ai-agents-for-beginners

(ဒီသင်ခန်းစာအတွက် ဗီဒီယိုကို ကြည့်ရှုရန် အထက်ရှိ ပုံကိုနှိပ်ပါ)

AI Agents နှင့် Agent အသုံးပြုမှုများသို့ ရှုမြင်ခြင်း

AI Agents for Beginners သင်တန်းသို့ လာရောက်ကြိုဆိုပါတယ်! ဤသင်တန်းသည် သင်္ချာလေ့လာရင်းမှ စတင်၍ AI Agents တည်ဆောက်ခြင်းအတွက် မူလ သိပ္ပံအခြေခံနားလည်မှုများနှင့် လက်တွေ့ အလုပ်လုပ်၍ရမည့် ကုဒ်များ ပေးအပ်ပါသည်။

အကယ်၍ မေးမြန်းလိုပါက Azure AI Discord Community တွင် မိတ်ဆက်ပါ — သိပ္ပံလေ့လာသူများနှင့် AI တည်ဆောက်သူများ ပြည့်နှက်ပြီး မေးခွန်းများကို ဖြေဆိုရန် မှင့်တင်နေကြသည်။

တည်ဆောက်ရန် မတိုင်မီ AI Agent ဆိုသည်မှာ ဘာလဲ၊ ဘယ်အခါ သုံးသင့်သည်ကို ကျွန်ုပ်တို့မှန်မှန်ကန်ကန် နားလည်ထားဖို့ လိုအပ်ပါသည်။

---

နိဒါန်း

ဤသင်ခန်းစာတွင် ပါဝင်သည်မှာ -

• AI Agents ဆိုသည်မှာ ဘာဖြစ်ပြီး အမျိုးအစားများ မည်မျှရှိသည်
• AI Agents များ အကောင်းဆုံး သင့်တော်သော တာဝန်များ
• Agentic ဖြေရှင်းမှုကို ဒီဇိုင်းရေးဆွဲရာတွင် အသုံးပြုမည့် အခြေခံအချက်များ

သင်ယူရမည့် ရည်မှန်းချက်များ

ဤသင်ခန်းစာအပြီးတွင် အောက်ပါအရာများကို သိရှိနိုင်ရမည် -

• AI Agent ဆိုသည်မှာ ဘာတွေလဲ၊ ပုံမှန် AI ဖြေရှင်းမှုနှင့် မည်ကွာခြားသည်ကို ရှင်းပြနိုင်ရန်
• ဘယ်အချိန်မှာ AI Agent ကို အသုံးပြုသင့်တာ၊ ဘယ်အချိန်မှာ မသုံးသင့်တာကို သတိပြုမိရန်
• ရှင်းလင်းသော ကိစ္စတစ်ခုအတွက် အခြေခံ Agentic ဖြေရှင်းမှု ဒီဇိုင်းကို ရေးဆွဲနိုင်ရန်

---

AI Agents နှင့် AI Agents အမျိုးအစားများ သတ်မှတ်ခြင်း

AI Agents ဆိုသည်မှာ ဘာလဲ?

အောက်ပါနည်းလမ်းဖြင့် အကြောင်းကို ရှင်းပြပေးပါမည် -

AI Agents သည် Large Language Models (LLMs) ကို ဂုဏ်သတ္တိမှ ပြောဆိုခြင်းမှ အပြင်းအထန် လုပ်ဆောင်ခွင့်နှင့် အကိရိယာများ ပံ့ပိုးပေးခြင်းမှတဆင့် လောကတွင် လုပ်ဆောင်မှုများ ပြုလုပ်နိုင်စေသော စနစ်များ အဖြစ်ရှိသည်။

အနည်းငယ် ရှင်းလင်းရအောင် ပြောရမည် -

• စနစ် — AI Agent သည် တစ်ခုတည်းသော အရာ မဟုတ်ပါ။ အစိတ်အပိုင်းများစုစည်းပြီး လုပ်ဆောင်သည်။ အခြေခံအားဖြင့် agent တစ်ခုတွင် အပိုင်းသုံးခုပင် ပါဝင်သည် -
  • ပတ်ဝန်းကျင် — Agent သည် အလုပ်လုပ်သည့် နေရာ။ ခရီးသွားအော်ဒါလုပ်သူ agent ၏ ပတ်ဝန်းကျင်မှာ ခရီးသွား အော်ဒါပလက်ဖောင်း ဖြစ်သည်။
  • ** ခံစားစနစ်(Sensors)** — Agent သည် ပတ်ဝန်းကျင်၏ လက်ရှိအခြေအနေကို ကြည့်ရှုသည့် နည်းလမ်း။ ခရီးသွား အော်ဒါလုပ်သူ သည် ဟိုတယ် ရှိမှု သို့မဟုတ် လေကြောင်းလက်မှတ် စျေးနှုန်း စစ်ဆေးနိုင်သည်။
  • လုပ်ဆောင်စနစ်(Actuators) — Agent သည် လုပ်ဆောင်ချက်များ ပြုလုပ်သည့် နည်းလမ်း။ ခရီးသွား အော်ဒါလုပ်သူ သည် နေရာစာရင်း သော့ပြီး အတည်ပြုစာပို့ခြင်း သို့မဟုတ် ငြင်းပယ်ခြင်း ပြုလုပ်နိုင်သည်။

• Large Language Models — Agent များသည် LLM မတည်ရှိခင်တည်းက ရှိခဲ့ပြီး LLM များဟာ မော်ဒန် agent များကို ဖွဲ့စည်းပေးသည်။ သူတို့သည် သဘာဝဘာသာစကားကို နားလည်၍ အကြောင်းအရာကို ဆန်းစစ်နိုင်ပြီး ခေါင်းစဉ်မရှင်းတဲ့ အသုံးပြုသူ တောင်းဆိုချက်ကို ကုစားချက်တစ်ခုအဖြစ်ပြောင်းလဲနိုင်သည်။

• လုပ်ဆောင်ခြင်း — Agent စနစ် မရှိကြောင်းမှာ LLM သည် စာသား ဖန်တီးခြင်းမှသာတက်ရောက်သည်။ Agent စနစ်တွင် LLM သည် လုပ်ဆောင်ချက်များ ကို ဖြတ်သန်းလိုက်ရθεια၊ ဒေတာဘေ့စ် ရှာဖွေခြင်း၊ API ခေါ်ဆိုခြင်း၊ ဆက်သွယ်စာပို့ခြင်း စသည် ဖြစ်ပါသည်။

• ကိရိယာများ ဝင်ရောက်အသုံးပြုခြင်း — Agent သည် သုံးနိုင်သော ကိရိယာများမှာ (၁) လည်ပတ်နေသော ပတ်ဝန်းကျင်နှင့် (၂) ဖန်တီးသူ၏ သတ်မှတ်ချက်ပေါ်မူတည်ပါသည်။ ခရီးသွား အော်ဒါလုပ်သူ သည် လေကြောင်းလက်မှတ် ရှာဖွေနိုင်ရုံဖြစ်ပြီး ဒေတာပြုစုစာရင်း မပြင်နိုင်ပါ — သင်သည် ဘာတွေ ချိတ်ဆက်ထားသလဲဆိုတာပဲ အရေးကြီးသည်။

• မှတ်ဉာဏ်နှင့် ဗဟုသုတ — Agent များတွင် ပြောဆိုဆွေးနွေးသည့် ကာလတို အမှတ်ဉာဏ်နှင့် (လက်ရှိ စကားပြောခြင်း) အရှည်တန်းအမှတ်ဉာဏ် (ဖောက်သည် ဒေတာဘေ့စ်၊ ယခင် တွေ့ဆုံမှုများ) ရှိနိုင်သည်။ ခရီးသွားအော်ဒါလုပ်သူ သည် သင်အကြိုက်များသော မျက်နှာပြင်တံခါးနားထိုင်ခုံများကို “မှတ်မိ” ထားနိုင်သည်။

---

AI Agents အမျိုးအစား အမျိုးမျိုး

Agent များအားလုံးသည် တူညီသော နည်းဖြင့် မတည်ဆောက်ကြပါ။ ခရီးသွား အော်ဒါလုပ်သူကို မိတ္တူအဖြစ် အသုံးပြု၍ အောက်ပါအမျိုးအစားများကို ဖော်ပြပါတယ် -

Agent အမျိုးအစား	လုပ်ဆောင်ချက်	ခရီးသွား အော်ဒါလုပ်သူ ဥပမာ
ရိုးရှင်းတဲ့ Reflex Agents	တိတိကျကျရေးသားထားသော စည်းမျဉ်းများကို လိုက်နာသည် — မှတ်ဉာဏ်မရှိ၊ စီမံချက် မပြုလုပ်။	တုံ့ပြန်ခြင်းအီးမေးလ် မြင် → ဖောက်သည်ဝန်ဆောင်မှုသို့ ပေးပို့သည်။ အဲဒါပဲ ဖြစ်သည်။
Model-Based Reflex Agents	ကမ္ဘာမြေပုံကို အတွင်းခံ မော်ဒယ်တစ်ခု ထိန်းသိမ်းပြီး ပြောင်းလဲမှုများကို ထပ်မံတိုးချဲ့သည်။	အတိတ် ခရီးဆက်လက်လက်မှတ်စျေးနှုန်းများကို သတိပေး၍ တော်တော် များပြားလာသော လမ်းကြောင်းများကို ဖော်ပြသည်။
ရည်မှန်းချက် ရှိတဲ့ Agents	ရည်မှန်းချက်တစ်ခုကို သတ်မှတ်ပြီး အဆင့်ဆင့် လမ်းကြောင်းတည်ဆောက်သည်။	လက်ရှိနေရာမှ သင့်ရောက်လိုသည့် နေရာသို့ အပြည့်အစုံ ခရီးစဉ် စီမံ (လေကြောင်း၊ ကား၊ ဟိုတယ်) ပြုလုပ်သည်။
အသုံးဝင်မှု ရှိတဲ့ Agents	ဖြေရှင်းမှု တစ်ခုထက် များသောဖြေရှင်းမှုများ အလေးတင်ကြည့်ပြီး အကောင်းဆုံး ဖြေရှင်းမှု ရွေးချယ်သည်။	စျေးနှုန်း နှင့် အဆင်ပြေမှုကို စိစစ်၍ သင့်ဆန္ဒများအတွက် အကောင်းဆုံး ခရီးစဉ်ကို ရွေးချယ်သည်။
လေ့လာ သင်ယူသူ Agents	အကြံပြုချက်များမှ သင်ယူပြီး အချိန်တိုးတက်ကောင်းမွန်လာသည်။	ခရီးပြီးဆင်းပြီး သုံးသပ်ချက်များအရ အနာဂတ် အော်ဒါအကြံပြုချက်များ ကို ပြင်ဆင်သည်။
မျဉ်းကြောင်းအလိုက် Agents	အဆင့်မြင့် agent တစ်ယောက်သည် လုပ်ငန်းများကို အပိုင်းသေးသေးငယ်ငယ်အလုပ်များ ခွဲထုတ်ပြီး အောက်အဆင့် agent များထံ တာဝန်ပေးသည်။	“ခရီးပယ်” တောင်းဆိုမှုကို လေကြောင်းပယ်၊ ဟိုတယ်ပယ်၊ ကားငှားပယ် ဆိုပြီး ခွဲခြားပြီး ပေါင်းစပ်ကြေညာသည်။
Multi-Agent Systems (MAS)	လွတ်လပ်သော agent များ အများအပြားဟာ အတူ သို့မဟုတ် အပြိုင်အဆိုင် ဖွဲ့စည်းပြီး လုပ်ဆောင်သည်။	ပူးပေါင်းမှုပြုသော agent များသည် ဟိုတယ်၊ လေကြောင်း၊ ဖျော်ဖြေမှု တာဝန်ခံသည်။ ပြိုင်ဆိုင်မှုရှိသော agent များသည် ဟိုတယ် အခန်းများအတွက် အကောင်းဆုံးစျေးနှုန်း ရှာဖွေ ယှဉ်ပြိုင်ကြသည်။

---

AI Agents များကို ဘယ်အချိန်မှာ အသုံးပြုမလဲ?

AI Agent ကို အသုံးပြုနိုင်သည့်အတွက်၊ မည်သည့်အချိန်တွင် မလိုအပ်ပါ။ agent များ ပိုပြိုင်နိုင်သည့် အခြေအနေများမှာ -

• အဆုံးမရှိသော ပြဿနာများ — ပြဿနာ ဖြေရှင်းရန် အဆင့်များကို ကြိုတင်ရေးသား၍ မရ။
• အဆင့်များစွာ လုပ်ငန်းစဉ်များ — တစ်ခေါက်ရှာဖွေမှုတစ်ခုသာ မဟုတ်၊ ကိရိယာများကို စနစ်တကျ အသုံးပြုရသည်။
• အချိန်တိုးတက်မှု — အသုံးပြုသူ တုံ့ပြန်ချက် သို့မဟုတ် ပတ်ဝန်းကျင် အချက်အလက်များကို မူတည်၍ စနစ်က ပိုမိုအရည်အသွေး ကောင်းမွန်လာစေသည်။

သင်တန်းတွင် နောက်ပိုင်း “Building Trustworthy AI Agents” သင်ခန်းစာတွင် ဘယ်အချိန်တွင် (နှင့် ဘယ်အချိန်တွင် မသုံးသင့်အကြောင်း) ထပ်မံ ရှင်းလင်းမည် ဖြစ်သည်။

---

Agentic ဖြေရှင်းမှု မူလတည်း မှာ

Agent ဖန်တီးမှု

Agent တစ်ခုဆောက်မည်ဆိုပါက အရင်ဆုံး သတ်မှတ်ရမည့်ဟာမှာ ထို agent ကို ဘာလုပ်နိုင်မလဲ ဆိုတာ ဖြစ်သည် — ကိရိယာများ၊ လုပ်ဆောင်ချက်များ နှင့် သဘောထားများ။

ဤသင်တန်းတွင် Azure AI Agent Service ကို အဓိက ပလက်ဖောင်းအဖြစ် အသုံးပြုသည်။ ၎င်းသည် -

• OpenAI, Mistral, နှင့် Llama ကဲ့သို့သော ဖွင့်လှစ်မော်ဒယ်များကို ထောက်ပံ့သည်
• Tripadvisor ကဲ့သို့သော ပေးသွင်းသူများမှ လိုင်စင်ရထားသော ဒေတာများကို ထောက်ပံ့သည်
• OpenAPI 3.0 နည်းစနစ်များ ဖြင့် ကိရိယာများကို စံပြ အဖြစ် ဖော်ပြသည်

Agentic မျဉ်းစဉ်များ

LLM များနှင့် ဆက်သွယ်ရာတွင် prompt များကို သုံးသည်။ Agent များတွင် လက်မမောင်း၍ prompt များအားလုံးကို ကိုယ်တိုင်ရေးသား၍ မရ၊ အဆင့်မြင့် လုပ်ဆောင်မှုများ ဝင်ရောက် ဆောင်ရွက်ရသောကြောင့် Agentic မျဉ်းစဉ်များ ကို အသုံးပြုသည်။ ၎င်းတို့သည် LLM များကို အမျိုးမျိုးစနစ်ဖြင့် တစ်ဦးထက်မက ဖြစ်စေ သာမာန်မှီသော နည်းလမ်းများဖြစ်ပြီး နောက်ထပ်အသုံး ပြုနိုင်သည်။

ဤသင်တန်းတွင် အများဆုံးအသုံးပြုသော agentic မျဉ်းစဉ်များ ပတ်လည်ကို အခြေပြုထားသည်။

Agentic Framework များ

Agentic Framework များသည် ဖန်တီးသူများအတွက် အသင့်ပြင်ပြီး Template များ၊ ကိရိယာများ နှင့် အခြေခံအဆောက်အအုံများ ပံ့ပိုးပေးသည်။ ၎င်းတို့သည် -

• ကိရိယာများနှင့် အရည်အသွေးများ ပေါင်းစပ် ချိတ်ဆက်ရလွယ်ကူစေသည်
• Agent ၏ လုပ်ဆောင်ချက်များကို ကြည့်ရှုနိုင်ခြင်းနှင့် ပြဿနာ ဖြစ်ပေါ်မည့်အခါ နှိုင်းယှဥ်စစ်ဆေးနိုင်စေသည်
• Agent များစွာ ဖြင့် ပူးပေါင်းဆောင်ရွက်နိုင်စေသည်

ဤသင်တန်းတွင် Microsoft Agent Framework (MAF) ကို စွမ်းဆောင်ရည်အပြည့်အဝရှိသော agent များ ဖန်တီးရန် အသုံးပြုသည်။

---

ကိုးဒ်နမူနာများ

လုပ်ဆောင်ချက်အားမြင်ရန် အသင့်ပါပြီ။ ဤ သင်ခန်းစာအတွက် ကိုးဒ်နမူနာများမှာ -

• 🐍 Python: Agent Framework
• 🔷 .NET: Agent Framework

---

မေးခွန်းများ ရှိပါသလား?

Microsoft Foundry Discord တွင် ပါဝင်ပြီး ငါတို့နှင့် အခြား သင်ယူသူများ ဆက်သွယ်ကာ ရုံးချိန်များတက်ရောက်ပြီး သင့် AI Agent မေးခွန်းများကို အဖွဲ့အစည်းမှ ဖြေဆိုပေးပါမည်။

---

ယခင် သင်ခန်းစာ

Course Setup

နောက်တစ်ခန်း သင်ခန်းစာ

Exploring Agentic Frameworks

---

ရှောင်ကြဥ်ချက်:
ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု Co-op Translator ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်တော်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားပေမယ့် အလိုအလျောက် ဘာသာပြန်ချက်များတွင် အမှား သို့မဟုတ် မမှန်ကန်မှုများပါရှိနိုင်ကြောင်း သတိပြုပါရန် လိုအပ်ပါသည်။ မူလစာရွက်စာတမ်းကို မိမိဘာသာစကား၌သာ တရားဝင် အရင်းအမြစ်ဟု ယူဆရမည် ဖြစ်သည်။ အရေးကြီးသော သတင်းအချက်အလက်များအတွက်တော့ ပရော်ဖက်ရှင်နယ် လူ့ဘာသာပြန်သူမှ ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ချက်ကို အသုံးပြုမှုကြောင့် ဖြစ်ပေါ်လာနိုင်သည့် နားလည်မှု မမှန်ခြင်း သို့မဟုတ် ကျူးလွန်မှုများအတွက် ကျွန်တော်တို့၏ တာဝန်မရှိပါ။

This site is open source. Improve this page.