ai-agents-for-beginners
(ဤ သင်ခန်းစာ၏ ဗီဒီယိုကို ကြည့်ရန် အပေါ်တွင်ရှိသည့် ပုံကို နှိပ်ပါ)
AI အေးဂျင့်များနှင့် အေးဂျင့် အသုံးချမှုများ မိတ်ဆက်
“AI Agents for Beginners” သင်တန်းသို့ ကြိုဆိုပါသည်! ဤ သင်တန်းသည် AI အေးဂျင့်များ တည်ဆောက်ရာတွင် အသုံးဝင်မည့် အခြေခံ သိမြင်မှုများနှင့် လက်တွေ့ နမူနာများကို ပို့ဆောင်ပေးပါသည်။
အခြားသင်ယူသူများနှင့် AI အေးဂျင့် တည်ဆောက်သူများကို တွေ့ဆုံရန်နှင့် ဤ သင်တန်းနှင့် ပတ်သက်သည့် မေးခွန်းများ မေးရန် Azure AI Discord အသိုင်းအဝိုင်း သို့ ပါဝင်ပါ။
ဤ သင်တန်းကို စတင်ရန်အတွက် AI အေးဂျင့်များ ဆိုတာဘာလဲ၊ ကျွန်တော်တို့ တည်ဆောက်သည့် အက်ပလီကေးရှင်းများနှင့် လုပ်ငန်းစဉ်များထဲတွင် မည်သို့ အသုံးချနိုင်သည်ကို ပိုမိုနားလည်ရန် ဖြေရှင်းနှိုင်းခြင်းဖြင့် စတင်ပါမည်။
နိဒါန်း
ဤ သင်ခန်းစာတွင် ပါဝင်သည်မှာ -
- AI အေးဂျင့်များသည် ဘာလဲနှင့် အေးဂျင့်အမျိုးအစားများက ဘာများရှိသနည်း။
- AI အေးဂျင့်များအတွက် အကောင်းဆုံး အသုံးပြုမှုကဘာလဲ၊ ငါတို့ကို မည်သို့ ကူညီနိုင်သလဲ။
- အေးဂျင့်လက်ကားဖြေရှင်းမှုများကို ဒီဇိုင်းဆွဲရာတွင် အခြေခံ အစိတ်အပိုင်းများက ဘာများရှိသနည်း။
သင်ယူရမည့် ရည်မှန်းချက်များ
ဤ သင်ခန်းစာကို ပြီးမြောက်လျှင် သင်သည် အောက်ပါ အရည်အချင်းများကို ရရှိထားမည်ဖြစ်သည် -
- AI အေးဂျင့် အထွေထွေကျင့်သဘောတရားများကို နားလည်ပြီး အခြား AI ဖြေရှင်းချက်များနှင့် ကွာခြားသည့်အချက်များကို သိရှိစေပါ။
- AI အေးဂျင့်များကို ထိရောက်စွာ အကျုံးသုံးနိုင်စေပါ။
- အသုံးပြုသူများနှင့် ဖောက်သည်များအတွက် အေးဂျင့်ဆိုင်ရာ ဖြေရှင်းချက်များကို ထုတ်ကုန်လိုက် ဖန်တီးနိုင်စေပါ။
AI အေးဂျင့်များ၏ သတ်မှတ်ချက်နှင့် အမျိုးအစားများ
AI အေးဂျင့်များ ဆိုတာဘာလဲ?
AI အေးဂျင့်များသည် စနစ်များ ဖြစ်ပြီး Large Language Models(LLMs) ကို လုပ်ဆောင်ချက်များ ဆောင်ရွက်နိုင်ရန် ၎င်းတို့၏ စွမ်းရည်များကို တိုးချဲ့ပေးပြီး ကိရိယာများသို့ အသုံးပြုခွင့် နှင့် အသိပညာ များ ပေးခြင်းအားဖြင့် ဖြစ်သည်။
ဒီ သတ်မှတ်ချက်ကို ပိုမိုရှင်းလင်းစေရန် အပိုင်းလိုက် ခွဲကြည့်ပါမည် -
- System - အေးဂျင့်များကို တစ်ခုတည်းသော အစိတ်အပိုင်းတစ်ခုသာမဟုတ်ဘဲ အစိတ်အပိုင်းများစွာပါဝင်သည့် စနစ်အဖြစ် တွေးစရာ အရေးကြီးသည်။ အခြေခံအဆင့်တွင် AI အေးဂျင့်၏ အစိတ်အပိုင်းများမှာ -
- Environment - AI အေးဂျင့် လည်ပတ်နေသော သတ်မှတ်ထားသော နေရာ။ ဥပမာအားဖြင့် ခရီးစဉ် မှာယူဆောင်ရွက်ခြင်း အေးဂျင့်၏ environment သည် ခရီးစာရင်း အက်စပလီကေးရှင်း ဖြစ်နိုင်သည်။
- Sensors - ပတ်ဝန်းကျင်တွင် သတင်းအချက်အလက်များ ရှိပြီး ပြန်လည်တုံ့ပြန်မှုများကို ပေးသည်။ AI အေးဂျင့်များသည် ပတ်ဝန်းကျင်၏ လက်ရှိ အခြေအနေကို သိရှိရန်နှင့် ခွဲခြမ်းရန် sensor များကို အသုံးပြုသည်။ ခရီးစာရင်း အေးဂျင့် ဥပမာတွင် အဆိုပါ စနစ်သည် ဟိုတယ် ရရှိနိုင်မှု သို့မဟုတ် လေယာဉ် စျေးနှုန်းများကဲ့သို့သော သတင်းအချက်အလက်များကို ပေးနိုင်သည်။
- Actuators - AI အေးဂျင့်သည် ပတ်ဝန်းကျင်၏ လက်ရှိ အခြေအနေကို လက်ခံရရှိပြီး လက်ရှိ တာဝန်အတွက် ပတ်ဝန်းကျင်ကို ပြောင်းလဲရန် မည်သို့ လုပ်ဆောင်ရမည်ကို ဆုံးဖြတ်သည်။ ခရီးစာရင်း အေးဂျင့်အတွက် ၎င်းသည် အသုံးပြုသူအတွက် ရရှိနိုင်သော အခန်းကို မှာယူခြင်း ဖြစ်နိုင်သည်။
Large Language Models - အေးဂျင့်ဆိုင်ရာ အယူအဆများသည် LLMs မတည်ရှိခင်ကတည်းက ရှိခဲ့သည်။ LLMs ကို အသုံးပြု၍ AI အေးဂျင့်များ တည်ဆောက်ခြင်း၏ အားသာချက်မှာ လူဘာသာစကားနှင့် ဒေတာကို ဖော်ထုတ်နားလည်နိုင်ခြင်းဖြစ်သည်။ ဤစွမ်းဆောင်ချက်က LLMs များအား ပတ်ဝန်းကျင်သတင်းအချက်အလက်များကို ခွဲခြမ်းနားလည်စေပြီး ပတ်ဝန်းကျင်ကို ပြောင်းလဲရန် စီမံကိန်းတစ်ခု သတ်မှတ်နိုင်စေသည်။
Perform Actions - AI အေးဂျင့် စနစ်များအပြင် LLMs များသည် အသုံးပြုသူ၏ prompt အပေါ် အခြေခံ၍ ပါဝင်သော ကော်တင့်/သတင်းအချက်အလက်များကို ထုတ်ပေးခြင်း အားသာသာသာဒေမန့္တွင် ကန့်သတ်ထားသည်။ AI အေးဂျင့် စနစ်များတွင် LLMs များသည် အသုံးပြုသူ၏ တောင်းဆိုချက်များကို ခွဲခြမ်းနားလည်ပြီး ၎င်းတို့၏ ပတ်ဝန်းကျင်ရှိ ကိရိယာများကို အသုံးပြု၍ ကိစ္စများကို ပြီးမြောက်စေပါသည်။
Access To Tools - LLM သည် မည်သည့်ကိရိယာများသို့ လက်လှမ်းမီလဲဆိုသည်မှာ 1) ၎င်း လည်ပတ်နေသည့် ပတ်ဝန်းကျင်နှင့် 2) AI အေးဂျင့် ကို ဖန်တီးသူ တို့ဖြင့် သတ်မှတ်သည်။ ခရီးသွား အေးဂျင့် ဥပမာတွင် အေးဂျင့်၏ ကိရိယာများမှာ ကြိုတင်မှာယူခြင်း စနစ်တွင် ရရှိနိုင်သော လုပ်ဆောင်ချက်များဖြင့် ကန့်သတ်နိုင်ပြီး/သို့မဟုတ် ဖန်တီးသူကလည်း အေးဂျင့်၏ ကိရိယာ ဝင်ရောက်ခွင့်ကို ဧကရာ ဖလက်(များ)အထိ ကန့်သတ်နိုင်သည်။
Memory+Knowledge - မွေမရီသည် အသုံးပြုသူနှင့် အေးဂျင့် အကြား စကားပြောဆိုမှု များ၏ သိပ်သည်းချိန်အတွင်း အတိအကျ ဖြစ်နိုင်သည်။ ရေရှည်အဖြစ်မှာအပေါ် ပတ်ဝန်းကျင်မှ ရရှိသည့် သတင်းအချက်အလက်များအပြင် AI အေးဂျင့်များသည် အခြားစနစ်များ၊ ဝန်ဆောင်မှုများ၊ ကိရိယာများနှင့် အခြားအေးဂျင့်များမှ အသိပညာများကိုလည်း ပြန်လည်ယူနိုင်သည်။ ခရီးသွား အေးဂျင့် ဥပမာတွင် ဤ အသိပညာသည် ဖောက်သည် ဒေတာဘေ့စ်တွင် တည်ရှိသည့် ဖောက်သည်၏ ခရီးနှစ်သက်မှုများနှင့် ပတ်သက်သည့် အချက်အလက်များ ဖြစ်နိုင်သည်။
အေးဂျင့်အမျိုးအစားများ အမျိုးမျိုး
ယခု အခြေခံ သတ်မှတ်ချက် ရရှိသည့်အခါ ကျွန်တော်တို့ ခရီးစာရင်း အေးဂျင့် ဥပမာဖြင့် ပြထားသလို အမျိုးအစားအလိုက် မည်သို့ အသုံးချနိုင်သည်ကို ကြည့်ပါစို့။
| Agent Type | Description | Example |
|---|---|---|
| Simple Reflex Agents | ရှေ့တိုင်း သတ်မှတ်ထားသော စည်းမျဉ်းများအပေါ် အခြေခံ၍ ချက်ချင်း လုပ်ဆောင်ချက်များ ပြုလုပ်သည်။ | ခရီးသွား အေးဂျင့်သည် အီးမေးလ်၏ အခြေအနေကို ခွဲခြမ်းပြီး ခရီးစွဲနှင့် ပတ်သက်သည့် တိုင်ကြားချက်များကို ဝန်ဆောင်မှုပေးသူဆီသို့ မြှှင့်ပို့သည်။ |
| Model-Based Reflex Agents | ကမ္ဘာ၏ မော်ဒယ်နှင့် ထိုမော်ဒယ်၏ ပြောင်းလဲမှုများအပေါ် အခြေခံ၍ လုပ်ဆောင်ချက်များ ပြုလုပ်သည်။ | ခရီးသွား အေးဂျင့်သည် သမိုင်းကြောင်း စျေးနှုန်းဒေတာများကို အသုံးပြု၍ စျေးနှုန်းပြောင်းလဲမှုများ အရေးကြီးသော လမ်းကြောင်းများကို ဦးစားပေးစီစဉ်သည်။ |
| Goal-Based Agents | ရည်မှန်းချက်ကို ခွဲခြမ်းနားလည်ပြီး ထိုရည်မှန်းချက်ကို ရရှိစေရန် လုပ်ဆောင်ရန် လမ်းစဉ်များ ဖန်တီးသည်။ | ခရီးသွား အေးဂျင့်သည် လက်ရှိ တည်နေရာမှ ပစ်ဆိုင်ရာ ထိ သွားရောက်ရန် လိုအပ်သည့် ခရီးစဉ် အစီအစဉ်များ (ကား, ပြည်သူ့ သယ်ယူပို့ဆောင်ရေး, လေယာဉ်) အပါအဝင် လိုအပ်ချက်များကို သတ်မှတ်၍ ခရီးစာရင်းကို မှာယူသည်။ |
| Utility-Based Agents | ဦးစားပေးချက်များကို စဉ်းစားကာ ကိန်းဂဏန်းဖြင့် ထုတ်လွှတ်ပါက မည်သို့ ရည်မှန်းချက်များကို ရယူမည်ကို ဆုံးဖြတ်သည်။ | ခရီးသွား အေးဂျင့်သည် ခရီးမှားပြီး မှာယူရာတွင် အဆင်ပြေမှုနှင့် ကုန်ကျစရိတ်တို့ကို အလေးချိန်ပေးတွက်ချက်၍ အသုံးကျဆုံး ရလဒ်ကို အများဆုံးစေသည်။ |
| Learning Agents | တုံ့ပြန်ချက်များကို လက်ခံ၍ ၎င်းအတိုင်း လုပ်ဆောင်ချက်များကို ချိန်ယူ ပြင်ဆင်ခြင်းဖြင့် အချိန်နှင့်အမျှ တိုးတက်လာသည်။ | ခရီးသွား အေးဂျင့်သည် ခရီးပြီးနောက် စစ်တမ်းမှ ဖောက်သည် တုံ့ပြန်ချက်များကို အသုံးချကာ နောင်လာမည့် မှာယူမှုများကို လိုက်လျောညီထွေ ပြင်ဆင်တိုးတက်စေသည်။ |
| Hierarchical Agents | အဆင့်အလျားရှိ စနစ်တစ်ရပ်တွင် များစွာသော အေးဂျင့်များ ပါဝင်ကာ အထက်အဆင့် အေးဂျင့်များသည် တာဝန်များကို အချိုးချင်း ခွဲ၍ အနိမ့်အဆင့် အေးဂျင့်များအား အဆောင်ရွက်စေသည်။ | ခရီးသွား အေးဂျင့်သည် ခရီးကို ဖျက်ပစ်ရာတွင် တာဝန်ကို အသေးစိတ် လုပ်ငန်းခွဲများ (ဥပမာ - သီးသန့် မှာယူမှုများကို ဖျက်ခြင်း) အဖြစ် ခွဲခြမ်းကာ အနိမ့်အဆင့် အေးဂျင့်များအား အဲ့ဒီလုပ်ငန်းခွဲများကို အပြီးသတ် ဆောင်ရွက်ကာ ထိပ်တန်း အေးဂျင့်သို့ ပြန်လည်รายงานစေသည်။ |
| Multi-Agent Systems (MAS) | အေးဂျင့်များသည် အလွတ်ရေးကို အလိုက် အလုပ်များကို တစ်ကိုယ်တော် သို့မဟုတ် ပူးပေါင်း/ယှဉ်ပြိုင်ဘက် အဖြစ် ပြီးမြောက်စေသည်။ | ပူးပေါင်းမှု: အများစွာသော အေးဂျင့်များသည် ဟိုတယ်၊ လေယာဉ်၊ ဖျော်ဖြေရေး စသည့် သီးခြား ခရီးဝန်ဆောင်မှုများကို မှာယူဆောင်ရွက်သည်။ ယှဉ်ပြိုင်မှု: အများစွာသော အေးဂျင့်များသည် မျှဝေထားသော ဟိုတယ် မှာယူမှတ်တမ်းအချိန်ဇယားပေါ်တွင် ပြိုင်ဆိုင်ကာ ဖောက်သည်များကို ဟိုတယ်ထဲသို့ မှာနှင်းရန် ယှဉ်ပြိုင်သည်။ |
AI အေးဂျင့်များကို ဘယ်အချိန် အသုံးပြုသင့်သလဲ
အရှေ့ပိုင်းတွင် ကျွန်တော်တို့ သုံးထားသည့် ခရီးသွားအေးဂျင့် ဥပမာဖြင့် အေးဂျင့်အမျိုးအစားများကို ခရီးစာရင်း ဆိုင်ရာ အခြေအနေများအတွက် မည်သို့ အသုံးပြုနိုင်သည်ကို ရှင်းပြခဲ့သည်။ သင်ခန်းစာတစ်လျှောက်လုံး၌ ဤ အက်ပလီကေးရှင်းကို ဆက်လက်အသုံးပြုပါမည်။
AI အေးဂျင့်များအတွက် အကောင်းဆုံးအသုံးချမှုအမျိုးအစားများကို ကြည့်ကြပါစို့။
- Open-Ended Problems - အလုပ်တစ်ခုကို ပြီးမြောက်ရန် လိုအပ်သည့် အဆင့်များကို LLM က သတ်မှတ်ပေးစေချင်သည့် အခါ၊ အလုပ်များကို ဟက်ကုဒ်ဖြင့် အမြဲတမ်း သတ်မှတ်၍ မရနိုင်သော အခါ။
- Multi-Step Processes - တစ်ဖန်တစ်ခါ ဖြေရှင်းရန် မဖြစ်နိုင်ဘဲ ကိစ္စများကို လှုပ်ရှားမှုများစွာ လိုအပ်သည့် အခါတွင် AI အေးဂျင့်သည် ကိရိယာများ သို့မဟုတ် သတင်းအချက်အလက်များကို အဆင့်အတန်းများဖြင့် အသုံးချရသည်။
- Improvement Over Time - ပတ်ဝန်းကျင်မှ သို့မဟုတ် အသုံးပြုသူများထံမှ တုံ့ပြန်ချက်ကို လက်ခံ၍ အချိန်နှင့်အမျှ တိုးတက်နိုင်သော အလုပ်များ။
AI အေးဂျင့်များ အသုံးပြုရာတွင် ယုံကြည်စိတ်ချရမှုဆိုင်ရာ ထပ်မံ စဉ်းစားရန် အချက်များကို “Building Trustworthy AI Agents” သင်ခန်းစာ၌ ဆက်လက်ဖော်ပြပါမည်။
အေးဂျင့်ဖြေရှင်းချက်များ၏ အခြေခံများ
အေးဂျင့် ဖွံ့ဖြိုးရေး
AI အေးဂျင့် စနစ် ဒီဇိုင်းရေးဆွဲရာတွင် ပထမဆုံး အဆင့်မှာ ကိရိယာများ၊ လုပ်ဆောင်ချက်များနှင့် အပြုအမူများကို သတ်မှတ်ခြင်းဖြစ်သည်။ ဤ သင်တန်းတွင် ကျွန်တော်တို့သည် Azure AI Agent Service ကို အသုံးပြုပြီး အေးဂျင့်များကို သတ်မှတ်ရာ၌ အာရုံစိုက်ပါမည်။ ၎င်းသည် အောက်ပါ လက္ခဏာများကို ပံ့ပိုးပေးပါသည်။
- OpenAI, Mistral, Llama ကဲ့သို့သော Open မော်ဒယ်များကို ရွေးချယ်နိုင်ခြင်း
- Tripadvisor ကဲ့သို့သော ပံ့ပိုးသူများမှ လိုင်စင်ရ ဒေတာများကို အသုံးပြုနိုင်ခြင်း
- စံပြ OpenAPI 3.0 ကိရိယာများကို အသုံးပြုနိုင်ခြင်း
အေးဂျင့် ပုံစံများ
LLMs များနှင့် ဆက်သွယ်မှုပြုလုပ်ရာတွင် prompt များအား အသုံးပြုသည်။ အေးဂျင့်များ၏ အစမ်းအရာသည် ကိုယ်ပိုင် အလိုအလျောက်ဖြစ်နိုင်မှုရှိသောကြောင့် ပတ်ဝန်းကျင်တွင် ပြောင်းလဲမှုတစ်ခု ဖြစ်သွားလျှင် LLM ကို လက်ဖြင့် ထပ်မံ prompt ပေးရန် အမြဲတမ်းလိုအပ်နေနိုင်ခြင်း မရှိနိုင်ပါ။ ထို့ကြောင့် အများနှင့် မျှဝေ၍ အဆင်ပြေစေရန် နှင့် အဆင့်ပေါင်းများစွာဖြင့် LLM ကို prompt ပေးနိုင်သော အေးဂျင့် ပုံစံများ ကို အသုံးပြုပါသည်။
ဤ သင်တန်းတွင် ကျွန်တော်တို့သည် လတ်တလော ပြည်တွင်းတွင် လူကြိုက်များသော အေးဂျင့် ပုံစံ များကို ခွဲခြမ်းလေ့လာပါမည်။
အေးဂျင့် ဖရိမ်ဝတ်များ
အေးဂျင့် ဖရိမ်ဝတ်များသည် ဒေသခံ ဖန်တီးသူများအား ကုဒ်ဖြင့် အေးဂျင့် ပုံစံများကို အကောင်အထည်ဖော်နိုင်စေရန် အခွင့်အရေးပေးသည်။ ၎င်းတို့တွင် နမူနာများ၊ ပလပ်ဂင်များ နှင့် အေးဂျင့်များ အဆင်ပြေစေရန် ကိရိယာများ ပါဝင်သည်။ ဤ အကျိုးကျေးဇူးများကြောင့် AI အေးဂျင့် စနစ်များ၏ ကြည့်ရှုနိုင်မှုနှင့် ပြဿနာဖော်ထုတ်နိုင်မှုကို ကောင်းမွန်စေသည်။
ဤ သင်တန်းတွင် ကျွန်တော်တို့သည် ထုတ်လုပ်မှုအသင့် AI အေးဂျင့်များ တည်ဆောက်ရာတွင် Microsoft Agent Framework (MAF) ကို စူးစမ်းလေ့လာပါမည်။
လက်နမူနာ ကုဒ်များ
- Python: အေးဂျင့် ဖရိမ်ဝတ်
- .NET: အေးဂျင့် ဖရိမ်ဝတ်
AI အေးဂျင့်များအကြောင်း အခြားမေးခွန်းများ ရှိပါသလား?
အခြား သင်ယူသူများနှင့် တွေ့ဆုံကာ office hours များတက်ရောက်ပြီး သင့် AI အေးဂျင့် မေးခွန်းများကို ဖြေရှင်းစေရန် Microsoft Foundry Discord သို့ ပါဝင်ပါ။
ယခင် သင်ခန်းစာ
နောက်တစ်ခါ သင်ခန်းစာ
အေးဂျင့် ဖရိမ်ဝတ်များကို စူးစမ်းလေ့လာခြင်း
တာဝန်ပယ်ချေချက်။
ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှုဖြစ်သော Co-op Translator အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားထားသော်လည်း အလိုအလျောက် ဘာသာပြန်ခြင်းများတွင် အမှားများ သို့မဟုတ် မှားယွင်းချက်များ ပါရှိနိုင်ကြောင်း သတိပြုပါ။ မူလစာရွက်စာတမ်းကို မိဘဘာသာဖြင့် ရေးသားထားသော မူရင်းကို အာဏာပိုင် အရင်းအမြစ်အဖြစ် ယုံကြည်စဉ်းစားသင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် ကျွမ်းကျင်သော လူသားဘာသာပြန်ဝန်ဆောင်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်ချက်ကို အသုံးပြုရာမှ ဖြစ်ပေါ်လာနိုင်သည့် နားလည်မှုမှားခြင်းများ သို့မဟုတ် အဓိပ္ပာယ်ဖော်ချေမှုမှားများအတွက် ကျွန်ုပ်တို့ တာဝန်မယူပါ။