ai-agents-for-beginners
(Klik op de afbeelding hierboven om de video van deze les te bekijken)
Planning Design
Introductie
Deze les behandelt
- Het definiëren van een duidelijk overkoepelend doel en het opdelen van een complexe taak in beheersbare taken.
- Het benutten van gestructureerde output voor betrouwbaardere en machine-leesbare antwoorden.
- Het toepassen van een event-driven aanpak om dynamische taken en onverwachte inputs te beheren.
Leerdoelen
Na het voltooien van deze les begrijp je:
- Hoe je een overkoepelend doel voor een AI-agent identificeert en stelt, zodat deze precies weet wat bereikt moet worden.
- Hoe je een complexe taak opdeelt in beheersbare subtaken en deze organiseert in een logische volgorde.
- Hoe je agenten van de juiste tools voorziet (bijv. zoektools of data-analysesoftware), besluit wanneer en hoe ze worden gebruikt, en hoe onverwachte situaties worden afgehandeld.
- Hoe je de uitkomsten van subtaken evalueert, prestaties meet en acties iteratief verbetert om het eindresultaat te optimaliseren.
Het bepalen van het overkoepelende doel en het opdelen van een taak
De meeste taken in de echte wereld zijn te complex om in één stap aan te pakken. Een AI-agent heeft een beknopt doel nodig om zijn planning en acties te sturen. Overweeg bijvoorbeeld het doel:
"Genereer een reisroute voor 3 dagen."
Hoewel het eenvoudig is om te formuleren, vereist het nog verfijning. Hoe duidelijker het doel, hoe beter de agent (en eventuele menselijke samenwerkers) zich kunnen richten op het behalen van het juiste resultaat, zoals het maken van een uitgebreide route inclusief vluchtopties, hotelaanbevelingen en activiteiten suggesties.
Taakopdeling
Grote of ingewikkelde taken worden beter beheersbaar door ze op te splitsen in kleinere, doelgerichte subtaken. Voor het voorbeeld van de reisroute kun je het doel opdelen in:
- Vlucht Boeken
- Hotel Boeken
- Autoverhuur
- Personalisatie
Elke subtaak kan dan worden aangepakt door toegewijde agenten of processen. Eén agent kan gespecialiseerd zijn in het zoeken naar de beste vluchtaanbiedingen, een andere richt zich op hotelreserveringen, enzovoort. Een coördinerende of “downstream” agent kan vervolgens deze resultaten samenvoegen in één samenhangende route voor de eindgebruiker.
Deze modulaire aanpak maakt ook incrementele verbeteringen mogelijk. Zo kun je gespecialiseerde agenten toevoegen voor Voedseladvies of Lokale Activiteitensuggesties en de route in de loop van de tijd verfijnen.
Gestructureerde output
Grote Taalmodellen (LLM’s) kunnen gestructureerde output genereren (bijv. JSON) die makkelijker te parseren en verwerken is voor downstream-agenten of -diensten. Dit is vooral nuttig in een multi-agent context, waar we deze taken kunnen uitvoeren nadat de planning is ontvangen.
De volgende Python snippet laat zien hoe een eenvoudige planning agent een doel opdeelt in subtaken en een gestructureerd plan genereert:
from pydantic import BaseModel
from enum import Enum
from typing import List, Optional, Union
import json
import os
from typing import Optional
from pprint import pprint
from agent_framework.foundry import FoundryChatClient
from azure.identity import AzureCliCredential
class AgentEnum(str, Enum):
FlightBooking = "flight_booking"
HotelBooking = "hotel_booking"
CarRental = "car_rental"
ActivitiesBooking = "activities_booking"
DestinationInfo = "destination_info"
DefaultAgent = "default_agent"
GroupChatManager = "group_chat_manager"
# Reis SubTaak Model
class TravelSubTask(BaseModel):
task_details: str
assigned_agent: AgentEnum # we willen de taak toewijzen aan de agent
class TravelPlan(BaseModel):
main_task: str
subtasks: List[TravelSubTask]
is_greeting: bool
provider = FoundryChatClient(
project_endpoint=os.environ["AZURE_AI_PROJECT_ENDPOINT"],
model=os.environ["AZURE_AI_MODEL_DEPLOYMENT_NAME"],
credential=AzureCliCredential(),
)
# Definieer het gebruikersbericht
system_prompt = """You are a planner agent.
Your job is to decide which agents to run based on the user's request.
Provide your response in JSON format with the following structure:
{'main_task': 'Plan a family trip from Singapore to Melbourne.',
'subtasks': [{'assigned_agent': 'flight_booking',
'task_details': 'Book round-trip flights from Singapore to '
'Melbourne.'}
Below are the available agents specialised in different tasks:
- FlightBooking: For booking flights and providing flight information
- HotelBooking: For booking hotels and providing hotel information
- CarRental: For booking cars and providing car rental information
- ActivitiesBooking: For booking activities and providing activity information
- DestinationInfo: For providing information about destinations
- DefaultAgent: For handling general requests"""
user_message = "Create a travel plan for a family of 2 kids from Singapore to Melbourne"
response = client.create_response(input=user_message, instructions=system_prompt)
response_content = response.output_text
pprint(json.loads(response_content))
Planning Agent met Multi-Agent Orkestratie
In dit voorbeeld ontvangt een Semantic Router Agent een gebruikersverzoek (bijv. “Ik heb een hotelplan voor mijn reis nodig.”).
De planner doet vervolgens:
- Ontvangt het Hotelplan: De planner neemt het bericht van de gebruiker en genereert op basis van een systeemprompt (inclusief beschikbare agentdetails) een gestructureerd reisplan.
- Lijst van agenten en hun tools: Het agentenregister houdt een lijst bij van agenten (bijv. voor vluchten, hotels, autoverhuur en activiteiten) evenals de functies of tools die zij bieden.
- Stuurt het plan naar de respectieve agenten: Afhankelijk van het aantal subtaken stuurt de planner het bericht direct naar een toegewijde agent (voor scenario’s met één taak) of coördineert via een groepschatmanager voor samenwerking tussen meerdere agenten.
- Vat de uitkomst samen: Tot slot vat de planner het gegenereerde plan samen voor duidelijkheid. Het volgende Python codevoorbeeld illustreert deze stappen:
from pydantic import BaseModel
from enum import Enum
from typing import List, Optional, Union
class AgentEnum(str, Enum):
FlightBooking = "flight_booking"
HotelBooking = "hotel_booking"
CarRental = "car_rental"
ActivitiesBooking = "activities_booking"
DestinationInfo = "destination_info"
DefaultAgent = "default_agent"
GroupChatManager = "group_chat_manager"
# Reist SubTaak Model
class TravelSubTask(BaseModel):
task_details: str
assigned_agent: AgentEnum # we willen de taak toewijzen aan de agent
class TravelPlan(BaseModel):
main_task: str
subtasks: List[TravelSubTask]
is_greeting: bool
import json
import os
from typing import Optional
from agent_framework.foundry import FoundryChatClient
from azure.identity import AzureCliCredential
# Maak de client aan
provider = FoundryChatClient(
project_endpoint=os.environ["AZURE_AI_PROJECT_ENDPOINT"],
model=os.environ["AZURE_AI_MODEL_DEPLOYMENT_NAME"],
credential=AzureCliCredential(),
)
from pprint import pprint
# Definieer het gebruikersbericht
system_prompt = """You are a planner agent.
Your job is to decide which agents to run based on the user's request.
Below are the available agents specialized in different tasks:
- FlightBooking: For booking flights and providing flight information
- HotelBooking: For booking hotels and providing hotel information
- CarRental: For booking cars and providing car rental information
- ActivitiesBooking: For booking activities and providing activity information
- DestinationInfo: For providing information about destinations
- DefaultAgent: For handling general requests"""
user_message = "Create a travel plan for a family of 2 kids from Singapore to Melbourne"
response = client.create_response(input=user_message, instructions=system_prompt)
response_content = response.output_text
# Druk de responsinhoud af nadat deze is geladen als JSON
pprint(json.loads(response_content))
Wat volgt is de output van de vorige code en je kunt deze gestructureerde output gebruiken om naar assigned_agent te routeren en het reisplan aan de eindgebruiker samen te vatten.
{
"is_greeting": "False",
"main_task": "Plan a family trip from Singapore to Melbourne.",
"subtasks": [
{
"assigned_agent": "flight_booking",
"task_details": "Book round-trip flights from Singapore to Melbourne."
},
{
"assigned_agent": "hotel_booking",
"task_details": "Find family-friendly hotels in Melbourne."
},
{
"assigned_agent": "car_rental",
"task_details": "Arrange a car rental suitable for a family of four in Melbourne."
},
{
"assigned_agent": "activities_booking",
"task_details": "List family-friendly activities in Melbourne."
},
{
"assigned_agent": "destination_info",
"task_details": "Provide information about Melbourne as a travel destination."
}
]
}
Een voorbeeldnotebook met de vorige code is beschikbaar hier.
Iteratieve Planning
Sommige taken vereisen een heen-en-weer of een herplanning, waarbij de uitkomst van de ene subtaak invloed heeft op de volgende. Bijvoorbeeld, als de agent tijdens het boeken van vluchten een onverwacht dataformaat tegenkomt, moet hij mogelijk zijn strategie aanpassen voordat hij doorgaat met hotelboekingen.
Daarnaast kan gebruikersfeedback (bijv. een mens die kiest voor een eerdere vlucht) een gedeeltelijke herplanning triggeren. Deze dynamische, iteratieve aanpak zorgt ervoor dat de uiteindelijke oplossing aansluit bij de reële wereldbeperkingen en veranderende wensen van de gebruiker.
b.v. voorbeeldcode
import os
from agent_framework.foundry import FoundryChatClient
from azure.identity import AzureCliCredential
#.. hetzelfde als de vorige code en geef de gebruikersgeschiedenis, het huidige plan door
system_prompt = """You are a planner agent to optimize the
Your job is to decide which agents to run based on the user's request.
Below are the available agents specialized in different tasks:
- FlightBooking: For booking flights and providing flight information
- HotelBooking: For booking hotels and providing hotel information
- CarRental: For booking cars and providing car rental information
- ActivitiesBooking: For booking activities and providing activity information
- DestinationInfo: For providing information about destinations
- DefaultAgent: For handling general requests"""
user_message = "Create a travel plan for a family of 2 kids from Singapore to Melbourne"
response = client.create_response(
input=user_message,
instructions=system_prompt,
context=f"Previous travel plan - {TravelPlan}",
)
# .. herplan en stuur de taken naar de respectievelijke agenten
Voor meer uitgebreide planning kun je de Magnetic One Blogpost bekijken voor het oplossen van complexe taken.
Samenvatting
In dit artikel hebben we een voorbeeld bekeken van hoe je een planner kunt maken die dynamisch de beschikbare agenten selecteert. De output van de planner splitst de taken op en wijst de agenten toe zodat ze kunnen worden uitgevoerd. Het wordt verondersteld dat de agenten toegang hebben tot de functies/tools die nodig zijn om de taak uit te voeren. Naast de agenten kun je ook andere patronen toevoegen zoals reflectie, samenvatting en round robin chat om verder te personaliseren.
Aanvullende bronnen
Magnetic One - Een algemene multi-agent systeem voor het oplossen van complexe taken en heeft indrukwekkende resultaten behaald op meerdere uitdagende agent benchmarks. Referentie: Magnetic One. In deze implementatie maakt de orkestrator taak-specifieke plannen en delegeert deze taken aan de beschikbare agenten. Naast planning gebruikt de orkestrator ook een tracking mechanisme om de voortgang van de taak te monitoren en indien nodig te herplannen.
Nog meer vragen over het Planning Design Pattern?
Sluit je aan bij de Microsoft Foundry Discord om andere leerlingen te ontmoeten, kantooruren bij te wonen en je AI Agents vragen beantwoord te krijgen.
Vorige les
Volgende les
Disclaimer: Dit document is vertaald met behulp van de AI vertaaldienst Co-op Translator. Hoewel we streven naar nauwkeurigheid, dient u er rekening mee te houden dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in de oorspronkelijke taal moet worden beschouwd als de gezaghebbende bron. Voor kritieke informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor eventuele misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling.