(माथिको तस्बिरमा क्लिक गरेर यस पाठको भिडियो हेर्नुहोस्)
AI एजेन्ट फ्रेमवर्क्स भनेको सफ्टवेयर प्लेटफर्महरू हुन् जसले AI एजेन्टहरू निर्माण, तैनाथ, र व्यवस्थापनलाई सरल बनाउँछन्। यी फ्रेमवर्कहरूले विकासकर्ताहरूलाई पूर्व-निर्मित कम्पोनेन्टहरू, एब्स्ट्र्याक्सनहरू, र उपकरणहरू प्रदान गर्छन् जसले जटिल AI प्रणालीहरूको विकासलाई सहज बनाउँछ।
यी फ्रेमवर्कहरूले AI एजेन्ट विकासमा सामान्य चुनौतीहरूको लागि मानकीकृत दृष्टिकोण प्रदान गरेर विकासकर्ताहरूलाई उनीहरूको अनुप्रयोगहरूको अद्वितीय पक्षहरूमा ध्यान केन्द्रित गर्न मद्दत गर्छन्। यसले AI प्रणाली निर्माणमा स्केलेबिलिटी, पहुँचयोग्यता, र दक्षता बढाउँछ।
यस पाठले समेट्नेछ:
यस पाठको लक्ष्यहरू तपाईंलाई बुझ्न मद्दत गर्नु हो:
परम्परागत AI फ्रेमवर्कहरूले तपाईंलाई AI लाई तपाईंको अनुप्रयोगहरूमा एकीकृत गर्न मद्दत गर्न सक्छन् र यी अनुप्रयोगहरूलाई निम्न तरिकामा सुधार गर्न सक्छन्:
AI एजेन्ट फ्रेमवर्कहरू केवल AI फ्रेमवर्कहरू भन्दा बढी प्रतिनिधित्व गर्छन्। तिनीहरू बुद्धिमान एजेन्टहरू निर्माण गर्न डिजाइन गरिएका छन् जसले प्रयोगकर्ताहरू, अन्य एजेन्टहरू, र वातावरणसँग अन्तरक्रिया गर्न सक्छन् र विशिष्ट लक्ष्यहरू प्राप्त गर्न सक्छन्। यी एजेन्टहरूले स्वायत्त व्यवहार देखाउन सक्छन्, निर्णय गर्न सक्छन्, र परिवर्तनशील अवस्थाहरूमा अनुकूलन गर्न सक्छन्। अब, AI एजेन्ट फ्रेमवर्कहरूले सक्षम बनाएका केही प्रमुख क्षमताहरू हेरौं:
सारांशमा, एजेन्टहरूले तपाईंलाई थप गर्न, स्वचालनलाई अर्को स्तरमा लैजान, र अधिक बुद्धिमान प्रणालीहरू सिर्जना गर्न अनुमति दिन्छन् जसले वातावरणबाट अनुकूलन र सिक्न सक्छ।
यो एक छिटो परिवर्तन हुने क्षेत्र हो, तर अधिकांश AI एजेन्ट फ्रेमवर्कहरूमा सामान्य केही चीजहरू छन् जसले तपाईंलाई छिटो प्रोटोटाइप बनाउन र दोहोर्याउन मद्दत गर्न सक्छ, जस्तै मोड्युल कम्पोनेन्टहरू, सहयोगात्मक उपकरणहरू, र वास्तविक-समय सिकाइ। अब यी विषयहरूमा गहिरो जानौं:
Microsoft Semantic Kernel र LangChain जस्ता SDKहरूले पूर्व-निर्मित कम्पोनेन्टहरू जस्तै AI कनेक्टरहरू, प्रम्प्ट टेम्प्लेटहरू, र मेमोरी व्यवस्थापन प्रदान गर्छन्।
टोलीहरूले कसरी प्रयोग गर्न सक्छन्: टोलीहरूले यी कम्पोनेन्टहरू छिटो भेला गरेर कार्यात्मक प्रोटोटाइप सिर्जना गर्न सक्छन्, जसले स्क्र्याचबाट सुरु नगरी छिटो प्रयोग र दोहोर्याउन अनुमति दिन्छ।
यसले व्यवहारमा कसरी काम गर्छ: तपाईंले प्रयोगकर्ता इनपुटबाट जानकारी निकाल्न पूर्व-निर्मित पार्सर, डेटा भण्डारण र पुनःप्राप्त गर्न मेमोरी मोड्युल, र प्रयोगकर्तासँग अन्तरक्रिया गर्न प्रम्प्ट जेनेरेटर प्रयोग गर्न सक्नुहुन्छ, यी कम्पोनेन्टहरू स्क्र्याचबाट निर्माण नगरी।
उदाहरण कोड। Semantic Kernel Python र .Net को साथ पूर्व-निर्मित AI कनेक्टर प्रयोग गरेर प्रयोगकर्ता इनपुटमा प्रतिक्रिया दिन मोडेलले स्वतः कार्य कलिंग गर्ने उदाहरणहरू हेरौं:
# Semantic Kernel Python Example
import asyncio
from typing import Annotated
from semantic_kernel.connectors.ai import FunctionChoiceBehavior
from semantic_kernel.connectors.ai.open_ai import AzureChatCompletion, AzureChatPromptExecutionSettings
from semantic_kernel.contents import ChatHistory
from semantic_kernel.functions import kernel_function
from semantic_kernel.kernel import Kernel
# Define a ChatHistory object to hold the conversation's context
chat_history = ChatHistory()
chat_history.add_user_message("I'd like to go to New York on January 1, 2025")
# Define a sample plugin that contains the function to book travel
class BookTravelPlugin:
"""A Sample Book Travel Plugin"""
@kernel_function(name="book_flight", description="Book travel given location and date")
async def book_flight(
self, date: Annotated[str, "The date of travel"], location: Annotated[str, "The location to travel to"]
) -> str:
return f"Travel was booked to {location} on {date}"
# Create the Kernel
kernel = Kernel()
# Add the sample plugin to the Kernel object
kernel.add_plugin(BookTravelPlugin(), plugin_name="book_travel")
# Define the Azure OpenAI AI Connector
chat_service = AzureChatCompletion(
deployment_name="YOUR_DEPLOYMENT_NAME",
api_key="YOUR_API_KEY",
endpoint="https://<your-resource>.azure.openai.com/",
)
# Define the request settings to configure the model with auto-function calling
request_settings = AzureChatPromptExecutionSettings(function_choice_behavior=FunctionChoiceBehavior.Auto())
async def main():
# Make the request to the model for the given chat history and request settings
# The Kernel contains the sample that the model will request to invoke
response = await chat_service.get_chat_message_content(
chat_history=chat_history, settings=request_settings, kernel=kernel
)
assert response is not None
"""
Note: In the auto function calling process, the model determines it can invoke the
`BookTravelPlugin` using the `book_flight` function, supplying the necessary arguments.
For example:
"tool_calls": [
{
"id": "call_abc123",
"type": "function",
"function": {
"name": "BookTravelPlugin-book_flight",
"arguments": "{'location': 'New York', 'date': '2025-01-01'}"
}
}
]
Since the location and date arguments are required (as defined by the kernel function), if the
model lacks either, it will prompt the user to provide them. For instance:
User: Book me a flight to New York.
Model: Sure, I'd love to help you book a flight. Could you please specify the date?
User: I want to travel on January 1, 2025.
Model: Your flight to New York on January 1, 2025, has been successfully booked. Safe travels!
"""
print(f"`{response}`")
# Example AI Model Response: `Your flight to New York on January 1, 2025, has been successfully booked. Safe travels! ✈️🗽`
# Add the model's response to our chat history context
chat_history.add_assistant_message(response.content)
if __name__ == "__main__":
asyncio.run(main())
// Semantic Kernel C# example
using Microsoft.SemanticKernel;
using Microsoft.SemanticKernel.ChatCompletion;
using System.ComponentModel;
using Microsoft.SemanticKernel.Connectors.AzureOpenAI;
ChatHistory chatHistory = [];
chatHistory.AddUserMessage("I'd like to go to New York on January 1, 2025");
var kernelBuilder = Kernel.CreateBuilder();
kernelBuilder.AddAzureOpenAIChatCompletion(
deploymentName: "NAME_OF_YOUR_DEPLOYMENT",
apiKey: "YOUR_API_KEY",
endpoint: "YOUR_AZURE_ENDPOINT"
);
kernelBuilder.Plugins.AddFromType<BookTravelPlugin>("BookTravel");
var kernel = kernelBuilder.Build();
var settings = new AzureOpenAIPromptExecutionSettings()
{
FunctionChoiceBehavior = FunctionChoiceBehavior.Auto()
};
var chatCompletion = kernel.GetRequiredService<IChatCompletionService>();
var response = await chatCompletion.GetChatMessageContentAsync(chatHistory, settings, kernel);
/*
Behind the scenes, the model recognizes the tool to call, what arguments it already has (location) and (date)
{
"tool_calls": [
{
"id": "call_abc123",
"type": "function",
"function": {
"name": "BookTravelPlugin-book_flight",
"arguments": "{'location': 'New York', 'date': '2025-01-01'}"
}
}
]
*/
Console.WriteLine(response.Content);
chatHistory.AddMessage(response!.Role, response!.Content!);
// Example AI Model Response: Your flight to New York on January 1, 2025, has been successfully booked. Safe travels! ✈️🗽
// Define a plugin that contains the function to book travel
public class BookTravelPlugin
{
[KernelFunction("book_flight")]
[Description("Book travel given location and date")]
public async Task<string> BookFlight(DateTime date, string location)
{
return await Task.FromResult( $"Travel was booked to {location} on {date}");
}
}
यस उदाहरणबाट तपाईंले देख्न सक्नुहुन्छ कि कसरी पूर्व-निर्मित पार्सर प्रयोग गरेर प्रयोगकर्ता इनपुटबाट प्रमुख जानकारी निकाल्न सकिन्छ, जस्तै उडान बुकिङ अनुरोधको उत्पत्ति, गन्तव्य, र मिति। यो मोड्युल दृष्टिकोणले तपाईंलाई उच्च-स्तरीय तर्कमा ध्यान केन्द्रित गर्न अनुमति दिन्छ।
CrewAI, Microsoft AutoGen, र Semantic Kernel जस्ता फ्रेमवर्कहरूले धेरै एजेन्टहरू सिर्जना गर्न सुविधा प्रदान गर्छन् जसले एकसाथ काम गर्न सक्छन्।
टोलीहरूले कसरी प्रयोग गर्न सक्छन्: टोलीहरूले विशिष्ट भूमिकाहरू र कार्यहरू भएका एजेन्टहरू डिजाइन गर्न सक्छन्, जसले सहयोगात्मक कार्यप्रवाहहरू परीक्षण र परिष्कृत गर्न सक्षम बनाउँछ र समग्र प्रणाली दक्षता सुधार गर्छ।
यसले व्यवहारमा कसरी काम गर्छ: तपाईंले डेटा पुनःप्राप्ति, विश्लेषण, वा निर्णय-निर्माण जस्ता विशेष कार्यहरू भएका एजेन्टहरूको टोली सिर्जना गर्न सक्नुहुन्छ। यी एजेन्टहरूले जानकारी साझा गर्न र प्रयोगकर्ता प्रश्नको उत्तर दिन वा कार्य पूरा गर्न जस्ता सामान्य लक्ष्य प्राप्त गर्न संवाद गर्न सक्छन्।
उदाहरण कोड (AutoGen):
# creating agents, then create a round robin schedule where they can work together, in this case in order
# Data Retrieval Agent
# Data Analysis Agent
# Decision Making Agent
agent_retrieve = AssistantAgent(
name="dataretrieval",
model_client=model_client,
tools=[retrieve_tool],
system_message="Use tools to solve tasks."
)
agent_analyze = AssistantAgent(
name="dataanalysis",
model_client=model_client,
tools=[analyze_tool],
system_message="Use tools to solve tasks."
)
# conversation ends when user says "APPROVE"
termination = TextMentionTermination("APPROVE")
user_proxy = UserProxyAgent("user_proxy", input_func=input)
team = RoundRobinGroupChat([agent_retrieve, agent_analyze, user_proxy], termination_condition=termination)
stream = team.run_stream(task="Analyze data", max_turns=10)
# Use asyncio.run(...) when running in a script.
await Console(stream)
पछिल्लो कोडमा तपाईंले देख्न सक्नुहुन्छ कि कसरी तपाईंले डेटा विश्लेषण गर्न धेरै एजेन्टहरू समावेश गर्ने कार्य सिर्जना गर्न सक्नुहुन्छ। प्रत्येक एजेन्टले विशिष्ट कार्य गर्दछ, र कार्यलाई समन्वय गरेर इच्छित परिणाम प्राप्त गर्न एजेन्टहरूलाई समन्वय गरेर कार्यान्वयन गरिन्छ। विशेष भूमिकाहरू भएका समर्पित एजेन्टहरू सिर्जना गरेर, तपाईं कार्य दक्षता र प्रदर्शन सुधार गर्न सक्नुहुन्छ।
उन्नत फ्रेमवर्कहरूले वास्तविक-समय सन्दर्भ समझ र अनुकूलनका लागि क्षमताहरू प्रदान गर्छन्।
टोलीहरूले कसरी प्रयोग गर्न सक्छन्: टोलीहरूले प्रतिक्रिया लूपहरू कार्यान्वयन गर्न सक्छन् जहाँ एजेन्टहरूले अन्तरक्रियाबाट सिक्छन् र गतिशील रूपमा आफ्नो व्यवहार समायोजन गर्छन्, जसले क्षमताहरूको निरन्तर सुधार र परिष्कृततामा योगदान पुर्याउँछ।
यसले व्यवहारमा कसरी काम गर्छ: एजेन्टहरूले प्रयोगकर्ता प्रतिक्रिया, वातावरणीय डेटा, र कार्य परिणामहरू विश्लेषण गर्न सक्छन् ताकि उनीहरूको ज्ञान आधार अद्यावधिक गर्न, निर्णय-निर्माण एल्गोरिदम समायोजन गर्न, र समयसँगै प्रदर्शन सुधार गर्न सकून्। यो दोहोरिने सिकाइ प्रक्रियाले एजेन्टहरूलाई परिवर्तनशील अवस्थाहरू र प्रयोगकर्ता प्राथमिकताहरूमा अनुकूलन गर्न सक्षम बनाउँछ, समग्र प्रणाली प्रभावकारिता बढाउँछ।
यी फ्रेमवर्कहरूलाई तुलना गर्ने धेरै तरिकाहरू छन्, तर तिनीहरूको डिजाइन, क्षमताहरू, र लक्षित प्रयोग केसहरूको सन्दर्भमा केही प्रमुख भिन्नताहरू हेरौं:
AutoGen Microsoft Research को AI Frontiers Lab द्वारा विकसित एक ओपन-सोर्स फ्रेमवर्क हो। यसले इभेन्ट-ड्राइभन, वितरित agentic अनुप्रयोगहरूमा ध्यान केन्द्रित गर्दछ, जसले धेरै LLMs र SLMs, उपकरणहरू, र उन्नत बहु-एजेन्ट डिजाइन ढाँचाहरू सक्षम बनाउँछ।
AutoGen एजेन्टहरूको कोर अवधारणामा आधारित छ, जुन स्वायत्त इकाइहरू हुन् जसले आफ्नो वातावरण बुझ्न सक्छन्, निर्णय गर्न सक्छन्, र विशिष्ट लक्ष्यहरू प्राप्त गर्न कार्य गर्न सक्छन्। एजेन्टहरूले एसिंक्रोनस सन्देशहरूको माध्यमबाट संवाद गर्छन्, जसले तिनीहरूलाई स्वतन्त्र रूपमा र समानान्तरमा काम गर्न अनुमति दिन्छ, प्रणाली स्केलेबिलिटी र प्रतिक्रियाशीलता बढाउँछ।
एजेन्टहरू अभिनेता मोडेलमा आधारित छन्। विकिपेडियाका अनुसार, अभिनेता भनेको समानान्तर गणनाको आधारभूत निर्माण खण्ड हो। प्राप्त सन्देशको प्रतिक्रिया स्वरूप, अभिनेता: स्थानीय निर्णय गर्न सक्छ, थप अभिनेता सिर्जना गर्न सक्छ, थप सन्देशहरू पठाउन सक्छ, र प्राप्त हुने अर्को सन्देशको प्रतिक्रिया कसरी दिने निर्धारण गर्न सक्छ।
प्रयोग केसहरू: कोड निर्माण स्वचालित गर्न, डेटा विश्लेषण कार्यहरू, र योजना र अनुसन्धान कार्यहरूको लागि अनुकूलित एजेन्टहरू निर्माण गर्न।
यहाँ AutoGen का केही महत्त्वपूर्ण कोर अवधारणाहरू छन्:
यहाँ एउटा छोटो कोड स्निपेट छ जसमा तपाईंले च्याट क्षमताहरू भएको आफ्नो एजेन्ट सिर्जना गर्न सक्नुहुन्छ:
```python
from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.messages import TextMessage
from autogen_ext.models.openai import OpenAIChatCompletionClient
class MyAgent(RoutedAgent):
def __init__(self, name: str) -> None:
super().__init__(name)
model_client = OpenAIChatCompletionClient(model="gpt-4o")
self._delegate = AssistantAgent(name, model_client=model_client)
@message_handler
async def handle_my_message_type(self, message: MyMessageType, ctx: MessageContext) -> None:
print(f"{self.id.type} received message: {message.content}")
response = await self._delegate.on_messages(
[TextMessage(content=message.content, source="user")], ctx.cancellation_token
)
print(f"{self.id.type} responded: {response.chat_message.content}")
```
पछिल्लो कोडमा, MyAgent
सिर्जना गरिएको छ र RoutedAgent
बाट उत्तराधिकार लिन्छ। यसमा एउटा सन्देश ह्यान्डलर छ जसले सन्देशको सामग्री प्रिन्ट गर्छ र त्यसपछि AssistantAgent
प्रतिनिधि प्रयोग गरेर प्रतिक्रिया पठाउँछ। विशेष रूपमा ध्यान दिनुहोस् कि हामीले self._delegate
लाई AssistantAgent
को एक उदाहरण असाइन गरेका छौं, जुन च्याट कम्प्लिशनहरू ह्यान्डल गर्न सक्ने पूर्व-निर्मित एजेन्ट हो।
अब AutoGen लाई यस एजेन्ट प्रकारको बारेमा जानकारी गराऔं र कार्यक्रम सुरु गरौं:
```python
# main.py
runtime = SingleThreadedAgentRuntime()
await MyAgent.register(runtime, "my_agent", lambda: MyAgent())
runtime.start() # Start processing messages in the background.
await runtime.send_message(MyMessageType("Hello, World!"), AgentId("my_agent", "default"))
```
पछिल्लो कोडमा एजेन्टहरू रनटाइमसँग दर्ता गरिएका छन् र त्यसपछि एजेन्टलाई सन्देश पठाइएको छ जसको परिणामस्वरूप निम्न आउटपुट प्राप्त हुन्छ:
```text
# Output from the console:
my_agent received message: Hello, World!
my_assistant received message: Hello, World!
my_assistant responded: Hello! How can I assist you today?
```
बहु-एजेन्टहरू। AutoGen ले धेरै एजेन्टहरू सिर्जना गर्न समर्थन गर्दछ जसले जटिल कार्यहरू प्राप्त गर्न एकसाथ काम गर्न सक्छ। एजेन्टहरूले संवाद गर्न, जानकारी साझा गर्न, र समस्याहरू अधिक कुशलताका साथ समाधान गर्न आफ्नो कार्यहरू समन्वय गर्न सक्छन्। बहु-एजेन्ट प्रणाली सिर्जना गर्न, तपाईंले डेटा पुनःप्राप्ति, विश्लेषण, निर्णय-निर्माण, र प्रयोगकर्ता अन्तरक्रिया जस्ता विशेष कार्यहरू र भूमिकाहरू भएका विभिन्न प्रकारका एजेन्टहरू परिभाषित गर्न सक्नुहुन्छ। यस्तो सिर्जना कस्तो देखिन्छ भनेर हेरौं ताकि हामी यसलाई बुझ्न सकौं:
editor_description = "Editor for planning and reviewing the content."
# Example of declaring an Agent
editor_agent_type = await EditorAgent.register(
runtime,
editor_topic_type, # Using topic type as the agent type.
lambda: EditorAgent(
description=editor_description,
group_chat_topic_type=group_chat_topic_type,
model_client=OpenAIChatCompletionClient(
model="gpt-4o-2024-08-06",
# api_key="YOUR_API_KEY",
),
),
)
# remaining declarations shortened for brevity
# Group chat
group_chat_manager_type = await GroupChatManager.register(
runtime,
"group_chat_manager",
lambda: GroupChatManager(
participant_topic_types=[writer_topic_type, illustrator_topic_type, editor_topic_type, user_topic_type],
model_client=OpenAIChatCompletionClient(
model="gpt-4o-2024-08-06",
# api_key="YOUR_API_KEY",
),
participant_descriptions=[
writer_description,
illustrator_description,
editor_description,
user_description
],
),
)
पछिल्लो कोडमा हामीसँग GroupChatManager
छ जुन रनटाइमसँग दर्ता गरिएको छ। यो प्रबन्धक विभिन्न प्रकारका एजेन्टहरू, जस्तै लेखकहरू, चित्रकारहरू, सम्पादकहरू, र प्रयोगकर्ताहरू बीचको अन्तरक्रियाहरू समन्वय गर्न जिम्मेवार छ।
स्ट्यान्ड-अलोन रनटाइम। यो एकल-प्रक्रिया अनुप्रयोगहरूको लागि राम्रो विकल्प हो जहाँ सबै एजेन्टहरू एउटै प्रोग्रामिङ भाषामा कार्यान्वित गरिएका छन् र एउटै प्रक्रियामा चल्छन्। यहाँ यसको काम गर्ने तरिकाको चित्रण छ:
स्ट्यान्ड-अलोन रनटाइम
अनुप्रयोग स्ट्याक
एजेन्टहरूले रनटाइमको माध्यमबाट सन्देशहरू मार्फत संवाद गर्छन्, र रनटाइमले एजेन्टहरूको जीवनचक्र व्यवस्थापन गर्छ
वितरित एजेन्ट रनटाइम, बहु-प्रक्रिया अनुप्रयोगहरूको लागि उपयुक्त छ जहाँ एजेन्टहरू विभिन्न प्रोग्रामिङ भाषामा कार्यान्वित गरिएका छन् र विभिन्न मेसिनहरूमा चलिरहेका छन्। यहाँ यसको काम गर्ने तरिकाको चित्रण छ:
Semantic Kernel एक उद्यम-तयार AI Orchestration SDK हो। यसमा AI र मेमोरी कनेक्टरहरू, साथै एक एजेन्ट फ्रेमवर्क समावेश छ।
पहिले केही कोर कम्पोनेन्टहरू कभर गरौं:
SummarizedAzureDocs
मा भण्डारण गरिन्छ। यो धेरै सरल उदाहरण हो, तर तपाईं देख्न सक्नुहुन्छ कि कसरी LLM ले प्रयोग गर्नको लागि जानकारी मेमोरीमा भण्डारण गर्न सकिन्छ।त्यसोभए, Semantic Kernel फ्रेमवर्कको आधारभूत कुरा यही हो। अब Agent Frameworkको बारेमा कुरा गरौं।
Azure AI Agent Service हालसालै Microsoft Ignite 2024 मा प्रस्तुत गरिएको नयाँ सेवा हो। यसले AI एजेन्टहरू विकास र तैनाती गर्न अनुमति दिन्छ, जसले Llama 3, Mistral, र Cohere जस्ता ओपन-सोर्स LLMहरूलाई सिधै कल गर्न सक्ने अधिक लचिलो मोडेलहरू प्रदान गर्दछ।
Azure AI Agent Service ले बलियो उद्यम सुरक्षा संयन्त्रहरू र डेटा भण्डारण विधिहरू प्रदान गर्दछ, जसले यसलाई उद्यम अनुप्रयोगहरूको लागि उपयुक्त बनाउँछ।
यो AutoGen र Semantic Kernel जस्ता बहु-एजेन्ट समन्वय फ्रेमवर्कहरूसँग सजिलै काम गर्दछ।
यो सेवा हाल सार्वजनिक पूर्वावलोकनमा छ र एजेन्ट निर्माणको लागि Python र C# समर्थन गर्दछ।
Semantic Kernel Python प्रयोग गरेर, हामी प्रयोगकर्ता-परिभाषित प्लगइनको साथ Azure AI Agent बनाउन सक्छौं:
import asyncio
from typing import Annotated
from azure.identity.aio import DefaultAzureCredential
from semantic_kernel.agents import AzureAIAgent, AzureAIAgentSettings, AzureAIAgentThread
from semantic_kernel.contents import ChatMessageContent
from semantic_kernel.contents import AuthorRole
from semantic_kernel.functions import kernel_function
# Define a sample plugin for the sample
class MenuPlugin:
"""A sample Menu Plugin used for the concept sample."""
@kernel_function(description="Provides a list of specials from the menu.")
def get_specials(self) -> Annotated[str, "Returns the specials from the menu."]:
return """
Special Soup: Clam Chowder
Special Salad: Cobb Salad
Special Drink: Chai Tea
"""
@kernel_function(description="Provides the price of the requested menu item.")
def get_item_price(
self, menu_item: Annotated[str, "The name of the menu item."]
) -> Annotated[str, "Returns the price of the menu item."]:
return "$9.99"
async def main() -> None:
ai_agent_settings = AzureAIAgentSettings.create()
async with (
DefaultAzureCredential() as creds,
AzureAIAgent.create_client(
credential=creds,
conn_str=ai_agent_settings.project_connection_string.get_secret_value(),
) as client,
):
# Create agent definition
agent_definition = await client.agents.create_agent(
model=ai_agent_settings.model_deployment_name,
name="Host",
instructions="Answer questions about the menu.",
)
# Create the AzureAI Agent using the defined client and agent definition
agent = AzureAIAgent(
client=client,
definition=agent_definition,
plugins=[MenuPlugin()],
)
# Create a thread to hold the conversation
# If no thread is provided, a new thread will be
# created and returned with the initial response
thread: AzureAIAgentThread | None = None
user_inputs = [
"Hello",
"What is the special soup?",
"How much does that cost?",
"Thank you",
]
try:
for user_input in user_inputs:
print(f"# User: '{user_input}'")
# Invoke the agent for the specified thread
response = await agent.get_response(
messages=user_input,
thread_id=thread,
)
print(f"# {response.name}: {response.content}")
thread = response.thread
finally:
await thread.delete() if thread else None
await client.agents.delete_agent(agent.id)
if __name__ == "__main__":
asyncio.run(main())
Azure AI Agent Service का निम्न मुख्य अवधारणाहरू छन्:
एजेन्ट। Azure AI Agent Service Azure AI Foundry सँग एकीकृत हुन्छ। AI Foundry भित्र, AI एजेन्ट “स्मार्ट” माइक्रोसर्भिसको रूपमा कार्य गर्दछ जसले प्रश्नहरूको उत्तर दिन (RAG), कार्यहरू प्रदर्शन गर्न, वा पूर्ण रूपमा वर्कफ्लोहरू स्वचालित गर्न प्रयोग गर्न सकिन्छ। यसले जेनेरेटिभ AI मोडेलहरूको शक्ति र वास्तविक-विश्व डेटा स्रोतहरूसँग पहुँच र अन्तरक्रिया गर्न अनुमति दिने उपकरणहरूको संयोजन गरेर यो हासिल गर्दछ। यहाँ एजेन्टको एक उदाहरण छ:
agent = project_client.agents.create_agent(
model="gpt-4o-mini",
name="my-agent",
instructions="You are helpful agent",
tools=code_interpreter.definitions,
tool_resources=code_interpreter.resources,
)
यस उदाहरणमा, gpt-4o-mini
मोडेल, my-agent
नाम, र निर्देशनहरू You are helpful agent
को साथ एक एजेन्ट सिर्जना गरिएको छ। एजेन्टलाई कोड व्याख्या कार्यहरू प्रदर्शन गर्न उपकरणहरू र स्रोतहरू प्रदान गरिएको छ।
थ्रेड र सन्देशहरू। थ्रेड अर्को महत्त्वपूर्ण अवधारणा हो। यसले एजेन्ट र प्रयोगकर्ताबीचको कुराकानी वा अन्तरक्रियालाई प्रतिनिधित्व गर्दछ। थ्रेडहरू कुराकानीको प्रगति ट्र्याक गर्न, सन्दर्भ जानकारी भण्डारण गर्न, र अन्तरक्रियाको अवस्था व्यवस्थापन गर्न प्रयोग गर्न सकिन्छ। यहाँ थ्रेडको एक उदाहरण छ:
thread = project_client.agents.create_thread()
message = project_client.agents.create_message(
thread_id=thread.id,
role="user",
content="Could you please create a bar chart for the operating profit using the following data and provide the file to me? Company A: $1.2 million, Company B: $2.5 million, Company C: $3.0 million, Company D: $1.8 million",
)
# Ask the agent to perform work on the thread
run = project_client.agents.create_and_process_run(thread_id=thread.id, agent_id=agent.id)
# Fetch and log all messages to see the agent's response
messages = project_client.agents.list_messages(thread_id=thread.id)
print(f"Messages: {messages}")
अघिल्लो कोडमा, एक थ्रेड सिर्जना गरिएको छ। त्यसपछि, थ्रेडमा सन्देश पठाइन्छ। create_and_process_run
कल गरेर, एजेन्टलाई थ्रेडमा काम गर्न सोधिएको छ। अन्ततः, सन्देशहरू फेच गरिन्छ र एजेन्टको प्रतिक्रिया हेर्न लग गरिएको छ। सन्देशहरूले प्रयोगकर्ता र एजेन्ट बीचको कुराकानीको प्रगति संकेत गर्दछ। यो पनि महत्त्वपूर्ण छ कि सन्देशहरू विभिन्न प्रकारका हुन सक्छन् जस्तै पाठ, छवि, वा फाइल, जुन एजेन्टको कामले उदाहरणका लागि छवि वा पाठ प्रतिक्रिया उत्पन्न गरेको छ। एक विकासकर्ताको रूपमा, तपाईंले यो जानकारीलाई थप प्रक्रिया गर्न वा प्रयोगकर्तालाई प्रस्तुत गर्न प्रयोग गर्न सक्नुहुन्छ।
अन्य AI फ्रेमवर्कहरूसँग एकीकृत हुन्छ। Azure AI Agent Service अन्य फ्रेमवर्कहरू जस्तै AutoGen र Semantic Kernel सँग अन्तरक्रिया गर्न सक्छ, जसको अर्थ तपाईं आफ्नो एपको केही भाग यी फ्रेमवर्कहरूमा निर्माण गर्न सक्नुहुन्छ र उदाहरणका लागि Agent Service लाई एक समन्वयकर्ता रूपमा प्रयोग गर्न सक्नुहुन्छ वा तपाईं सबै कुरा Agent Service मा निर्माण गर्न सक्नुहुन्छ।
प्रयोगका केसहरू: Azure AI Agent Service सुरक्षित, स्केलेबल, र लचिलो AI एजेन्ट तैनाती आवश्यक पर्ने उद्यम अनुप्रयोगहरूको लागि डिजाइन गरिएको हो।
यो सुन्दा धेरै ओभरलैप जस्तो लाग्छ, तर तिनीहरूको डिजाइन, क्षमता, र लक्षित प्रयोगका केसहरूको सन्दर्भमा केही प्रमुख भिन्नताहरू छन्:
अझै पनि कुन छनौट गर्ने निश्चित छैन?
आउनुहोस् केही सामान्य प्रयोगका केसहरू मार्फत तपाईंलाई मद्दत गर्ने प्रयास गरौं:
प्रश्न: म प्रयोग गर्दैछु, सिक्दैछु र प्रमाण-अवधारणा एजेन्ट अनुप्रयोगहरू निर्माण गर्दैछु, र म छिटो निर्माण र प्रयोग गर्न सक्षम हुन चाहन्छु।
उत्तर: AutoGen यस परिदृश्यको लागि राम्रो विकल्प हुनेछ, किनकि यो घटनाचालित, वितरित एजेन्टिक अनुप्रयोगहरूमा केन्द्रित छ र उन्नत बहु-एजेन्ट डिजाइन ढाँचाहरूलाई समर्थन गर्दछ।
प्रश्न: AutoGen ले Semantic Kernel र Azure AI Agent Service भन्दा यो प्रयोगका केसको लागि राम्रो विकल्प किन बनाउँछ?
उत्तर: AutoGen विशेष रूपमा घटनाचालित, वितरित एजेन्टिक अनुप्रयोगहरूको लागि डिजाइन गरिएको हो, जसले कोड जेनेरेशन र डेटा विश्लेषण कार्यहरू स्वचालित गर्न उपयुक्त बनाउँछ। यसले जटिल बहु-एजेन्ट प्रणालीहरू कुशलतापूर्वक निर्माण गर्न आवश्यक उपकरणहरू र क्षमताहरू प्रदान गर्दछ।
प्रश्न: Azure AI Agent Service पनि यहाँ काम गर्न सक्छ जस्तो लाग्छ, यसमा कोड जेनेरेशन र अन्य उपकरणहरू छन्?
उत्तर: हो, Azure AI Agent Service एजेन्टहरूको लागि प्लेटफर्म सेवा हो र बहु मोडेलहरू, Azure AI Search, Bing Search र Azure Functions को लागि निर्मित क्षमताहरू थप गर्दछ। यसले तपाईंलाई Foundry Portal मा सजिलै एजेन्टहरू निर्माण गर्न र तिनीहरूलाई स्केलमा तैनाती गर्न अनुमति दिन्छ।
प्रश्न: म अझै पनि अलमलमा छु, मलाई एउटा विकल्प मात्र दिनुहोस्।
उत्तर: एउटा राम्रो विकल्प Semantic Kernel मा आफ्नो एप्लिकेशन निर्माण गर्नु हो र त्यसपछि Azure AI Agent Service प्रयोग गरेर आफ्नो एजेन्ट तैनाती गर्नु। यस दृष्टिकोणले तपाईंलाई आफ्नो एजेन्टहरू सजिलै स्थायी बनाउन अनुमति दिन्छ जबकि Semantic Kernel मा बहु-एजेन्ट प्रणालीहरू निर्माणको शक्ति प्रयोग गर्दै। थप रूपमा, Semantic Kernel मा AutoGen मा कनेक्टर छ, जसले यी फ्रेमवर्कहरूलाई सँगै प्रयोग गर्न सजिलो बनाउँछ।
आउनुहोस् मुख्य भिन्नताहरूलाई तालिकामा संक्षेप गरौं:
फ्रेमवर्क | केन्द्रबिन्दु | मुख्य अवधारणाहरू | प्रयोगका केसहरू |
---|---|---|---|
AutoGen | घटनाचालित, वितरित एजेन्टिक अनुप्रयोगहरू | एजेन्टहरू, व्यक्तित्वहरू, कार्यहरू, डेटा | कोड जेनेरेशन, डेटा विश्लेषण कार्यहरू |
Semantic Kernel | मानव-जस्तो पाठ सामग्री बुझ्ने र उत्पन्न गर्ने | एजेन्टहरू, मोड्युलर कम्पोनेन्टहरू, सहकार्य | प्राकृतिक भाषा बुझाइ, सामग्री उत्पन्न |
Azure AI Agent Service | लचिलो मोडेलहरू, उद्यम सुरक्षा, कोड जेनेरेशन, उपकरण कलिंग | मोड्युलरिटी, सहकार्य, प्रक्रिया समन्वय | सुरक्षित, स्केलेबल, र लचिलो AI एजेन्ट तैनाती |
प्रत्येक फ्रेमवर्कको आदर्श प्रयोगका केस के हो?
उत्तर हो, तपाईं आफ्नो विद्यमान Azure इकोसिस्टम उपकरणहरू सिधै Azure AI Agent Service सँग एकीकृत गर्न सक्नुहुन्छ, विशेष गरी किनभने यसलाई अन्य Azure सेवाहरूको साथ सहज रूपमा काम गर्न निर्माण गरिएको छ। उदाहरणका लागि, तपाईं Bing, Azure AI Search, र Azure Functions एकीकृत गर्न सक्नुहुन्छ। Azure AI Foundry सँग पनि गहिरो एकीकरण छ।
AutoGen र Semantic Kernel को लागि, तपाईं Azure सेवाहरू सँग पनि एकीकृत गर्न सक्नुहुन्छ, तर यसले तपाईंलाई आफ्नो कोडबाट Azure सेवाहरू कल गर्न आवश्यक हुन सक्छ। अर्को एकीकरण गर्ने तरिका भनेको Azure SDKs प्रयोग गरेर एजेन्टहरूबाट Azure सेवाहरूको साथ अन्तरक्रिया गर्नु हो। थप रूपमा, जस्तै उल्लेख गरिएको थियो, तपाईं AutoGen वा Semantic Kernel मा निर्माण गरिएको एजेन्टहरूको लागि समन्वयकर्ता रूपमा Azure AI Agent Service प्रयोग गर्न सक्नुहुन्छ, जसले Azure इकोसिस्टममा सजिलो पहुँच प्रदान गर्दछ।
Azure AI Foundry Discord मा सामेल हुनुहोस् अन्य सिक्नेहरू भेट्न, कार्यालय समयमा भाग लिन र आफ्नो AI एजेन्टहरूको प्रश्नहरूको उत्तर पाउन।
AI एजेन्टहरू र एजेन्ट प्रयोगका केसहरूको परिचय
एजेन्टिक डिजाइन ढाँचाहरू बुझ्दै
अस्वीकरण:
यो दस्तावेज़ AI अनुवाद सेवा Co-op Translator प्रयोग गरेर अनुवाद गरिएको हो। हामी यथार्थताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। मूल दस्तावेज़ यसको मातृभाषामा आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।