ai-agents-for-beginners

အကောင်းဆုံး AI လူကိုယ်စားလှယ်များ စီမံခန့်ခွဲနည်း

(ဓာတ်ပုံကိုနှိပ်ပြီး ဤသင်ခန်းစာ၏ ဗီဒီယိုကိုကြည့်ရှုပါ)

ကိရိယာ အသုံးပြုမှု ဒီဇိုင်း ပုံစံ

ကိရိယာများမှာ စိတ်ဝင်စားဖွယ်ကောင်းသည်။ အကြောင်းမှာ AI လူကိုယ်စားလှယ်များအတွက် ပိုမိုကျယ်ပြန့်တဲ့ စွမ်းရည်များ ပေးနိုင်သောကြောင့်ဖြစ်သည်။ လူကိုယ်စားလှယ်မှာ လုပ်ဆောင်နိုင်သော လှုပ်ရှားမှုအမျိုးအစားက နည်းပါးခြင်းမရှိပဲ ကိရိယာတစ်ခု ထည့်သွင်းခြင်းဖြင့် လူကိုယ်စားလှယ်ကလည်း လုပ်ဆောင်မှုစွမ်းရည်ကျယ်ပြန့်လာသည်။ ဤအတွဲအခန်းတွင် ကျွန်ုပ်တို့သည် ကိရိယာ အသုံးပြုမှု ဒီဇိုင်း ပုံစံကို ကြည့်ရှုမည်ဖြစ်ပြီး ၎င်းက AI လူကိုယ်စားလှယ်များအား ရည်ရွယ်ချက်များကို ထိရောက်စွာ အကောင်အထည်ဖော်နိုင်ရန် သတ်မှတ်ထားသော ကိရိယာများကို သုံးနိုင်ခြင်းအား ဖော်ပြသည်။

နိဒါန်း

ဤသင်ခန်းစာတွင် ကျွန်ုပ်တို့သည် အောက်ပါ မေးခွန်းများကို ဖြေရှင်းရန် ကြိုးစားမည် ဖြစ်သည်။

သင်ယူရမည့် ရည်မှန်းချက်များ

ဤသင်ခန်းစာကို ပြီးမြောက်ချိန်တွင် သင်သည် ရနိုင်မည့် အရည်အချင်းများမှာ -

ကိရိယာ အသုံးပြုမှု ဒီဇိုင်း ပုံစံ란ဘာလဲ?

ကိရိယာ အသုံးပြုမှု ဒီဇိုင်း ပုံစံ သည် LLM များအား ရည်ရွယ်ချက်အချို့ သုံးပြီး ထိရောက်စွာ ပြုလုပ်နိုင်ရန် ပြင်ပကိရိယာများနှင့် ဆက်သွယ်ရေးပြုလုပ်နိုင်စွမ်း ပေးရန် ဦးတည်ထားသည်။ ကိရိယာများမှာ လူကိုယ်စားလှယ်တစ်ဦးက လုပ်ဆောင်ရန် အမှုဆောင်နိုင်စေရန် ဆောင်ရွက်နိုင်သည့် ကုဒ်များ ဖြစ်သည်။ ကိရိယာတစ်ခုမှာ စာရင်းကိန်းသို့မဟုတ် ဒေတာပြန်လည်သုံးသပ်မှုအတွက် SQLite database ကို တောင်းဆိုခြင်း ဖြစ်နိုင်သည်။ ဒါမှမဟုတ် သူတစ်ပါး၏ ဝန်ဆောင်မှုပေးကိရိယာတစ်ခုသို့ Stock ကုန်နှုန်းရှာဖွေရေး သို့မဟုတ် ရာသီဥတု မျှောမှန်းခြင်း API ခေါ်ဆိုချက်တစ်ခု ဖြစ်နိုင်သည်။ AI လူကိုယ်စားလှယ်များအပေါ်တွင် ကိရိယာများကို လူကိုယ်စားလှယ်တစ်ဦးမှ မော်ဒယ်ထုတ်လုပ်ခဲ့သော function ခေါ်ဆိုမှုများ ပြန်လည်အသုံးပြုရန် ရေးဆွဲထားသည်။

ဘယ်လို နေရာတွေမှာ အသုံးပြုနိုင်မလဲ?

AI လူကိုယ်စားလှယ်များသည် ကိရိယာများကို အသုံးပြု၍ ရှုပ်ထွေးသော တာဝန်များ ပြီးစီးခြင်း၊ သတင်းအချက်အလက် ရယူခြင်း သို့မဟုတ် ဆုံးဖြတ်ချက်ချမှုများ ပြုလုပ်နိုင်သည်။ ကိရိယာ အသုံးပြုမှု ဒီဇိုင်း ပုံစံကို မဟာဗျူဟာအရ ပြင်ပစနစ်များနှင့် သေချာစွာ ဆက်သွယ်ဆောင်ရွက်ရမည့် အခြေအနေများတွင် အသုံးပြုသည်၊ ဒါ့တွင် ဒေတာဘေ့စ်များ၊ ဝက်ဘ်ဝန်ဆောင်မှုများ၊ သို့မဟုတ် ကုဒ် စမ်းသပ်သူများ ပါဝင်သည်။ ဤစွမ်းရည်များသည် အောက်ပါ အမျိုးမျိုးသော အသုံးပြုမှုများအတွက် အသုံးဝင်သည်။

ကိရိယာ အသုံးပြုမှု ဒီဇိုင်း ပုံစံကို တည်ဆောက်ရာတွင် လိုအပ်သော အစိတ်အပိုင်းများ/အခြေခံ အဆောက်အအုံများကဘာတွေလဲ?

ဤအခြေခံ အစိတ်အပိုင်းများက AI လူကိုယ်စားလှယ်အား အမျိုးမျိုးသော တာဝန်များ ဆောင်ရွက်နိုင်ရန် ခွင့်ပြုသည်။ ကိရိယာ အသုံးပြုမှု ဒီဇိုင်း ပုံစံ တည်ဆောက်ရာတွင် လိုအပ်သော အဓိကအချက်အလက်များကို ကြည့်မည်။

ဆက်လက်၍ Function/Tool ခေါ်ဆိုမှုကို ပိုမိုအသေးစိတ် ကြည့်မည်။

Function/Tool ခေါ်ဆိုခြင်း

Function ခေါ်ဆိုခြင်းသည် LLM များအား ကိရိယာများဖြင့် ဆက်သွယ်နိုင်ရန် အဓိကနည်းလမ်းဖြစ်သည်။ “Function” နှင့် “Tool” ဆိုသောအသုံးအနှုန်းများကို တစ်ဦးနှင့်တစ်ဦး အစားထိုးသုံးကြလေ့ရှိသည်၊ မူလက function ဆိုသည်မှာ ပြန်လည်အသုံးချနိုင်သော ကုဒ်တစ်စိတ်တစ်ပိုင်းဖြစ်ပြီး tool က သင့်လုပ်ငန်းကို ဆောင်ရွက်ရာတွင် အသုံးပြုသော ကိရိယာဖြစ်သည်။ လုပ်ဆောင်ချက်တစ်ခုအတွက် function ၏ကုဒ်ကို ခေါ်ဆိုနိုင်ရန်အတွက် LLM သည် အသုံးပြုသူ၏ တောင်းဆိုချက်ကို function ၏ဖော်ပြချက်နှင့် နှိုင်းယှဉ်ရပါမည်။ ယင်းအတွက် ရနိုင်သော function အားလုံး၏ ဖော်ပြချက် ပါဝင်သော schema ကို LLM သို့ ပေးပို့သည်။ LLM သည် လုပ်ဆောင်ရန်လျှောက်ထားရန် function ကို ထုတ်ယူပြီး function နာမည်နှင့် ပါရာမီတာများကို ပြန်လည်ပေးပို့သည်။ function ကို ခေါ်ဆိုပြီး ထွက်ရှိသော တုံ့ပြန်ချက်ကို LLM သို့ပြန်ပို့ပြီး အသုံးပြုသူ၏ တောင်းဆိုချက်ကို ဖြေကြားရန် အသုံးပြုသည်။

Function calling ကို လူကိုယ်စားလှယ်များအတွက် အကောင်အထည်ဖော်ရန် ဖန်တီးသူများ ကို အောက်ပါ အရာများလိုအပ်သည်။

  1. Function calling ကို ထောက်ပံ့သော LLM မော်ဒယ်တစ်ခု
  2. Function ဖော်ပြချက်များ ပါဝင်သော schema
  3. ဖော်ပြထားသော function အားလုံးအတွက် ကုဒ်

စိစစ်ပြသရန် မြို့တစ်မြို့၏ လက်ရှိအချိန် ရယူခြင်းကို ဥပမာအဖြစ် အသုံးပြုကြရအောင်။

  1. Function calling ကို ထောက်ပံ့သော LLM မော်ဒယ် တစ်ခု စတင်အသုံးပြုရန်:

    မော်ဒယ်အားလုံးတွင် function calling ကို ထောက်ပံ့ခြင်း မရှိနိုင်သဖြင့် သင်အသုံးပြုလိုသော LLM တစ်ခုရှိသည်ကို စစ်ဆေးရန်အရေးကြီးသည်။ Azure OpenAI သည် function calling ကို ထောက်ပံ့သည်။ လက်ရှိ /openai/v1/ endpoint (api_version လိုအပ်ခြင်း မရှိ) ဖြင့် Azure OpenAI Responses API ကို စတင်ဖွင့်နိုင်ပါသည်။

     # Azure OpenAI (Responses API, v1 endpoint) အတွက် OpenAI client ကို စတင်ပြင်ဆင်ပါ။
 client = OpenAI(
     base_url=f"{os.environ['AZURE_OPENAI_ENDPOINT'].rstrip('/')}/openai/v1/",
     api_key=os.environ["AZURE_OPENAI_API_KEY"],
 )
 deployment_name = os.environ["AZURE_OPENAI_DEPLOYMENT"]

  2. Function Schema ဖန်တီးခြင်း:

    function နာမည်၊ လုပ်ဆောင်ချက်ဖော်ပြချက်နှင့် ပါရာမီတာအမည်များ၊ ဖော်ပြချက်များပါဝင်သော JSON schema ကို သတ်မှတ်မည်။ ဒီ schema အား client သို့ ပေးပို့ပြီး အသုံးပြုသူ၏ တောင်းဆိုချက်ဖြင့် San Francisco ၏ အချိန်ကို ရှာဖွေရန် အသုံးပြုသည်။ အရေးကြီးသည့်အချက်မှာ tool call တွင် အသုံးပြုသူ ရောင်းတောင်းတာအတွက် နောက်ဆုံးဖြေချက်မဟုတ်ပဲ ကိရိယာခေါ်ဆိုမှုကိုသာ ပြန်ပေးပို့သည်။ ယခင်ကဖော်ပြခဲ့သည့်အတိုင်း LLM က လုပ်ဆောင်ရန်ရွေးချယ်သော function နာမည်နှင့် ပါရာမီတာများကို ဒီမှာပြန်ပေးပို့သည်။

     # မော်ဒယ်ဖတ်ရန်လုပ်ဆောင်ချက် ဖော်ပြချက် (တုံ့ပြန်မှု API ပလက်ဖောင်းကိရိယာဖော်မက်)
 tools = [
     {
         "type": "function",
         "name": "get_current_time",
         "description": "Get the current time in a given location",
         "parameters": {
             "type": "object",
             "properties": {
                 "location": {
                     "type": "string",
                     "description": "The city name, e.g. San Francisco",
                 },
             },
             "required": ["location"],
         },
     }
 ]

      
 # ပထမဆုံး အသုံးပြုသူ စာတိုက်
 messages = [{"role": "user", "content": "What's the current time in San Francisco"}]

 # ပထမဆုံး API ခေါ်ဆိုမှု: မော်ဒယ်ကို function သုံးရန် မေးမည်
 response = client.responses.create(
     model=deployment_name,
     input=messages,
     tools=tools,
     tool_choice="auto",
     store=False,
 )

 # Responses API သည် tool ခေါ်ဆိုချက်များကို function_call အဖြစ် response.output တွင် ပြန်လည်ပေးပို့သည်။
 # ယင်းများကို စကားပြောပွဲတွင် ထည့်သွင်းပြီး မော်ဒယ်အတွက် နောက်တစ်ဆက်တွင် စုံလင်သော အကြောင်းအရာရှိစေပါ။
 messages += response.output

 print("Model's response:")
 print(response.output)
  

     Model's response:
 [ResponseFunctionToolCall(arguments='{"location":"San Francisco"}', call_id='call_pOsKdUlqvdyttYB67MOj434b', name='get_current_time', type='function_call')]

  3. လူကိုယ်စားလှယ် function code လုပ်ဆောင်မှုအတွက်လိုအပ်ချက်:

    LLM သည် ဘယ် function ကို အကောင်အထည်ဖော်ရမည်ကို ရွေးချယ်ပြီးပြီးနောက် လုပ်ဆောင်ရန်ကုဒ်ကို ရေးသား ပြီး အကောင်အထည်ဖော်ရမည်ဖြစ်သည်။ Python မှာ လက်ရှိ အချိန်ကို ရယူရန် ကုဒ်ကို ရေးနိုင်ပါသည်။ response_message ထဲမှ function နာမည်နှင့် ပါရာမီတာများကို ထုတ်ယူရန် ဤကုဒ်ကိုလည်း ရေးရန် လိုအပ်ပါသည်။

       def get_current_time(location):
     """Get the current time for a given location"""
     print(f"get_current_time called with location: {location}")  
     location_lower = location.lower()
        
     for key, timezone in TIMEZONE_DATA.items():
         if key in location_lower:
             print(f"Timezone found for {key}")  
             current_time = datetime.now(ZoneInfo(timezone)).strftime("%I:%M %p")
             return json.dumps({
                 "location": location,
                 "current_time": current_time
             })
      
     print(f"No timezone data found for {location_lower}")  
     return json.dumps({"location": location, "current_time": "unknown"})

     # ဖန်ခွက်ခေါ်ဆိုမှုများကို ကိုင်တွယ်ပါ
 tool_calls = [item for item in response.output if item.type == "function_call"]
 if tool_calls:
     for tool_call in tool_calls:
         if tool_call.name == "get_current_time":

             function_args = json.loads(tool_call.arguments)

             time_response = get_current_time(
                 location=function_args.get("location")
             )

             # ကိရိယာရလဒ်ကို function_call_output အချက်အလက်အဖြစ်ပြန်ပေးပါ
             messages.append({
                 "type": "function_call_output",
                 "call_id": tool_call.call_id,
                 "output": time_response,
             })
 else:
     print("No tool calls were made by the model.")

 # ဒုတိယ API ခေါ်ဆိုမှု: မော်ဒယ်မှ နောက်ဆုံးတုံ့ပြန်ချက်ကို ရယူပါ
 final_response = client.responses.create(
     model=deployment_name,
     input=messages,
     tools=tools,
     store=False,
 )

 return final_response.output_text

       get_current_time called with location: San Francisco
   Timezone found for san francisco
   The current time in San Francisco is 09:24 AM.

Function Calling သည် AI လူကိုယ်စားလှယ်၏ ကိရိယာ အသုံးပြုမှု ဒီဇိုင်း ပုံစံအတွက် အဓိကဖြစ်ကာ မူရင်းကတည်းမှ တည်ဆောက်ခြင်းမှာ တခက်တခဲရှိလေ့ရှိသည်။ Lesson 2 တွင် သင်ယူခဲ့သည့်အတိုင်း ဆောင်ရွက်ရန် အဆောက်အအုံ(pre-built building blocks) များကို agentic framework များမှ ပေးသည်။

Agentic framework များဖြင့် ကိရိယာ အသုံးပြုမှု ဥပမာများ

ဤနေရာတွင် ကိရိယာ အသုံးပြုမှု ဒီဇိုင်း ပုံစံကို ကွဲပြားခြားနားသော agentic framework များဖြင့် မည်သို့ တည်ဆောက်နိုင်သည်ဆိုသော ဥပမာများ ရှိသည်။

Microsoft Agent Framework

Microsoft Agent Framework သည် AI လူကိုယ်စားလှယ်များ ဖန်တီးရာတွင် အသုံးပြုနိုင်သော open-source AI framework ဖြစ်သည်။ Function calling ကို ပိုမိုလွယ်ကူစေရန် @tool decorator ဖြင့် Python functions အဖြစ် ကိရိယာများကို သတ်မှတ်နိုင်သည်။ Framework သည် မော်ဒယ်နှင့် သင့်ကုဒ်အကြား ဆက်သွယ်မှုကို စီမံသည်။ File Search နှင့် Code Interpreter ကဲ့သို့သော ရှေ့ဆောင်ကိရိယာများကို FoundryChatClient မှတဆင့် အသုံးပြုခွင့်ရရှိသည်။

အောက်ပါ ပုံသဏ္ဍာန်တွင် Microsoft Agent Framework ဖြင့် function calling လုပ်ငန်းစဉ်ကို ဖော်ပြထားသည်။

function calling

Microsoft Agent Framework တွင် ကိရိယာများကို decorator ဖြင့် သတ်မှတ်ထားသော functions အဖြစ် သတ်မှတ်သည်။ ယခင်တွင် ကြည့်ရှုခဲ့သည့် get_current_time function ကို @tool decorator ဖြင့် ကိရိယာတစ်ခုအဖြစ် ပြောင်းလဲနိုင်ပြီး Framework မှ function နှင့် ပါရာမီတာများကို ကိုယ်တိုင် serialize ပြုလုပ်ကာ schema ကို LLM သို့ ပေးပို့သည်။

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

@tool(approval_mode="never_require")
def get_current_time(location: str) -> str:
    """Get the current time for a given location"""
    ...

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

# agent တစ်ယောက် ဖန်တီးပြီး tool နဲ့ 함께 실행ပါ
agent = provider.as_agent(name="TimeAgent", instructions="Use available tools to answer questions.", tools=get_current_time)
response = await agent.run("What time is it?")

Microsoft Foundry Agent Service

Microsoft Foundry Agent Service သည် Developer များအား အခြေခံကွန်ပျူတာနှင့် သိမ်းဆည်းမှု အရင်းအမြစ်များကို စီမံခန့်ခွဲရန် မလိုအပ်ဘဲ အကောင်းဆုံး၊ သန့်ရှင်းပြီး တိုးချဲ့နိုင်သော AI လူကိုယ်စားလှယ်များကို လုံခြုံစိတ်ချစွာ တည်ဆောက်၊ ဖြန့်ဖြူး၊ တိုးချဲ့နိုင်ရန် ဖန်တီးထားသော နောက်ဆုံးပေါ် Agentic framework ဖြစ်သည်။ အထူးသဖြင့် စီးပွားရေးလုပ်ငန်းများအတွက် အထူးသင့်လျော်ပြီး စီးပွားရေးအဆင့် လုံခြုံရေး လုပ်ဆောင်ချက်များပါရှိသည့် အပြည့်အဝ စီမံခန့်ခွဲထားသည့် ဝန်ဆောင်မှုဖြစ်သည်။

LLM API ဖြင့် တိုက်ရိုက် ဖွံ့ဖြိုးတည်ဆောက်ခြင်းနှင့် နှိုင်းယှဉ်ပါက Microsoft Foundry Agent Service မှ အောက်ပါ အကျိုးကျေးဇူးများ ရရှိစေသည်။

Microsoft Foundry Agent Service တွင် ရရှိနိုင်သော ကိရိယာများကို အောက်ပါ အမျိုးအစားနှစ်ခုအဖြစ် ခွဲခြားနိုင်သည်

  1. ဗဟုသုတ ကိရိယာများ:
  2. လုပ်ငန်းဆောင်တာ ကိရိယာများ:

Agent Service မှ ယင်းကိရိယာများအား toolset အဖြစ် ပေါင်းစည်း အသုံးပြုနိုင်ပြီး threads များတစ်ကြောင်းချင်းစီမှ နောက်ခံ စကားများ သမိုင်းကို ထိန်းသိမ်းစောင့်ရှောက်သည်။

သင်သည် Contoso ဟုခေါ်သော ကုမ္ပဏီတွင် အရောင်းအရောင်း အဖွဲ့ဝင်တစ်ဦးဖြစ်ကြောင်း ထင်မြင်ကြပါစို်တယ်။ သင်သည် မိမိအရောင်းဒေတာအကြောင်း မေးခွန်းများကို ဖြေရှင်းပေးနိုင်သည့် စကားပြော AI လူကိုယ်စားလှယ် တစ်ဦး ဖန်တီးလိုသည်။

အောက်ပါပုံသည် Microsoft Foundry Agent Service အသုံးပြု၍ သင်၏ အရောင်းဒေတာကို သုံးသပ်နိုင်သော နည်းလမ်းကို ဖော်ပြထားသည်။

Agentic Service In Action

အဆိုပါကိရိယာများကို အသုံးပြုရန် client တစ်ခု ဖန်တီးကာ ကိရိယာ သို့မဟုတ် toolset တစ်ခု သတ်မှတ်နိုင်သည်။ အကောင်အထည်ဖော်ရာတွင် Python ကုဒ် အောက်ပါအတိုင်း အသုံးပြုနိုင်သည်။ LLM သည် toolset ကိုကြည့်ပြီး အသုံးပြုသူ၏ တောင်းဆိုချက်အပေါ်မူတည်၍ အသုံးပြုသူဖန်တီးထားသော function fetch_sales_data_using_sqlite_query သို့မဟုတ် တိုးတက်ပြီးသား Code Interpreter ကိုရွေးချယ်သုံးစွဲနိုင်သည်။

import os
from azure.ai.projects import AIProjectClient
from azure.identity import DefaultAzureCredential
from fetch_sales_data_functions import fetch_sales_data_using_sqlite_query # fetch_sales_data_using_sqlite_query ဆိုတဲ့ function ကို fetch_sales_data_functions.py ဖိုင်မှာတွေ့နိုင်ပါတယ်။
from azure.ai.projects.models import ToolSet, FunctionTool, CodeInterpreterTool

project_client = AIProjectClient.from_connection_string(
    credential=DefaultAzureCredential(),
    conn_str=os.environ["PROJECT_CONNECTION_STRING"],
)

# ကိရိယာ စနစ်ကို စတင်ဖွင့်ခြင်း
toolset = ToolSet()

# fetch_sales_data_using_sqlite_query function နဲ့ function calling agent ကို စတင်ဖွင့်ပြီး toolset ထဲမှာ ထည့်ခြင်း
fetch_data_function = FunctionTool(fetch_sales_data_using_sqlite_query)
toolset.add(fetch_data_function)

# Code Interpreter ကိရိယာကို စတင်ဖွင့်ပြီး toolset ထဲမှာ ထည့်ခြင်း။
code_interpreter = CodeInterpreterTool()toolset.add(code_interpreter)

agent = project_client.agents.create_agent(
    model="gpt-4.1-mini", name="my-agent", instructions="You are helpful agent", 
    toolset=toolset
)

ကိရိယာအသုံးပြုမှုဒီဇိုင်းပုံစံဖြင့် ယုံကြည်စိတ်ချရသော AI လူကိုယ်စားလှယ်များ တည်ဆောက်ရာတွင် ထူးခြားစောင့်ရှောက်ရမည့် အချက်များ

LLM များဖြင့် ပါဝင်သည့် SQL ကို Dynamic SQL ဖြစ်ပြီး လုံခြုံရေး အခက်အခဲ များ၊ အထူးသဖြင့် SQL injection သို့မဟုတ် မတရားဆောင်ရွက်မှုများ (ဒေတာဘေ့စ် ဖျက်ပစ်ခြင်း သို့မဟုတ် ဇယားများ ပြင်ဆင်ခြင်း) ဖြစ်စေနိုင်သော အန္တရာယ်များရှိသည်။ ဤများသည် သင့်လျော်သော Database Access ခွင့်ပြုချက်များစီမံခြင်းဖြင့် ထိရောက်စွာ လျော့ပါးစေနိုင်သည်။ ဒေတာဘေ့စ်အားလုံးအတွက်၊ ဘာသာရပ်ကို ဖတ်တိုင်း (Read-only) အဖြစ် သတ်မှတ်ခြင်း လုပ်ဆောင်ရမည် ။ PostgreSQL သို့မဟုတ် Azure SQL ကဲ့သို့သော Database ဝန်ဆောင်မှုများတွင် app ကို Read-only (SELECT) အခန်းကဏ္ဍ သတ်မှတ်ပေးရမည်။

application ကို လုံခြုံသော ပတ်ဝန်းကျင်တွင် ဆောင်ရွက်ခြင်းသည် အကာအကွယ် ပိုမိုကောင်းမွန်စေပါသည်။ စီးပွားရေးလုပ်ငန်းများတွင် ဒေတာကိုလုပ်ငန်းစနစ်များမှ အချက်အလက်ကောက်ယူပြီး သတ်မှတ်ထားသော read-only database သို့မဟုတ် data warehouse သို့ ပေးပို့သည်။ ၎င်းနည်းလမ်းသည် ဒေတာကို လုံခြုံစိတ်ချရစေပြီး စွမ်းဆောင်ရည်နှင့် လက်လီချသည်။ App မှ Read-only ခွင့်ပြုချက် အနည်းငယ်သာ ရှိပါမည်။

ဥပမာကုဒ်များ

ကိရိယာ အသုံးပြုမှု ဒီဇိုင်းပုံစံအကြောင်း မေးခွန်း ပိုများပါသလား?

Microsoft Foundry Discord ကိုအတူတူဝင်ပါ (https://discord.com/invite/ATgtXmAS5D) , သင်ယူသူအခြားသူများနှင့် တွေ့ဆုံ၊ office hours မှတက်ရောက်၍ AI လူကိုယ်စားလှယ် အကြောင်း မေးခွန်းများကို ဖြေဆိုရယူနိုင်ပါသည်။

နောက်ထပ် သတင်းအချက်အလက်များ

ဤအေးဂျင့်အား စမ်းသပ်ခြင်း (ရွေးချယ်စရာ)

သင်ခန်းစာ ၁၆ တွင် အေးဂျင့်များထည့်သွင်းစေသည့်နည်းလမ်းကို သင်ယူပြီးနောက်၊ ဤသင်ခန်းစာ၏ TravelToolAgent (၎င်း၏ကိရိယာများကို ခေါ်ဆိုခြင်းနှင့် ဖြေကြားမှုရှိသည်ကို) ကို tests/lesson-04-smoke-tests.json ဖြင့် စမ်းသပ်နိုင်ပါသည်။ ၎င်းကို မည်သို့ ဆောင်ရွက်ရမည်ကို tests/README.md တွင် ကြည့်ရှုနိုင်ပါသည်။

ယခင်သင်ခန်းစာ

Agentic Design Patterns အသိပညာ

နောက်တစ်ခေါက်သင်ခန်းစာ

Agentic RAG

ပြောကြားချက် ဤစာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု Co-op Translator အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးပမ်းနေသော်လည်း၊ စက်ကိရိယာဘာသာပြန်ခြင်းများတွင် အမှားများ သို့မဟုတ် မှားယွင်းချက်များ ပါဝင်နိုင်ကြောင်း သတိပြုပါရန် လိုအပ်ပါသည်။ မူလစာတမ်းကို မူရင်းဘာသာဖြင့်သာ ယုံကြည်စိတ်ချရသော အချက်အလက်အဖြစ် သတ်မှတ်သင့်သည်။ အရေးကြီးသည့် သတင်းအချက်အလက်များအတွက် ပရော်ဖက်ရှင်နယ် လူသားဘာသာပြန်သူဝန်ဆောင်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်ချက်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုကွာခြားမှုများ သို့မဟုတ် မမှန်ကန်သော အသုံးပြုမှုများအတွက် ကျွန်ုပ်တို့ တာဝန်မခံပါ။

This site is open source. Improve this page.