ai-agents-for-beginners

Utforske AI-agentrammeverk

(Klikk på bildet ovenfor for å se videoen til denne leksjonen)

Utforsk AI-agentrammeverk

AI-agentrammeverk er programvareplattformer designet for å forenkle opprettelsen, distribusjonen og administrasjonen av AI-agenter. Disse rammeverkene gir utviklere ferdigbygde komponenter, abstraksjoner og verktøy som effektiviserer utviklingen av komplekse AI-systemer.

Disse rammeverkene hjelper utviklere med å fokusere på de unike aspektene ved deres applikasjoner ved å tilby standardiserte tilnærminger til vanlige utfordringer i AI-agentutvikling. De forbedrer skalerbarhet, tilgjengelighet og effektivitet i bygging av AI-systemer.

Innledning

Denne leksjonen vil dekke:

Læringsmål

Målet med denne leksjonen er å hjelpe deg å forstå:

Hva er AI-agentrammeverk og hva gjør de utviklere i stand til å gjøre?

Tradisjonelle AI-rammeverk kan hjelpe deg med å integrere AI i appene dine og forbedre disse appene på følgende måter:

Det høres jo flott ut, så hvorfor trenger vi AI-agentrammeverket?

AI-agentrammeverk representerer noe mer enn bare AI-rammeverk. De er designet for å muliggjøre opprettelse av intelligente agenter som kan samhandle med brukere, andre agenter og miljøet for å oppnå spesifikke mål. Disse agentene kan utvise autonom oppførsel, fatte beslutninger og tilpasse seg endrede forhold. La oss se på noen nøkkelfunksjoner som muliggjøres av AI-agentrammeverk:

Kort oppsummert lar agenter deg gjøre mer, ta automatisering til neste nivå, og skape mer intelligente systemer som kan tilpasse seg og lære av sitt miljø.

Hvordan raskt prototype, iterere og forbedre agentens evner?

Dette er et raskt bevegende landskap, men det finnes noen ting som er felles for de fleste AI-agentrammeverk som kan hjelpe deg å raskt prototype og iterere, nemlig modulære komponenter, samarbeidsverktøy og læring i sanntid. La oss dykke ned i disse:

Bruk modulære komponenter

SDK-er som Microsoft Agent Framework tilbyr ferdigbygde komponenter som AI-koblinger, verktøydefinisjoner og agentadministrasjon.

Hvordan team kan bruke disse: Team kan raskt sette sammen disse komponentene for å lage en funksjonell prototype uten å starte fra bunnen, noe som tillater rask eksperimentering og iterasjon.

Hvordan det fungerer i praksis: Du kan bruke en ferdigbygget parser for å trekke ut informasjon fra brukerinnspill, en minnemodul for å lagre og hente data, og en promptgenerator for å samhandle med brukere, alt uten å måtte bygge disse komponentene fra bunnen.

Eksempelkode. La oss se på et eksempel på hvordan du kan bruke Microsoft Agent Framework med FoundryChatClient for å få modellen til å svare på brukerinnspill med verktøykall:

# Microsoft Agent Framework Python-eksempel

import asyncio
import os

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


# Definer en eksempelverktøyfunksjon for å bestille reise
@tool(approval_mode="never_require")
def book_flight(date: str, location: str) -> str:
    """Book travel given location and date."""
    return f"Travel was booked to {location} on {date}"


async def main():
    provider = FoundryChatClient(
        project_endpoint=os.environ["AZURE_AI_PROJECT_ENDPOINT"],
        model=os.environ["AZURE_AI_MODEL_DEPLOYMENT_NAME"],
        credential=AzureCliCredential(),
    )
    agent = provider.as_agent(
        name="travel_agent",
        instructions="Help the user book travel. Use the book_flight tool when ready.",
        tools=[book_flight],
    )

    response = await agent.run("I'd like to go to New York on January 1, 2025")
    print(response)
    # Eksempelutdata: Din flyreise til New York den 1. januar 2025 er vellykket bestilt. God reise! ✈️🗽


if __name__ == "__main__":
    asyncio.run(main())

Det du kan se fra dette eksempelet er hvordan du kan utnytte en ferdigbygget parser til å trekke ut nøkkelinformasjon fra brukerinnspill, som opprinnelse, destinasjon og dato for en flybestillingsforespørsel. Denne modulære tilnærmingen lar deg fokusere på den overordnede logikken.

Utnytt samarbeidsverktøy

Rammeverk som Microsoft Agent Framework legger til rette for opprettelse av flere agenter som kan jobbe sammen.

Hvordan team kan bruke disse: Team kan designe agenter med spesifikke roller og oppgaver, som gjør det mulig å teste og finpusse samarbeidsarbeidsflyter og forbedre systemets totale effektivitet.

Hvordan det fungerer i praksis: Du kan lage et team av agenter hvor hver agent har en spesialisert funksjon, som datauthenting, analyse eller beslutningstaking. Disse agentene kan kommunisere og dele informasjon for å oppnå et felles mål, som å svare på en brukerhenvendelse eller fullføre en oppgave.

Eksempelkode (Microsoft Agent Framework):

# Opprette flere agenter som samarbeider ved hjelp av Microsoft Agent Framework

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

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

# Datautvinningsagent
agent_retrieve = provider.as_agent(
    name="dataretrieval",
    instructions="Retrieve relevant data using available tools.",
    tools=[retrieve_tool],
)

# Dataanalyseagent
agent_analyze = provider.as_agent(
    name="dataanalysis",
    instructions="Analyze the retrieved data and provide insights.",
    tools=[analyze_tool],
)

# Kjør agenter i rekkefølge på en oppgave
retrieval_result = await agent_retrieve.run("Retrieve sales data for Q4")
analysis_result = await agent_analyze.run(f"Analyze this data: {retrieval_result}")
print(analysis_result)

Det du ser i forrige kode er hvordan du kan opprette en oppgave som involverer flere agenter som jobber sammen om å analysere data. Hver agent utfører en spesifikk funksjon, og oppgaven utføres ved å koordinere agentene for å oppnå ønsket resultat. Ved å opprette dedikerte agenter med spesialiserte roller, kan du forbedre oppgavens effektivitet og ytelse.

Lær i sanntid

Avanserte rammeverk tilbyr funksjoner for sanntids kontekstforståelse og tilpasning.

Hvordan team kan bruke disse: Team kan implementere tilbakemeldingssløyfer hvor agenter lærer fra interaksjoner og justerer sin oppførsel dynamisk, noe som fører til kontinuerlig forbedring og finjustering av evner.

Hvordan det fungerer i praksis: Agenter kan analysere brukerfeedback, miljødata og oppgaveutfall for å oppdatere kunnskapsbasen, justere beslutningsalgoritmer og forbedre ytelsen over tid. Denne iterative læringsprosessen gjør at agenter kan tilpasse seg endringer i forhold og brukerpreferanser, og øker den totale systemeffektiviteten.

Hva er forskjellene mellom Microsoft Agent Framework og Microsoft Foundry Agent Service?

Det finnes mange måter å sammenligne disse tilnærmingene på, men la oss se på noen viktige forskjeller når det gjelder design, funksjoner og målrettede bruksområder:

Microsoft Agent Framework (MAF)

Microsoft Agent Framework tilbyr en strømlinjeformet SDK for å bygge AI-agenter ved bruk av FoundryChatClient. Det gjør utviklere i stand til å lage agenter som utnytter Azure OpenAI-modeller med innebygd verktøykall, samtalehåndtering og bedriftsklasse sikkerhet via Azure-identitet.

Bruksområder: Lage produksjonsklare AI-agenter med verktøybruk, flertrinns arbeidsflyter og bedriftsintegrasjonsscenarier.

Her er noen viktige kjernebegreper i Microsoft Agent Framework:

Microsoft Foundry Agent Service

Microsoft Foundry Agent Service er et nyere tilskudd, introdusert på Microsoft Ignite 2024. Det muliggjør utvikling og distribusjon av AI-agenter med mer fleksible modeller, som direkte kall til open-source LLM-er som Llama 3, Mistral og Cohere.

Microsoft Foundry Agent Service tilbyr sterkere bedriftsikkerhetsmekanismer og data-lagringsmetoder, som gjør det egnet for virksomhetsapplikasjoner.

Det fungerer sømløst sammen med Microsoft Agent Framework for bygging og distribusjon av agenter.

Denne tjenesten er for øyeblikket i Public Preview og støtter Python og C# for agentutvikling.

Ved å bruke Microsoft Foundry Agent Service Python SDK kan vi lage en agent med et brukerdefinert verktøy:

import asyncio
from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient

# Definer verktøyfunksjoner
def get_specials() -> str:
    """Provides a list of specials from the menu."""
    return """
    Special Soup: Clam Chowder
    Special Salad: Cobb Salad
    Special Drink: Chai Tea
    """

def get_item_price(menu_item: str) -> str:
    """Provides the price of the requested menu item."""
    return "$9.99"


async def main() -> None:
    credential = DefaultAzureCredential()
    project_client = AIProjectClient.from_connection_string(
        credential=credential,
        conn_str="your-connection-string",
    )

    agent = project_client.agents.create_agent(
        model="gpt-5-mini",
        name="Host",
        instructions="Answer questions about the menu.",
        tools=[get_specials, get_item_price],
    )

    thread = project_client.agents.create_thread()

    user_inputs = [
        "Hello",
        "What is the special soup?",
        "How much does that cost?",
        "Thank you",
    ]

    for user_input in user_inputs:
        print(f"# User: '{user_input}'")
        message = project_client.agents.create_message(
            thread_id=thread.id,
            role="user",
            content=user_input,
        )
        run = project_client.agents.create_and_process_run(
            thread_id=thread.id, agent_id=agent.id
        )
        messages = project_client.agents.list_messages(thread_id=thread.id)
        print(f"# Agent: {messages.data[0].content[0].text.value}")


if __name__ == "__main__":
    asyncio.run(main())

Kjernebegreper

Microsoft Foundry Agent Service har følgende kjernebegreper:

Bruksområder: Microsoft Foundry Agent Service er designet for bedriftsapplikasjoner som krever sikker, skalerbar og fleksibel AI-agentdistribusjon.

Hva er forskjellen mellom disse tilnærmingene?

Det kan høres ut som det er overlapp, men det finnes noen viktige forskjeller i design, funksjonalitet og målrettede bruksområder:

Er du fortsatt usikker på hvilken du skal velge?

Bruksområder

La oss se om vi kan hjelpe deg ved å gå gjennom noen vanlige brukstilfeller:

Q: Jeg bygger produksjonsklare AI-agentapplikasjoner og vil komme raskt i gang

A: Microsoft Agent Framework er et godt valg. Det tilbyr et enkelt, Python-vennlig API via FoundryChatClient som lar deg definere agenter med verktøy og instruksjoner i bare noen få kodelinjer.

Q: Jeg trenger bedriftsklasse distribusjon med Azure-integrasjoner som Search og kodekjøring

A: Microsoft Foundry Agent Service passer best. Det er en plattformtjeneste som tilbyr innebygde funksjoner for flere modeller, Azure AI Search, Bing Search og Azure Functions. Det gjør det enkelt å bygge agentene dine i Foundry-portalen og distribuere dem i stor skala.

Q: Jeg er fortsatt forvirret, gi meg bare ett valg

A: Start med Microsoft Agent Framework for å bygge agentene dine, og bruk deretter Microsoft Foundry Agent Service når du trenger å distribuere og skalere dem i produksjon. Denne tilnærmingen lar deg iterere raskt på agentlogikken mens du har en klar vei til bedriftsdistribusjon.

La oss oppsummere nøkkelforskjellene i en tabell:

Rammeverk Fokus Kjernebegreper Bruksområder
Microsoft Agent Framework Strømlinjeformet agent-SDK med verktøykall Agenter, Verktøy, Azure Identity Bygge AI-agenter, verktøybruk, flertrinns arbeidsflyter
Microsoft Foundry Agent Service Fleksible modeller, bedriftsikkerhet, kodegenerering, verktøykall Modularitet, Samarbeid, Prosessorchestrering Sikker, skalerbar og fleksibel AI-agentdistribusjon

Kan jeg integrere mine eksisterende Azure-økosystemverktøy direkte, eller trenger jeg frittstående løsninger?

Svaret er ja, du kan integrere dine eksisterende Azure-økosystemverktøy direkte med Microsoft Foundry Agent Service spesielt, siden det er bygget for å fungere sømløst med andre Azure-tjenester. Du kan for eksempel integrere Bing, Azure AI Search og Azure Functions. Det er også dyp integrasjon med Microsoft Foundry.

Microsoft Agent Framework integreres også med Azure-tjenester gjennom FoundryChatClient og Azure-identitet, som lar deg kalle Azure-tjenester direkte fra agentverktøyene dine.

Eksempelkoder

Flere spørsmål om AI Agent Frameworks?

Bli med i Microsoft Foundry Discord for å møte andre som lærer, delta på kontortimer og få svar på spørsmål om AI-agenter.

Referanser

Forrige leksjon

Introduksjon til AI-agenter og bruksområder for agenter

Neste leksjon

Forstå else av agentdrevne designmønstre

Ansvarsfraskrivelse: Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten Co-op Translator. Selv om vi streber etter nøyaktighet, vær oppmerksom på at automatiske oversettelser kan inneholde feil eller unøyaktigheter. Det opprinnelige dokumentet på originalspråket skal betraktes som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for eventuelle misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.

This site is open source. Improve this page.