നിരവധി ഏജന്റുകൾ. | സഹകരണം: വേറിട്ട ഏജന്റുകൾ ഹോട്ടലുകൾ, വിമാനങ്ങൾ, വിനോദം കൈകാര്യം ചെയ്യുന്നു. മത്സരം: ഏകേടെ ഹോട്ടൽ മുറികൾ ഏറ്റവും മികച്ച വിലയ്ക്ക് പൂരിപ്പിക്കാൻ ഏജന്റുകൾ മത്സരം നടത്തുന്നു. |
എപ്പോൾ AI ഏജന്റുകൾ ഉപയോഗിക്കണം
നിങ്ങൾക്ക് AI ഏജന്റ് ഉപയോഗിക്കാമെന്നത് അതിന്റെ എല്ലാക്കാലവും ഉപയോഗിക്കേണ്ടതില്ല. ഏജന്റുകൾ സത്യത്തിൽ മികവുറ്റതാകുന്ന സാഹചര്യങ്ങൾ ഇവയാണ്:
- തുറന്ന അവസര പ്രശ്നങ്ങൾ — പ്രശ്നപരിഹാരത്തിന് ചുവടുകൾ മുൻകൂർ പ്രോഗ്രാം ചെയ്യാൻ കഴിയാത്തപ്പോൾ. LLM പാത കണ്ടെത്തണം സജീവമായി.
- ബഹുചുവട് പ്രക്രിയകൾ — പല ടേണുകളിലൂടെയും ഉപകരണങ്ങൾ ഉപയോഗിക്കാൻ ആവശ്യമായ പ്രവൃത്തികൾ, വെറും ഒറ്റ പരിശോധന അല്ലെങ്കിൽ സൃഷ്ടി മാത്രം അല്ല.
- സമയംക്കൊണ്ടും മെച്ചപ്പെടുത്തൽ — ഉപയോക്തൃ ഫീഡ്ബാക്ക് അല്ലെങ്കിൽ പരിസർഗ സിഗ്നലുകൾ അടിസ്ഥാനമാക്കി സംവിധാനം കൂടുതൽ ബുദ്ധിമുട്ടുള്ളതാകാൻ.
ഈ കോഴ്സിലൂടെ തുടരുമ്പോൾ, നമ്പിദ്ധ പാഠങ്ങൾ പാഠത്തിൽ AI ഏജന്റുകൾ എപ്പോൾ (മാറാതെ) ഉപയോഗിക്കണം എന്നതിൽ കൂടുതൽ വിശദമായി പഠിക്കും.
ഏജന്റിക് പരിഹാരങ്ങളുടെ ബേസിക്സ്
ഏജന്റ് വികസനം
ഏജന്റ് നിർമ്മിക്കുമ്പോൾ ആദ്യമായി നിർവ്വചിക്കുന്നത് എന്ത് ചെയ്യാൻ കഴിയും എന്നത് — ഉപകരണങ്ങൾ, പ്രവർത്തനങ്ങൾ, പെരുമാറ്റങ്ങൾ.
ഈ കോഴ്സിൽ, Microsoft Foundry Agent Service പ്രധാന പ്ലാറ്റ്ഫോമായി ഉപയോഗിക്കുന്നു. ഇത് പിന്തുണയ്ക്കുന്നത്:
- OpenAI, Mistral, Meta (Llama) പോലുള്ള പ്രൊവൈഡർമാരുടെ മോഡലുകൾ
- Tripadvisor പോലുള്ള പ്രൊവൈഡർമാരുടെ ലൈസൻസുചെയ്ത ഡാറ്റ
- സ്റ്റാൻഡേർഡൈസ്ഡ് OpenAPI 3.0 ഉപകരണ നിർവചനങ്ങൾ
ഏജന്റിക് പാറ്റേണുകൾ
LLMകളുമായി നിങ്ങൾ പ്രോംപ്റ്റുകൾ മാർഗ്ഗം സംവദിക്കുന്നു. ഏജന്റുകളെക്കുറിച്ച് പറയുമ്പോൾ, എല്ലാ പ്രോംപ്റ്റും കൈമുറുകിയാക്കാൻ കഴിയില്ല — ഏജന്റ് ബഹുചുവടുകളിൽ പ്രവർത്തനം നടത്തണം. അങ്ങനെ ഏജന്റിക് പാറ്റേണുകൾ ഉപയോഗിക്കുന്നു. അവ LLMനൊപ്പം പ്രോംപ്റ്റ് ചെയ്യുന്നതിനും സംഘടനയ്ക്കും വേണ്ടി പുനരുപയോഗിക്കാൻ കഴിയുന്ന രീതി തന്ത്രങ്ങളാണ്.
ഈ കോഴ്സ് ഏറ്റവും പൊതുവായി ഉപയോഗിക്കുന്ന ഏജന്റിക് പാറ്റേണുകൾ ചുറ്റിപ്പറ്റി രചിച്ചിട്ടുണ്ട്.
ഏജന്റിക് ഫ്രെയിംവർക്ക്
ഏജന്റുകൾ നിർമ്മിക്കുന്നതിന് ഡെവലപ്പറുകൾക്ക് തയ്യാറായ ടെംപ്ലേറ്റുകളും ഉപകരണങ്ങളും അടിസ്ഥാന സൗകര്യങ്ങളും ഏജന്റിക് ഫ്രെയിംവർക്ക് നൽകുന്നു. അത് എളുപ്പമാക്കുന്നു:
- ഉപകരണങ്ങൾ മോടിച്ചുകാണുക, ശേഷികൾ ജാലകം ചെയ്യുക
- ഏജന്റ് ചെയ്യുന്നതു നിരീക്ഷികയും (തെറ്റായാൽ ഡീബഗ് ചെയ്യുകയും) ചെയ്യുക
- പല ഏജന്റുകളുമായി സഹകരിക്കുക
ഈ കോഴ്സിൽ, നിർമ്മാണത്തിനായി Microsoft Agent Framework (MAF)-നെ കേന്ദ്രീകരിക്കുന്നു.
കോഡ് സാമ്പിളുകൾ
പ്രവർത്തനത്തിൽ കാണാൻ തയ്യാറാകൂ? ഈ പാഠത്തിനുള്ള കോഡ് സാമ്പിളുകൾ:
- 🐍 Python: Agent Framework
- 🔷 .NET: Agent Framework
ചോദ്യങ്ങളുണ്ടോ?
Microsoft Foundry Discord ലേക്ക് ചേർണ്ട് മറ്റ് പഠകരണാർത്ഥികളുമായി ബന്ധപ്പെടുക, ഓഫീസ് മണിക്കൂറുകളിലേയ്ക്ക് പങ്കെടുക്കുക, AI ഏജന്റ് ചോദ്യങ്ങൾക്ക് സമൂഹത്തിലൂടെ മറുപടി ലഭിക്കൂ.
ഈ ഏജന്റ് സ്മോക്ക്-ടെസ്റ്റിങ്ങ് (ഐച്ഛികം)
Lesson 16 ൽ ഏജന്റുകൾ ഡിപ്ലോയ് ചെയ്യുന്നത് പഠിച്ചതിനുശേഷം, ഈ പാഠത്തിനുള്ള TravelAgent-ന് ഒരു വേഗത്തിലുള്ള പോസ്റ്റ്-ഡിപ്ലോയ് ഹെൽത്ത് ചെക്ക് ചേർക്കാൻ തയ്യാറാക്കിയ കാറ്റലോഗ് tests/lesson-01-smoke-tests.json ഉപയോഗിക്കാം. ഇതെങ്ങനെ چلിപ്പിക്കാമെന്ന് കാണാൻ tests/README.md കാണുക.
മുമ്പത്തെ പാഠം
അടുത്ത പാഠം
അറിയിപ്പ്: ഈ രേഖ AI പരിഭാഷാ സേവനം Co-op Translator ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്കായി ശ്രമിക്കുന്നുവെങ്കിലും, ഓട്ടോമേറ്റഡ് പരിഭാഷകളിൽ പിഴവുകൾ അല്ലെങ്കിൽ തെറ്റായ വിവരങ്ങൾ ഉണ്ടാകാൻ സാധ്യതയുണ്ട്. അതിന്റെ സ്വാഭാവിക ഭാഷയിലുള്ള അസൽ രേഖയാണ് പ്രാമാണികമായ ഉറവിടമായി പരിഗണിക്കേണ്ടത്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷ ശുപാർശ ചെയ്യുന്നു. ഈ പരിഭാഷ ഉപയോഗിച്ച് ഉണ്ടാകുന്ന തെറ്റിദ്ധാരണകൾ അല്ലെങ്കിൽ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കായി ഞങ്ങൾ ഉത്തരവാദികളല്ല.