ai-agents-for-beginners

ကောင်းမွန်သော AI စက်ကိရိယာများကို ဒီဇိုင်းဆွဲနည်း

(ဤသင်ခန်းစာ၏ ဗီဒီယိုကို ကြည့်ရန် အပေါ်ဖော်ပြပါ ပုံကို နှိပ်ပါ)

စက်ကိရိယာအသုံးပြုမှု ဒီဇိုင်းပုံစံ

စက်ကိရိယာများသည် AI စက်ကိရိယာများအတွက် စွမ်းရည်များအကွာအဝေး ပိုမိုကျယ်ပြန့်စေရန် ကိရိယာများကို အသုံးပြုခွင့် ရရှိစေသဖြင့် စိတ်ဝင်စားဖွယ်ဖြစ်သည်။ စက်ကိရိယာတစ်ခုတွင် လုပ်ဆောင်နိုင်သည့် လက်ရှိ အမူအရာအစုတစ်ခုအတိုင်း ကန့်သတ်ခြင်းမရှိဘဲ၊ စက်ကိရိယာအသစ်တစ်ခုထည့်ခြင်းဖြင့် စက်ကိရိယာသည် ကျယ်ပြန့်သော လုပ်ဆောင်ချက်များ ဝိုင်းအောင်လုပ်ဆောင်နိုင်ပါသည်။ ဤအခန်းတွင်၊ AI စက်ကိရိယာများသည် လိုအပ်သည့်ရည်ရွယ်ချက်များကို ရရှိစေရန် သတ်မှတ်ထားသော စက်ကိရိယာများကို မည်သို့သုံးနိုင်သည်ကို ဖော်ပြသည့် စက်ကိရိယာ အသုံးပြုမှု ဒီဇိုင်းပုံစံကို လေ့လာပါမည်။

နိဒါန်း

ဤသင်ခန်းစာတွင် ကျွန်ုပ်တို့အောက်ပါမေးခွန်းများကို ဖြေကြားရန် ရည်ရွယ်ထားပါသည်။

သင်ယူရမည့် ရည်မှန်းချက်များ

ဤသင်ခန်းစာပြီးဆုံးပါက၊ သင်သည် အောက်ပါအရာများကို လုပ်နိုင်ပါမည်။

စက်ကိရိယာ အသုံးပြုမှု ဒီဇိုင်းပုံစံ ဆိုတာဘာလဲ?

စက်ကိရိယာ အသုံးပြုမှု ဒီဇိုင်းပုံစံ သည် LLM များကို သတ်မှတ်ထားသော ရည်ရွယ်ချက်များ သို့ ရောက်ရှိရန် ပြင်ပ စက်ကိရိယာများနှင့် အပြန်အလှန်ဆက်သွယ်နိုင်စေခြင်းအပေါ် အာရုံစိုက်ပါသည်။ စက်ကိရိယာများသည် မည်သူ့အားဖြင့်မဆို လုပ်ဆောင်ချက်များကို အသုံးပြုရန် ဂျပ်ပလက်လုပ်ရသော ကုဒ်အပိုင်းဖြစ်သည်။ စက်ကိရိယာတစ်ခုသည် ကိန်းဂဏန်းတွက်စက် (calculator) ကဲ့သို့သော ရိုးရှင်းသောအလုပ်လုပ္ဆောင်ချက်တစ်ခုဖြစ်နိုင်သလို၊ မှတ်တမ်းစစ်ဆေးခြင်း (stock price lookup) သို့မဟုတ် ရာသီဥတုခန့်မှန်းခြင်းကြောင့် တတိယပါတီဝန်ဆောင်မှု API ဖုန်းခေါ်ဆိုမှုလည်း ဖြစ်နိုင်ပါသည်။ AI စက်ကိရိယာ၏အခြေအနေနှင့်ပတ်သက်၍ စက်ကိရိယာများသည် မော်ဒယ်မှ ထုတ်လုပ်သော အလုပ်ဖုန်းခေါ်ဆိုမှုများအဖြစ် တုံ့ပြန်ပုံစံဖြင့် လုပ်ဆောင်သည့်အခါ အကောင်အထည်ဖော်ရန် ရည်ရွယ်ထားသည်။

၎င်းကို အသုံးပြုနိုင်သော ကိစ္စရပ်များ有哪些？

AI စက်ကိရိယာများသည် စဉ်ဆက်မပြတ် တာဝန်များကို ပြီးမြောက်စေရန်၊ သတင်းအချက်အလက် ရယူရန် သို့မဟုတ် ဆုံးဖြတ်ချက်များချရန် စက်ကိရိယာများကို အသုံးပြုနိုင်သည်။ စက်ကိရိယာ အသုံးပြုမှု ဒီဇိုင်းပုံစံကို အပြင်ဘက် စနစ်များ၊ ဥပမာ့အားဖြင့် ဒေတာဘေ့စ်များ၊ ဝဘ်ဝန်ဆောင်မှုများ သို့မဟုတ် ကုဒ် သေတ္တာများနှင့် တက်ကြွစွာ ဆက်သွယ်ဖလှယ်မှုလိုအပ်သည့် နေရာများတွင် မကြာခဏ အသုံးပြုသည်။ ဤစွမ်းအားသည် အောက်ပါအတွက် အထူးအသုံးဝင်သည်။

စက်ကိရိယာ အသုံးပြုမှု ဒီဇိုင်းပုံစံကို တပ်ဆင်ရန် လိုအပ်သော အစိတ်အပိုင်းများ/တည်ဆောက်ရာကွက်များ有哪些？

ဤတည်ဆောက်ရာကွက်များက AI စက်ကိရိယာအား သတ္တိပြည့်ဝသော တာဝန်များ ကျေရာကာ ဆောင်ရွက်ရန် ခွင့်ပြုသည်။ စက်ကိရိယာ အသုံးပြုမှု ဒီဇိုင်းပုံစံ တပ်ဆင်ရာတွင် လိုအပ်သည့် အဓိက အစိတ်အပိုင်းများကို ကြည့်ကြမယ်။

နောက်ပိုင်းတွင် Function/Tool ခေါ်ဆိုမှုကို အသေးစိတ် ကြည့်ကြရအောင်။

Function/Tool ခေါ်ဆိုခြင်း

Function ခေါ်ဆိုခြင်းသည် LLM များအား စက်ကိရိယာများနှင့် မည်သို့ ဆက်သွယ်ရန် အဓိက လမ်းကြောင်းဖြစ်သည်။ “Function” နှင့် “Tool” ဆိုသော စကားလုံးများကို နီးစပ်သော အနက်များဖြင့် သုံးကြသည်၊ ဒါဟာ “function” များ (ပြန်ပြီးအသုံးပြုနိုင်သော ကုဒ်အစိတ်အပိုင်းများ) သည် စက်ကိရိယာများ စီမံကိန်းများကို ဆောင်ရွက်ရန် အသုံးပြုသည့် “tool” များဖြစ်သည့်အတွက်ဖြစ်သည်။ function ကို ခေါ်ယူရန်အတွက် LLM သည် အသုံးပြုသူ၏ တောင်းဆိုမှုကို function ဖော်ပြချက်နှင့် နှိုင်းယှဉ်ရမည်။ ၎င်းအတွက် အသုံးပြုနိုင်သော function များအားလုံး၏ ဖော်ပြချက်ပါရှိသည့် schema ကို LLM သို့ ပေးပို့သည်။ LLM သည် တာဝန်အတွက် အကောင်းဆုံး function ကို ရွေးချယ်ပြီး၊ function အမည်နှင့် arguments များကို ပြန်ပေးပို့သည်။ ရွေးချယ်ထားသော function ကို ခေါ်ယူပြီး၊ ၎င်း၏ တုံ့ပြန်ချက်ကို LLM သို့ ပြန်ပေးပို့ပြီး အသုံးပြုသူ၏ တောင်းဆိုချက်ကို ဖြေဆိုရန် အသုံးပြုသည်။

ဖွံ့ဖြိုးရေးသူများအတွက် agent များအတွက် function calling ကို တပ်ဆင်ရန်လိုအပ်ချက်များမှာ-

  1. function calling ကို ထောက်ပံ့သည့် LLM မော်ဒယ်တစ်ခု
  2. function ဖော်ပြချက်ပါရှိသည့် schema
  3. ဖော်ပြထားသည့် function အတွက် ကုဒ်

မြို့တစ်မြို့၏ လက်ရှိ အချိန်ကို ရယူရန် ဥပမာတစ်ခုကို အသုံးပြုပြီး ဖေါ်ပြပါမည်။

  1. function calling ကို ထောက်ပံ့သည့် LLM ကို စတင်လုပ်ဆောင်ခြင်း:

    မော်ဒယ်အားလုံးက function calling ကို ထောက်ပံ့မထားနိုင်ပါ၊ ထိုကြောင့် သင်အသုံးပြုမည့် LLM သည် သက်ဆိုင်ရာ ဖြစ်ကြောင်း စစ်ဆေးရန် အရေးကြီးသည်။ Azure OpenAI သည် function calling ကို ထောက်ပံ့သည်။ ကျွန်ုပ်တို့သည် Azure OpenAI Responses API (တည်ငြိမ်သော /openai/v1/ endpoint — api_version မလိုအပ်ပါ) အပေါ် OpenAI client ကို စတင်အဖြစ် သတ်မှတ်နိုင်သည်။

     # Azure OpenAI (Responses API, v1 endpoint) အတွက် OpenAI client ကို စတင်ဆောင်ရွက်ပါ။
 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 တည်ဆောက်ခြင်း:

    function အမည်၊ function ၏ လုပ်ဆောင်ချက် အကြောင်းအရာဖော်ပြချက်နှင့် function ပါရာမီတာများ၏ အမည်နှင့် ဖော်ပြချက်တို့ ပါဝင်သည့် JSON schema ကို သတ်မှတ်မည်။ ထို့နောက် ဤ schema နှင့် အသုံးပြုသူ၏ တောင်းဆိုမှုကို (San Francisco ၏ အချိန်ရှာဖွေရန်) ယခင်စပံကိုပေးအပ်သော client ထံ သယ်ဆောင်ပေးမည်။ အရေးကြီးသောအချက်မှာ tool call သာ ပြန်လည်ရရှိမည်တစ်ပြင်၊ မေးခွန်းအတွက် နောက်ဆုံးဖြေကြားချက် မဟုတ်ပါ။ ယခင်သရုပ်ပြအတိုင်း LLM မှ တာဝန်အတွက် ရွေးချယ်ထားသော function အမည်နှင့် ထည့်သွင်းမည့် arguments များ ကို ပြန်ပေးပို့ပါသည်။

     # မော်ဒယ်အတွက် ဖတ်ရှုရန်အတွက် ဖန်တီးချက်ဖော်ပြချက် (Responses API flat tool ပုံစံ)
 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"],
         },
     }
 ]

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

 # ပထမဆုံး API ခေါ်ဆိုမှု: မော်ဒယ်အား ဖန်ရှင်ကိုအသုံးပြုရန် မေးမြန်းပါ
 response = client.responses.create(
     model=deployment_name,
     input=messages,
     tools=tools,
     tool_choice="auto",
     store=False,
 )

 # Responses API သည် tool calls များကို function_call အိုင်တမ်အဖြစ် response.output တွင် ပြန်လည်ပေးပါသည်။
 # ဒါကို စကားပြောမှုတွင် ထည့်သွင်းပြီး မော်ဒယ်အား နောက်ထပ်အကြိမ်တွင် ပြည့်စုံသော အကြောင်းအရာရှိအောင် ပြုလုပ်ပါ။
 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. တာဝန်ဆောင်ရန် function ကုဒ်

    LLM က ရွေးချယ်ထားသော function ကို လုပ်ဆောင်ရန် လိုအပ်သောကုဒ်ကို စီစဉ် ဆောင်ရွက်ရမည်။ Python ကို အသုံးပြု၍ လက်ရှိ အချိန်ကို ရယူရန် ကုဒ်ရေးသားနိုင်သည်။ နောက်ဆုံးရလဒ်ကို ရရှိရန် response_message မှ function အမည်နှင့် arguments များ ကို ထုတ်ယူထုတ်ယူရေးသားရမည်။

       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"})

     # ဖန်ဆင်းမှုကို 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")
             )

             # တူလ်ရလဒ်ကို function_call_output အဖြစ် အပြန်အလှန်ပြန်ပေးပါ
             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 နောက်ဆုံးဖြေကြားချက်ကို ယူပါ
 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 အများဆုံး၊ မဟုတ်ပါက အားလုံး AI agent tool use design ၏ အကြောင်းအရာ အလယ်ဗဟိုတွင် ရှိသည့် အချက်ဖြစ်ပြီး တည်ထောင်ရာတွင် စတင်ကနေ တည်ဆောက်ရန် ခက်ခဲမှု ရှိနိုင်သည်။ Lesson 2 တွင် သင်ယူခဲ့သလို agentic framework များက tool use တပ်ဆင်ရန် အဆောက်အအုံ အစိတ်အပိုင်းများကို အရင်မှ တည်ဆောက်ထား ဖြည့်စွက်ပေးသည်။

Agentic Framework များဖြင့် စက်ကိရိယာအသုံးပြုမှု ဥပမာများ

ဧရိယာအသုံးပြုမှု ဒီဇိုင်းပုံစံကို မတူညီသော agentic framework များ အသုံးပြု၍ မည်သို့ တပ်ဆင်နိုင်ကြောင်း ဥပမာများအဖြစ် မှတ်သားတင်ပြပါသည်။

Microsoft Agent Framework

Microsoft Agent Framework သည် AI စက်ကိရိယာများ ဆောက်လုပ်ရန် အတွက် လွယ်ကူစေသည့် open-source AI framework ဖြစ်သည်။ function calling ကို ကန့်သတ်ထားသည့် Python function များအဖြစ်သတ်မှတ်ရာတွင် @tool decorator အသုံးပြု၍ ကိရိယာများအဖြစ် သတ်မှတ်နိုင်သည်။ ဤ framework သည် မော်ဒယ်နှင့် သင့်ကုဒ်အကြား သုံးသပ်မှုများကို စီမံခန့်ခွဲပေးသည်။ ဖိုင်ရှာဖွေမှုနှင့် ကုဒ်ဖော်ပြမှု ကိရိယာများကို FoundryChatClient မှတစ်ဆင့် ရရှိနိုင်သည်။

အောက်ဖော်ပြပါ ပုံထဲတွင် Microsoft Agent Framework မှ function calling လုပ်ငန်းစဉ် ကို ဖော်ပြထားသည်။

function calling

Microsoft Agent Framework တွင် ကိရိယာအဖြစ် decorated functions များ သတ်မှတ်သည်။ ယခင်တွင် မြင်ခဲ့သော get_current_time function ကို @tool decorator ဖြင့် ကိရိယာတစ်ခုအဖြစ် ပြောင်းလဲနိုင်သည်။ framework သည် function နှင့် ပါရာမီတာများကို အလိုအလျောက် စိမ့်ထုတ်ပြီး LLM သို့ ပို့ရန် schema ကို ဖန်တီးပေးမည် ဖြစ်သည်။

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

# agent ကိုဖန်တီးပြီး tool နှင့်အတူ run ပါ
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 ဖွံ့ဖြိုးရေးသူများအား အခြေခံကွန်ပျူတာနှင့် သိုလှောင်မှုပစ္စည်းများ စီမံအုပ်ချုပ်ခြင်းမလိုဘဲ အရည်အသွေးမြင့်၊ တိုးချဲ့နိုင်သော AI စက်ကိရိယာများကို လုံခြုံသေချာစွာ ဆောက်လုပ်၊ တပ်ဆင်၊ အတိုင်းအတာချ၍ လုပ်ဆောင်နိုင်ရန် ရည်ရွယ်ထားသည့် နောက်ဆုံးပေါ် agentic framework ဖြစ်သည်။ ၎င်းသည် အထူးသဖြင့် ကုမ္ပဏီဆိုင်ရာ အသုံးပြုမှုများတွင် အထူးအသုံးဝင်သည်၊ အကြောင်းမှာ စီမံခန့်ခွဲမှု အနည်းငယ်ဖြင့် လုံးဝစောင့်ရှောက်ခြင်း ဝန်ဆောင်မှုဖြစ်ပြီး ကုမ္ပဏီ အဆင့် လုံခြုံရေး ချုပ်ကိုင်မှု ပါရှိသည်။

LLM API ကို တိုက်ရိုက် အသုံးပြု၍ တိုးတက်အောင် ပြုလုပ်ခြင်းနှင့် နှိုင်းယှဉ်လျှင် Microsoft Foundry Agent Service သည် အောက်ပါအားသာချက်များကို ပေးဆောင်သည်-

Microsoft Foundry Agent Service တွင် ရနိုင်သည့် tool များကို နှစ်မျိုးခွဲထားနိုင်သည်-

  1. သတင်းအချက်အလက် ကိရိယာများ:
  2. လုပ်ဆောင်မှု ကိရိယာများ:

Agent Service သည် ဤကိရိယာများကို toolset အဖြစ် အသုံးပြုနိုင်စေရန် အစီအစဉ် တည်ဆောက်ပေးပြီး၊ စကားပြောဆိုမှုမှ သတင်းစဉ်များ ပုံမှန် လိုက်လံစစ်ဆေးသည့် threads ကိုလည်း အသုံးပြုသည်။

သင်သည် Contoso ဟုခေါ်သော ကုမ္ပဏီတွင် လူမှုဆက်သွယ်ရေး ရောင်းအား အရာရှိတစ်ဦးဖြစ်ကြောင်း စဉ်းစားပါ။ သင့်ရောင်းအား ဒေတာဆိုင်ရာ မေးခွန်းများကို ဖြေဆိုနိုင်သော စကားပြော AI စက်ကိရိယာတစ်ခု ဖန်တီးလိုပါသည်။

အောက်ပါပုံသည် Microsoft Foundry Agent Service ကို အသုံးပြုပြီး သင့်ရောင်းအား ဒေတာကို ခွဲခြမ်းစိတ်ဖြာနည်းကို ဖော်ပြသည်။

Agentic Service In Action

ဤဝန်ဆောင်မှုနှင့် ကိရိယာများကို အသုံးပြုရန် client တစ်ခု ဖန်တီးပြီး tool သို့မဟုတ် toolset တစ်ခု သတ်မှတ်နိုင်သည်။ လက်တွေ့ အသုံးပြုရန်အတွက် အောက်ပါ Python ကုဒ်ကို ရေးသားနိုင်သည်။ LLM သည် toolset ကို ကြည့်ပြီး ချမှတ်ထားသော user function fetch_sales_data_using_sqlite_query သို့မဟုတ် တပ်ဆင်ပြီးသား Code Interpreter ကို မေးမြန်းချက်များအပေါ် မူတည်၍ ရွေးချယ် အသုံးပြုနိုင်မည်။

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 ဖန်ကွန်းကို fetch_sales_data_functions.py ဖိုင်ထဲမှာတွေ့နိုင်ပါတယ်။
from azure.ai.projects.models import ToolSet, FunctionTool, CodeInterpreterTool

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

# အကိရိယာစုံကို စတင်ပြင်ဆင်သည်
toolset = ToolSet()

# fetch_sales_data_using_sqlite_query ဖန်ကွန်းနှင့် function calling agent ကို စတင်ပြင်ဆင်ပြီး အကိရိယာစုံထဲသို့ ထည့်သည်
fetch_data_function = FunctionTool(fetch_sales_data_using_sqlite_query)
toolset.add(fetch_data_function)

# Code Interpreter ကိရိယာကို စတင်ပြင်ဆင်ပြီး အကိရိယာစုံထဲသို့ ထည့်သည်။
code_interpreter = CodeInterpreterTool()toolset.add(code_interpreter)

agent = project_client.agents.create_agent(
    model="gpt-5-mini", name="my-agent", instructions="You are helpful agent", 
    toolset=toolset
)

ယုံကြည်စိတ်ချရသော AI စက်ကိရိယာ တည်ဆောက်ရာတွင် စက်ကိရိယာ အသုံးပြုမှု ဒီဇိုင်းပုံစံကို အသုံးပြုရာတွင် အထူး သတိပြုရမည့် အချက်များ有哪些？

LLM များမှ အလိုအလျောက်ဖန်တီးသော SQL အတွက် ထိန်းသိမ်းမှုနှင့် လုံခြုံရေး ကိစ္စများမှာ အထူးသဖြင့် SQL injection သို့မဟုတ် ဒေတာဘေ့စ်အား ခြိမ်းခြောက်မှု (ငှက်ဖောက်ခြင်း) ကဲ့သို့သော မကောင်းသော လုပ်ရပ်များ ဖြစ်နိုင်ခြင်း ဖြစ်သည်။ ဤစိုးရိမ်ချက်များကို database access permission များကို မှန်ကန်စွာ တပ်ဆင်ခြင်းဖြင့် ထိရောက်စွာ ကာကွယ်နိုင်သည်။ ဒေတာဘေ့စ်များ၏ အများအားဖြင့် read-only အဖြစ် ခွင့်ပြုရေးဆွဲခြင်းဖြင့် ထိန်းသိမ်းရန် လိုအပ်သည်။ PostgreSQL သို့မဟုတ် Azure SQL ကဲ့သို့သော database ဝန်ဆောင်မှုများအတွက် app သည် read-only (SELECT) အခန်းကဏ္ဍ သတ်မှတ်ခြင်း ဖြစ်သည်။

app ကို လုံခြုံသော ပတ်ဝန်းကျင်တွင် လည်ပတ်ခြင်းသည် ထောက်ခံမှုကို နောက်ထပ် အားဖြည့်ပေးသည်။ စက်မှုလုပ်ငန်း အသုံးပြုမှုအတွက် ဒေတာသည် ပုံမှန်အားဖြင့် ပြုလုပ်ဆောင်ရွက်မှုစနစ်များမှ ယူသိမ်း၍ read-only database သို့မဟုတ် data warehouse သို့ လွှဲပြောင်းပြီး အသုံးပြုသူ သဘောကျသော schema ဖြင့် တည်ဆောက်ထားသည်။ ဤနည်းလမ်းသည် ဒေတာလုံခြုံမှု၊ စွမ်းဆောင်ရည်နှင့် လွယ်ကူနေထိုင်မှုများကို အာမခံပေးခြင်း နှင့် app အတွက် မှန်ကန်သည့် read-only access လည်း ရရှိစေသည်။

နမူနာကုဒ်များ

စက်ကိရိယာ အသုံးပြုမှု ဒီဇိုင်းပုံစံများအကြောင်း မေးခွန်းများ ရှိပါသလား?

Microsoft Foundry Discord တွင် ပါဝင်ပြီး အခြား သင်ယူသူများနှင့် တွေ့ဆုံကာ office hours တွင် ပါဝင်ပြီး AI Agents သက်ဆိုင်သော မေးခွန်းများကို ဖြေရှင်းနိုင်ပါသည်။

ထပ်ဆောင်း အရင်းအမြစ်များ

ဒီအေဂျင့်ကို Smoke-Test လုပ်ခြင်း (Optional)

Lesson 16 မှာ အေဂျင့်တွေကို deploy လုပ်ရတာသင်ပြီးပြီဆိုရင်၊ ဒီသင်ခန်းစာရဲ့ TravelToolAgent ကို tests/lesson-04-smoke-tests.json နဲ့ smoke-test လုပ်နိုင်ပါတယ် (သေချာရေအောင့် ဒီအေဂျင့်က tools တွေကို ခေါ်တာနဲ့ ဖြေဆိုတာ အဆင်ပြေသေးလား?)။ သင် run နည်းကို tests/README.md မှာကြည့်ပါ။

ယခင်သင်ခန်းစာ

Agentic Design Patterns ကိုနားလည်ခြင်း

နောက်ကြောင်းသင်ခန်းစာ

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.