ai-agents-for-beginners

Exploring AI Agent Frameworks

(या धड्याचा व्हिडिओ पाहण्यासाठी वरील प्रतिमा क्लिक करा)

AI एजंट फ्रेमवर्क्स अन्वेषण करा

AI एजंट फ्रेमवर्क्स म्हणजे AI एजंट्सची निर्मिती, तैनात करणे आणि व्यवस्थापन सुलभ करण्यासाठी डिझाइन केलेले सॉफ्टवेअर प्लॅटफॉर्म आहेत. हे फ्रेमवर्क्स विकसकांना पूर्वनिर्मित घटक, सारांश, आणि साधने पुरवतात ज्यामुळे जटिल AI प्रणालींचा विकास सुलभ होतो.

हे फ्रेमवर्क्स विकसकांना त्यांच्या अनुप्रयोगांच्या अनन्य बाबींवर लक्ष केंद्रीत करण्यास मदत करतात जे AI एजंट विकासातील सामान्य आव्हानांसाठी मानकीकृत दृष्टिकोन पुरवतात. ते AI प्रणाली तयार करण्यात स्केलेबिलिटी, प्रवेशयोग्यता, आणि कार्यक्षमतेत वाढ करतात.

प्रस्तावना

हा धडा खालील गोष्टींची माहिती देईल:

शिकण्याचे उद्दिष्टे

या धड्याचे उद्दिष्टे आहेत की तुम्हाला समजावून देणे:

AI एजंट फ्रेमवर्क्स काय आहेत आणि ते विकसकांना काय करण्यास सक्षम करतात?

पारंपरिक AI फ्रेमवर्क्स तुमच्या अॅप्समध्ये AI समाकलित करण्यात मदत करतात आणि या अॅप्सना खालील प्रकारे सुधारित करतात:

हे सगळं छान वाटतयं, मग मग आपल्याला AI एजंट फ्रेमवर्कची का गरज आहे?

AI एजंट फ्रेमवर्क्स हे AI फ्रेमवर्क्सपेक्षा काही वेगळे आहेत. ते बुद्धिमान एजंट तयार करण्यास सक्षम करतात जे वापरकर्त्यांसोबत, इतर एजंट्ससोबत आणि पर्यावरणाशी संवाद साधून विशिष्ट उद्दिष्ट साध्य करतात. हे एजंट्स स्वायत्त वर्तन दाखवू शकतात, निर्णय घेऊ शकतात, आणि बदलत्या स्थितींनुसार जुळवून घेतात. चला AI एजंट फ्रेमवर्क्समुळे सक्षम होणाऱ्या काही मुख्य क्षमतांकडे पाहूया:

थोडक्यात, एजंट तुम्हाला अधिक करण्यास सक्षम करतात, स्वयंचलन पुढच्या पातळीवर घेऊन जातात, आणि अधिक बुद्धिमान प्रणाली तयार करतात जी त्यांच्या वातावरणापासून शिकू आणि जुळवून घेऊ शकतात.

एजंटच्या क्षमतांना जलद प्रोटोटाइप, पुनरावृत्ती आणि सुधारण्याचा कसा मार्ग आहे?

ही एक वेगवान बदलणारी क्षेत्र आहे, पण बर्‍याच AI एजंट फ्रेमवर्क्समध्ये काही सामान्य गोष्टी आहेत ज्या तुम्हाला जलद प्रोटोटाइप तयार करण्यास आणि पुनरावृत्ती करण्यास मदत करतात म्हणजेच मॉड्युलर घटक, सहकार्य साधने, आणि वास्तविक-वेळ शिकणे. चला यापैकी काहीकडे पाहूया:

मॉड्युलर घटक वापरा

Microsoft Agent Framework सारखे SDKs पूर्वनिर्मित घटक पुरवतात जसे की AI कनेक्टर्स, साधन व्याख्या, आणि एजंट व्यवस्थापन.

संघ कसे वापरू शकतात: संघ हे घटक जलद एकत्र करून कार्यक्षम प्रोटोटाइप तयार करू शकतात, ज्यामुळे प्रायोगिक व पुनरावृत्तीची प्रक्रिया जलद होते.

प्रत्यक्ष कसे कार्य करते: तुम्ही वापरकर्त्याच्या इनपुटमधून माहिती काढण्यासाठी पूर्वनिर्मित पार्सर, डेटा संग्रहित व पुनर्प्राप्त करण्यासाठी मेमरी मॉड्युल, आणि वापरकर्त्यांशी संवाद साधण्यासाठी प्रॉम्प्ट जनरेटर यांचा वापर करू शकता, आणि हे सगळे सुरुवातीपासून तयार करण्याची गरज नाही.

कोड उदाहरण. चला Microsoft Agent Framework शी AzureAIProjectAgentProvider वापरून वापरकर्त्याच्या इनपुटवर टूल कॉलिंगसह प्रतिसाद देण्याचा एक उदाहरण पाहूया:

# Microsoft Agent Framework Python उदाहरण

import asyncio
import os
from typing import Annotated

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


# प्रवास बुक करण्यासाठी एक नमुना साधन फंक्शन परिभाषित करा
def book_flight(date: str, location: str) -> str:
    """Book travel given location and date."""
    return f"Travel was booked to {location} on {date}"


async def main():
    provider = AzureAIProjectAgentProvider(credential=AzureCliCredential())
    agent = await provider.create_agent(
        name="travel_agent",
        instructions="Help the user book travel. Use the book_flight tool when ready.",
        tools=[book_flight],
    )

    response = await agent.run("I'd like to go to New York on January 1, 2025")
    print(response)
    # उदाहरण आउटपुट: आपली 1 जानेवारी, 2025 रोजी न्यूयॉर्कसाठी फ्लाइट यशस्वीरित्या बुक झाली आहे. सुरक्षित प्रवास! ✈️🗽


if __name__ == "__main__":
    asyncio.run(main())

या उदाहरणातून तुम्हाला दिसेल की तुम्ही वापरकर्त्याच्या इनपुटमधून फ्लाइट बुकिंग विनंतीचा स्रोत, ठिकाण, आणि तारीख यासारखी महत्त्वाची माहिती काढण्यासाठी पूर्वनिर्मित पार्सर कसा वापरू शकता. हा मॉड्युलर दृष्टिकोन तुम्हाला उच्च-स्तरीय लॉजिकवर लक्ष देण्याची संधी देतो.

सहकारी साधने वापरा

Microsoft Agent Framework सारखे फ्रेमवर्क्स अनेक एजंट्सना एकत्र काम करण्यास पुरवठा करतात.

संघ कसे वापरू शकतात: संघ विशिष्ट भूमिका आणि कार्यांसह एजंट डिझाईन करू शकतात, ज्यामुळे ते सहकार्य कार्यप्रवाहांची चाचणी व सुधारणा करू शकतात आणि संपूर्ण प्रणालीची कार्यक्षमता वाढवू शकतात.

प्रत्यक्ष कसे कार्य करते: तुम्ही एजंट्सचा एक संघ तयार करू शकता जिथे प्रत्येक एजंटची विशिष्ट कामगिरी असते, जसे डेटा पुनर्प्राप्ती, विश्लेषण, किंवा निर्णय घेणे. हे एजंट्स संवाद साधू शकतात आणि समान उद्दिष्ट साध्य करण्यासाठी माहिती शेअर करतात, जसे की वापरकर्त्याच्या प्रश्नाचे उत्तर देणे किंवा एखादे कार्य पूर्ण करणे.

कोड उदाहरण (Microsoft Agent Framework):

# Microsoft Agent Framework वापरून एकत्र काम करणारे अनेक एजंट तयार करणे

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

provider = AzureAIProjectAgentProvider(credential=AzureCliCredential())

# डेटा पुनर्प्राप्ती एजंट
agent_retrieve = await provider.create_agent(
    name="dataretrieval",
    instructions="Retrieve relevant data using available tools.",
    tools=[retrieve_tool],
)

# डेटा विश्लेषण एजंट
agent_analyze = await provider.create_agent(
    name="dataanalysis",
    instructions="Analyze the retrieved data and provide insights.",
    tools=[analyze_tool],
)

# एखाद्या कामावर एजंटांना क्रमाने चालवा
retrieval_result = await agent_retrieve.run("Retrieve sales data for Q4")
analysis_result = await agent_analyze.run(f"Analyze this data: {retrieval_result}")
print(analysis_result)

या पूर्वीच्या कोडमध्ये तुम्हाला दिसेल की अनेक एजंट्स एकत्र काम करून डेटा विश्लेषण करत आहेत. प्रत्येक एजंट विशिष्ट काम करतो आणि कार्याचा समन्वय साधून इच्छित निकाल प्राप्त केला जातो. विशेष भूमिका असलेले समर्पित एजंट तयार करून तुम्ही कार्यक्षमतेमध्ये आणि कामगिरीत सुधारणा करू शकता.

वास्तविक-वेळ शिकणे

अत्याधुनिक फ्रेमवर्क्स वास्तविक-वेळ संदर्भ समज आणि जुळवून घेण्याच्या क्षमतांची पूर्तता करतात.

संघ कसे वापरू शकतात: संघ फीडबॅक लूप्स लागू करू शकतात जिथे एजंट संवादांतून शिकतात आणि त्यांचे वर्तन गतिशीलरीतीने बदलतात, ज्यामुळे क्षमता सातत्याने सुधारल्या जातात.

प्रत्यक्ष कसे कार्य करते: एजंट वापरकर्त्यांच्या अभिप्राय, पर्यावरणीय डेटा, आणि कार्य निकालाचा विश्लेषण करून त्यांच्या ज्ञानाच्या आधारात सुधारणा करतात, निर्णय घेण्यासाठीचे अल्गोरिदम समायोजित करतात, आणि कालांतराने कार्यक्षमता वाढवतात. ही पुनरावृत्ती शिकण्याची प्रक्रिया एजंट्सना बदलत्या परिस्थितींशी आणि वापरकर्त्यांच्या पसंतींशी जुळवून घेण्यास मदत करते, ज्यामुळे संपूर्ण प्रणाली अधिक परिणामकारक बनते.

Microsoft Agent Framework आणि Azure AI Agent Service यामध्ये काय फरक आहे?

हे दृष्टिकोन कसे वेगळे आहेत याची तुलना करणे अनेक मार्गांनी करता येते, पण त्यांच्या डिझाइन, क्षमता, आणि लक्षित वापर प्रकरणांच्या दृष्टीने काही मुख्य फरक पाहूया:

Microsoft Agent Framework (MAF)

Microsoft Agent Framework हा AI एजंट तयार करण्यासाठी एक सुलभ SDK आहे जो AzureAIProjectAgentProvider वापरतो. तो विकसकांना Azure OpenAI मॉडेल्सचा लाभ घेऊन टूल कॉलिंग, संभाषण व्यवस्थापन, आणि Azure ओळख नियंत्रणाद्वारे एंटरप्राइझ-ग्रेड सुरक्षा प्रदान करणारे एजंट तयार करण्याची परवानगी देतो.

वापर प्रकरणे: टूल वापर, बहु-चरण कार्यप्रवाह, आणि एंटरप्राइझ समाकलन परिदृश्यांसह उत्पादन-तयार AI एजंट तयार करणे.

Microsoft Agent Framework मधील महत्त्वाच्या मूलभूत संकल्पना:

Azure AI Agent Service

Azure AI Agent Service ही Microsoft Ignite 2024 मध्ये सादर केलेली नवीन सेवा आहे. ती अधिक लवचिक मॉडेल्ससह AI एजंटचा विकास आणि तैनात करण्याची अनुमती देते, उदा. Llama 3, Mistral, आणि Cohere सारख्या ओपन-सोर्स LLMs थेट कॉल करण्याची क्षमता.

Azure AI Agent Service मजबूत एंटरप्राइझ सुरक्षा प्रणाली आणि डेटा संग्रहण पद्धती पुरवते, ज्यामुळे ती एंटरप्राइझ अनुप्रयोगांसाठी योग्य ठरते.

ही सेवा Microsoft Agent Framework सह आउट-ऑफ-द-बॉक्स काम करते ज्याद्वारे एजंट तयार करणे आणि तैनात करणे शक्य आहे.

ही सेवा सध्या सार्वजनिक प्रीव्ह्यूमध्ये आहे आणि एजंट तयार करण्यासाठी Python आणि C# समर्थन करते.

Azure AI Agent Service Python SDK वापरून, आपण वापरकर्त्याने परिभाषित केलेले साधन असलेला एजंट तयार करू शकतो:

import asyncio
from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient

# साधनांची कार्ये परिभाषित करा
def get_specials() -> str:
    """Provides a list of specials from the menu."""
    return """
    Special Soup: Clam Chowder
    Special Salad: Cobb Salad
    Special Drink: Chai Tea
    """

def get_item_price(menu_item: str) -> str:
    """Provides the price of the requested menu item."""
    return "$9.99"


async def main() -> None:
    credential = DefaultAzureCredential()
    project_client = AIProjectClient.from_connection_string(
        credential=credential,
        conn_str="your-connection-string",
    )

    agent = project_client.agents.create_agent(
        model="gpt-4o-mini",
        name="Host",
        instructions="Answer questions about the menu.",
        tools=[get_specials, get_item_price],
    )

    thread = project_client.agents.create_thread()

    user_inputs = [
        "Hello",
        "What is the special soup?",
        "How much does that cost?",
        "Thank you",
    ]

    for user_input in user_inputs:
        print(f"# User: '{user_input}'")
        message = project_client.agents.create_message(
            thread_id=thread.id,
            role="user",
            content=user_input,
        )
        run = project_client.agents.create_and_process_run(
            thread_id=thread.id, agent_id=agent.id
        )
        messages = project_client.agents.list_messages(thread_id=thread.id)
        print(f"# Agent: {messages.data[0].content[0].text.value}")


if __name__ == "__main__":
    asyncio.run(main())

मूलभूत संकल्पना

Azure AI Agent Service मध्ये खालील मुख्य संकल्पना आहेत:

वापर प्रकरणे: Azure AI Agent Service सुरक्षित, स्केलेबल, आणि लवचिक AI एजंट तैनात करण्यासाठी एंटरप्राइझ अनुप्रयोगांसाठी डिझाइन केलेली आहे.

या दृष्टिकोनांमधील फरक काय आहे?

काही प्रमाणात यामध्ये ओव्हरलॅप आहे, पण डिझाइन, क्षमता, आणि वापर प्रकरणांच्या दृष्टीने काही महत्त्वाचे फरक आहेत:

अजूनही नक्की काय निवडायचे हे ठरवू शकत नसल्यास?

वापर प्रकरणे

चला काही सामान्य वापर प्रकरणे पाहू:

प्रश्न: मी उत्पादन AI एजंट अनुप्रयोग तयार करत आहे आणि लवकर सुरुवात करू इच्छितो.

उत्तर: Microsoft Agent Framework उत्तम पर्याय आहे. तो AzureAIProjectAgentProvider द्वारे साधे, Python-आधारित API पुरवतो ज्याद्वारे तुम्ही काही ओळींमध्ये एजंट्सचे साधने आणि सूचना परिभाषित करू शकता.

प्रश्न: मला Azure एकत्रिकरणांबरोबर एंटरप्राइझ-ग्रेड तैनाती हवी आहे जसे की Search आणि कोड अंमलबजावणी.

उत्तर: Azure AI Agent Service सर्वोत्तम आहे. ही एक प्लॅटफॉर्म सेवा आहे जी अनेक मॉडेल्स, Azure AI Search, Bing Search, आणि Azure Functions साठी अंतर्निर्मित क्षमता पुरवते. तुम्ही Foundry Portal मध्ये तुम्हाचे एजंट तयार आणि मोठ्या प्रमाणावर तैनात करू शकता.

प्रश्न: मी अजूनही गोंधळलेलो आहे, मला कोणता एक पर्याय द्या.

उत्तर: Microsoft Agent Framework वापरून तुमचे एजंट तयार करा आणि उत्पादनात तैनात करण्यासाठी नंतर Azure AI Agent Service वापरा. या पद्धतीने तुम्ही तुमच्या एजंट लॉजिकवर पटकन पुनरावृत्ती करू शकता आणि एंटरप्राइझ तैनातीसाठी स्पष्ट मार्ग ठेवू शकता.

चला महत्त्वाचे फरक सारणीमध्ये पाहूया:

फ्रेमवर्क लक्ष केंद्रित मुख्य संकल्पना वापर प्रकरणे
Microsoft Agent Framework टूल कॉलिंगसह सुलभ एजंट SDK एजंट्स, साधने, Azure ओळख AI एजंट तयार करणे, टूल वापर, बहु-चरण कार्यप्रवाह
Azure AI Agent Service लवचिक मॉडेल्स, एंटरप्राइझ सुरक्षा, कोड जनरेशन, टूल कॉलिंग मॉड्युलरिटी, सहकार्य, प्रक्रिया आयोजन सुरक्षित, स्केलेबल, आणि लवचिक AI एजंट तैनाती

माझ्या विद्यमान Azure पर्यावरणातील साधनांचा थेट समाकलन करू शकतो का किंवा मला स्वतंत्र सोल्यूशन्सची गरज आहे?

उत्तर होय आहे, आपण आपल्या विद्यमान Azure इकोसिस्टम टूल्स थेट Azure AI Agent Service शी एकत्रित करू शकता, विशेषतः, कारण हे अन्य Azure सेवांसह सहजपणे काम करण्यासाठी तयार केले गेले आहे. उदाहरणार्थ, आपण Bing, Azure AI Search, आणि Azure Functions एकत्रित करू शकता. Microsoft Foundry सह देखील सखोल एकत्रीकरण आहे.

Microsoft Agent Framework देखील AzureAIProjectAgentProvider आणि Azure ओळखीच्या माध्यमातून Azure सेवांसोबत एकत्रित होते, ज्यामुळे आपण आपल्या एजंट टूल्समधून थेट Azure सेवांना कॉल करू शकता.

Sample Codes

Got More Questions about AI Agent Frameworks?

Microsoft Foundry Discord मध्ये सामील व्हा, इतर शिकणाऱ्यांशी भेटा, ऑफिस तासांत सहभागी व्हा आणि आपल्या AI Agents शी संबंधित प्रश्नांवर उत्तर मिळवा.

References

Previous Lesson

Introduction to AI Agents and Agent Use Cases

Next Lesson

Understanding Agentic Design Patterns

अस्वीकरण: हा दस्तऐवज AI भाषांतर सेवा Co-op Translator वापरून अनुवादित केला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अपूर्णता असू शकते. मूळ दस्तऐवज त्याच्या स्थानिक भाषेत अधिकृत स्रोत मानला पाहिजे. महत्त्वपूर्ण माहिती साठी व्यावसायिक मानवी भाषांतर करण्याचा सल्ला दिला जातो. या भाषांतराचा वापर केल्यामुळे झालेल्या कोणत्याही गैरसमजुती किंवा चुकांसाठी आम्ही जबाबदार नाही.

This site is open source. Improve this page.