ai-agents-for-beginners

Meneroka Rangka Kerja Agen AI

(Klik gambar di atas untuk menonton video pelajaran ini)

Terokai Rangka Kerja Agen AI

Rangka kerja agen AI adalah platform perisian yang direka untuk memudahkan penciptaan, penyebaran, dan pengurusan agen AI. Rangka kerja ini menyediakan komponen siap guna, abstraksi, dan alat kepada pembangun yang mempermudah pembangunan sistem AI yang kompleks.

Rangka kerja ini membantu pembangun memberi tumpuan kepada aspek unik aplikasi mereka dengan menyediakan pendekatan piawai untuk cabaran biasa dalam pembangunan agen AI. Ia meningkatkan kebolehlapangan, kemudahan capaian, dan kecekapan dalam membina sistem AI.

Pengenalan

Pelajaran ini akan meliputi:

Matlamat pembelajaran

Matlamat pelajaran ini adalah untuk membantu anda memahami:

Apakah Rangka Kerja Agen AI dan apa yang dapat dilakukan oleh pembangun?

Rangka Kerja AI Tradisional dapat membantu anda mengintegrasikan AI ke dalam aplikasi anda dan memperbaiki aplikasi ini dengan cara berikut:

Semuanya kedengaran hebat, jadi mengapa kita memerlukan Rangka Kerja Agen AI?

Rangka kerja Agen AI mewakili sesuatu yang lebih daripada sekadar rangka kerja AI biasa. Ia direka untuk membolehkan penciptaan agen pintar yang boleh berinteraksi dengan pengguna, agen lain, dan persekitaran untuk mencapai matlamat tertentu. Agen ini boleh menunjukkan tingkah laku autonomi, membuat keputusan, dan menyesuaikan diri dengan keadaan yang berubah. Mari kita lihat beberapa keupayaan utama yang diaktifkan oleh Rangka Kerja Agen AI:

Jadi ringkasnya, agen membolehkan anda melakukan lebih banyak, membawa automasi ke tahap seterusnya, untuk mencipta sistem yang lebih pintar yang boleh menyesuaikan diri dan belajar dari persekitaran mereka.

Bagaimana untuk membuat prototaip dengan cepat, mengulangi, dan memperbaiki keupayaan agen?

Ini adalah landskap yang bergerak pantas, tetapi terdapat beberapa perkara yang biasa dalam kebanyakan Rangka Kerja Agen AI yang dapat membantu anda membuat prototaip dengan cepat dan mengulangi, iaitu komponen modul, alat kolaboratif, dan pembelajaran masa nyata. Mari kita teliti ini:

Gunakan Komponen Modular

SDK seperti Microsoft Agent Framework menawarkan komponen siap bina seperti penyambung AI, definisi alat, dan pengurusan agen.

Bagaimana pasukan boleh menggunakan ini: Pasukan boleh dengan cepat menyusun komponen ini untuk mencipta prototaip berfungsi tanpa perlu memulakan dari kosong, membolehkan eksperimen dan pengulangan yang pantas.

Bagaimana ia berfungsi dalam praktik: Anda boleh menggunakan parser siap bina untuk mengekstrak maklumat daripada input pengguna, modul memori untuk menyimpan dan mengambil data, dan penjana arahan untuk berinteraksi dengan pengguna, semua tanpa perlu membina komponen ini dari awal.

Contoh kod. Mari kita lihat contoh bagaimana anda boleh menggunakan Microsoft Agent Framework dengan FoundryChatClient untuk membuat model bertindak balas kepada input pengguna dengan panggilan alat:

# Contoh Microsoft Agent Framework Python

import asyncio
import os

from agent_framework import tool
from agent_framework.foundry import FoundryChatClient
from azure.identity import AzureCliCredential


# Definisikan fungsi alat contoh untuk menempah perjalanan
@tool(approval_mode="never_require")
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 = FoundryChatClient(
        project_endpoint=os.environ["AZURE_AI_PROJECT_ENDPOINT"],
        model=os.environ["AZURE_AI_MODEL_DEPLOYMENT_NAME"],
        credential=AzureCliCredential(),
    )
    agent = provider.as_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)
    # Contoh output: Penerbangan anda ke New York pada 1 Januari 2025 telah berjaya ditempah. Selamat jalan! ✈️🗽


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

Apa yang anda dapat lihat dari contoh ini adalah bagaimana anda boleh memanfaatkan parser siap bina untuk mengekstrak maklumat utama dari input pengguna, seperti asal, destinasi, dan tarikh permintaan tempahan penerbangan. Pendekatan modular ini membolehkan anda memberi tumpuan kepada logik peringkat tinggi.

Manfaatkan Alat Kolaboratif

Rangka kerja seperti Microsoft Agent Framework memudahkan penciptaan pelbagai agen yang boleh bekerja bersama.

Bagaimana pasukan boleh menggunakan ini: Pasukan boleh mereka agen dengan peranan dan tugas khusus, membolehkan mereka menguji dan memperkemaskan aliran kerja kolaboratif serta meningkatkan kecekapan sistem keseluruhan.

Bagaimana ia berfungsi dalam praktik: Anda boleh mencipta satu pasukan agen di mana setiap agen mempunyai fungsi khusus, seperti pengambilan data, analisis, atau membuat keputusan. Agen ini boleh berkomunikasi dan berkongsi maklumat untuk mencapai matlamat bersama, seperti menjawab pertanyaan pengguna atau menyelesaikan tugas.

Contoh kod (Microsoft Agent Framework):

# Mewujudkan pelbagai ejen yang bekerja bersama menggunakan Rangka Kerja Ejen Microsoft

import os
from agent_framework.foundry import FoundryChatClient
from azure.identity import AzureCliCredential

provider = FoundryChatClient(
    project_endpoint=os.environ["AZURE_AI_PROJECT_ENDPOINT"],
    model=os.environ["AZURE_AI_MODEL_DEPLOYMENT_NAME"],
    credential=AzureCliCredential(),
)

# Ejen Pengambilan Data
agent_retrieve = provider.as_agent(
    name="dataretrieval",
    instructions="Retrieve relevant data using available tools.",
    tools=[retrieve_tool],
)

# Ejen Analisis Data
agent_analyze = provider.as_agent(
    name="dataanalysis",
    instructions="Analyze the retrieved data and provide insights.",
    tools=[analyze_tool],
)

# Menjalankan ejen secara berurutan dalam satu tugasan
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)

Apa yang anda lihat dalam kod sebelumnya adalah bagaimana anda boleh mencipta tugasan yang melibatkan pelbagai agen bekerja bersama untuk menganalisis data. Setiap agen melakukan fungsi khusus, dan tugasan dilaksanakan dengan menyelaras agen-agen tersebut untuk mencapai hasil yang dikehendaki. Dengan mencipta agen khusus dengan peranan khusus, anda boleh meningkatkan kecekapan dan prestasi tugasan.

Belajar Secara Masa Nyata

Rangka kerja canggih menyediakan keupayaan untuk pemahaman konteks masa nyata dan penyesuaian.

Bagaimana pasukan boleh menggunakan ini: Pasukan boleh melaksanakan gelung maklum balas di mana agen belajar dari interaksi dan melaraskan tingkah laku mereka secara dinamik, membawa kepada peningkatan berterusan dan penambahbaikan keupayaan.

Bagaimana ia berfungsi dalam praktik: Agen boleh menganalisis maklum balas pengguna, data persekitaran, dan hasil tugasan untuk mengemas kini pangkalan pengetahuan mereka, melaraskan algoritma membuat keputusan, dan meningkatkan prestasi dari masa ke masa. Proses pembelajaran iteratif ini membolehkan agen menyesuaikan diri dengan keadaan dan keutamaan pengguna yang berubah, meningkatkan keberkesanan sistem keseluruhan.

Apakah perbezaan antara Microsoft Agent Framework dan Microsoft Foundry Agent Service?

Terdapat banyak cara untuk membandingkan pendekatan ini, tetapi mari lihat beberapa perbezaan utama dari segi reka bentuk, keupayaan, dan kes kegunaan sasaran:

Microsoft Agent Framework (MAF)

Microsoft Agent Framework menyediakan SDK yang dipermudahkan untuk membina agen AI menggunakan FoundryChatClient. Ia membolehkan pembangun mencipta agen yang menggunakan model Azure OpenAI dengan panggilan alat terbina dalam, pengurusan perbualan, dan keselamatan tahap perusahaan melalui identiti Azure.

Kes Penggunaan: Membina agen AI yang sudah sedia untuk produksi dengan penggunaan alat, aliran kerja berbilang langkah, dan senario integrasi perusahaan.

Berikut adalah beberapa konsep teras penting Microsoft Agent Framework:

Microsoft Foundry Agent Service

Microsoft Foundry Agent Service adalah penambahan terkini, diperkenalkan di Microsoft Ignite 2024. Ia membolehkan pembangunan dan penyebaran agen AI dengan model yang lebih fleksibel, seperti memanggil secara langsung LLM sumber terbuka seperti Llama 3, Mistral, dan Cohere.

Microsoft Foundry Agent Service menyediakan mekanisme keselamatan perusahaan yang lebih kuat dan kaedah penyimpanan data, menjadikannya sesuai untuk aplikasi perusahaan.

Ia berfungsi terus dengan Microsoft Agent Framework untuk membina dan menyebarkan agen.

Perkhidmatan ini kini dalam Pratonton Awam dan menyokong Python dan C# untuk membina agen.

Menggunakan SDK Python Microsoft Foundry Agent Service, kita boleh mencipta agen dengan alat yang ditakrif pengguna:

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

# Takrifkan fungsi alat
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-5-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())

Konsep teras

Microsoft Foundry Agent Service mempunyai konsep teras berikut:

Kes Penggunaan: Microsoft Foundry Agent Service direka untuk aplikasi perusahaan yang memerlukan penyebaran agen AI yang selamat, boleh skala, dan fleksibel.

Apakah perbezaan antara pendekatan ini?

Nampaknya ada pertindihan, tetapi terdapat beberapa perbezaan utama dari segi reka bentuk, keupayaan, dan kes kegunaan sasaran:

Masih tidak pasti mana satu untuk dipilih?

Kes Penggunaan

Mari kita lihat jika kami boleh membantu dengan melalui beberapa kes penggunaan biasa:

S: Saya sedang membina aplikasi agen AI produksi dan mahu bermula dengan cepat

J: Microsoft Agent Framework adalah pilihan yang baik. Ia menyediakan API yang mudah dan Pythonik melalui FoundryChatClient yang membolehkan anda mentakrifkan agen dengan alat dan arahan dalam hanya beberapa baris kod.

S: Saya perlukan penyebaran tahap perusahaan dengan integrasi Azure seperti Search dan pelaksanaan kod

J: Microsoft Foundry Agent Service adalah pilihan terbaik. Ia adalah perkhidmatan platform yang menyediakan keupayaan terbina dalam untuk pelbagai model, Azure AI Search, Bing Search dan Azure Functions. Ia memudahkan anda membina agen dalam Foundry Portal dan menyebarkannya pada skala besar.

S: Saya masih keliru, berikan saya satu pilihan sahaja

J: Mulakan dengan Microsoft Agent Framework untuk membina agen anda, kemudian gunakan Microsoft Foundry Agent Service apabila anda perlu menyebar dan menskalakan mereka dalam produksi. Pendekatan ini membolehkan anda mengulangi logik agen dengan pantas sambil mempunyai laluan jelas ke penyebaran perusahaan.

Mari kita ringkaskan perbezaan utama dalam jadual:

Rangka Kerja Fokus Konsep Teras Kes Penggunaan
Microsoft Agent Framework SDK agen yang dipermudahkan dengan panggilan alat Agen, Alat, Identiti Azure Membina agen AI, penggunaan alat, aliran kerja berbilang langkah
Microsoft Foundry Agent Service Model fleksibel, keselamatan perusahaan, penjanaan Kod, panggilan alat Modulariti, Kolaborasi, Orkestrasi Proses Penyebaran agen AI yang selamat, boleh skala, dan fleksibel

Bolehkah saya mengintegrasikan alat ekosistem Azure sedia ada saya secara langsung, atau adakah saya perlu penyelesaian berdiri sendiri?

Jawapannya adalah ya, anda boleh mengintegrasikan alat ekosistem Azure sedia ada anda terus dengan Perkhidmatan Ejen Microsoft Foundry terutamanya, kerana ia telah dibina untuk berfungsi dengan lancar dengan perkhidmatan Azure lain. Anda boleh contohnya mengintegrasikan Bing, Azure AI Search, dan Azure Functions. Terdapat juga integrasi mendalam dengan Microsoft Foundry.

Rangka Kerja Ejen Microsoft juga mengintegrasi dengan perkhidmatan Azure melalui FoundryChatClient dan identiti Azure, membolehkan anda memanggil perkhidmatan Azure terus dari alat ejen anda.

Contoh Kod

Ada Lagi Soalan tentang Rangka Kerja Ejen AI?

Sertai Microsoft Foundry Discord untuk berjumpa dengan pelajar lain, menghadiri waktu pejabat dan dapatkan jawapan untuk soalan Ejen AI anda.

Rujukan

Pelajaran Sebelumnya

Pengenalan kepada Ejen AI dan Kes Penggunaan Ejen

Pelajaran Seterusnya

Memahami Corak Rekabentuk Agenik

Penafian: Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI Co-op Translator. Walaupun kami berusaha untuk ketepatan, sila ambil maklum bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang sahih. Untuk maklumat penting, terjemahan oleh manusia profesional adalah disyorkan. Kami tidak bertanggungjawab terhadap sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.

This site is open source. Improve this page.