ai-agents-for-beginners

(ਉਪਰ ਦਿੱਤੀ ਤਸਵੀਰ ‘ਤੇ ਕਲਿੱਕ ਕਰਕੇ ਇਸ ਪਾਠ ਦਾ ਵੀਡੀਓ ਵੇਖੋ)

AI ਏਜੰਟਸ ਅਤੇ ਏਜੰਟ ਵਰਤੋਂ ਦੇ ਕੇਸਾਂ ਦਾ ਪਰਿਚਯ

“AI Agents for Beginners” ਕੋਰਸ ਵਿੱਚ ਤੁਹਾਡਾ ਸਵਾਗਤ ਹੈ! ਇਹ ਕੋਰਸ AI ਏਜੰਟਸ ਬਣਾਉਣ ਲਈ ਮੂਲ ਗਿਆਨ ਅਤੇ ਲਾਗੂ ਨਮੂਨੇ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।

ਇਸ ਕੋਰਸ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੋ,
ਤਾਕਿ ਹੋਰ ਸਿੱਖਣ ਵਾਲਿਆਂ ਅਤੇ AI ਏਜੰਟ ਬਣਾਉਣ ਵਾਲਿਆਂ ਨਾਲ ਮਿਲ ਸਕੋ ਅਤੇ ਇਸ ਕੋਰਸ ਬਾਰੇ ਆਪਣੇ ਸਵਾਲ ਪੁੱਛ ਸਕੋ।

ਇਸ ਕੋਰਸ ਦੀ ਸ਼ੁਰੂਆਤ ਕਰਨ ਲਈ, ਅਸੀਂ ਪਹਿਲਾਂ ਸਮਝਦੇ ਹਾਂ ਕਿ AI ਏਜੰਟਸ ਕੀ ਹਨ ਅਤੇ ਅਸੀਂ ਉਨ੍ਹਾਂ ਨੂੰ ਆਪਣੇ ਐਪਲੀਕੇਸ਼ਨ ਅਤੇ ਵਰਕਫਲੋਜ਼ ਵਿੱਚ ਕਿਵੇਂ ਵਰਤ ਸਕਦੇ ਹਾਂ।

ਪਰਿਚਯ

ਇਸ ਪਾਠ ਵਿੱਚ ਕਵਰ ਕੀਤਾ ਗਿਆ ਹੈ:

• AI ਏਜੰਟਸ ਕੀ ਹਨ ਅਤੇ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਏਜੰਟਸ ਕੀ ਹਨ?
• ਕਿਹੜੇ ਵਰਤੋਂ ਦੇ ਕੇਸ AI ਏਜੰਟਸ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਹਨ ਅਤੇ ਉਹ ਸਾਨੂੰ ਕਿਵੇਂ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ?
• ਏਜੰਟਿਕ ਹੱਲਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਦੇ ਸਮੇਂ ਕੁਝ ਬੁਨਿਆਦੀ ਬਲਾਕ ਕੀ ਹਨ?

ਸਿੱਖਣ ਦੇ ਲਕਸ਼

ਇਹ ਪਾਠ ਪੂਰਾ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਤੁਸੀਂ ਸਮਰਥ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ:

• AI ਏਜੰਟਸ ਦੇ ਸੰਕਲਪਾਂ ਨੂੰ ਸਮਝਣਾ ਅਤੇ ਹੋਰ AI ਹੱਲਾਂ ਤੋਂ ਇਹ ਕਿਵੇਂ ਵੱਖਰੇ ਹਨ।
• AI ਏਜੰਟਸ ਨੂੰ ਸਭ ਤੋਂ ਕੁਸ਼ਲਤਾਪੂਰਵਕ ਲਾਗੂ ਕਰਨਾ।
• ਯੂਜ਼ਰ ਅਤੇ ਗਾਹਕਾਂ ਲਈ ਉਤਪਾਦਕ ਢੰਗ ਨਾਲ ਏਜੰਟਿਕ ਹੱਲਾਂ ਡਿਜ਼ਾਈਨ ਕਰਨਾ।

AI ਏਜੰਟਸ ਦੀ ਪਰਿਭਾਸ਼ਾ ਅਤੇ ਕਿਸਮਾਂ

AI ਏਜੰਟਸ ਕੀ ਹਨ?

AI ਏਜੰਟਸ ਸਿਸਟਮ ਹਨ ਜੋ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ (LLMs) ਨੂੰ ਕਰਮ ਕਰਨ ਯੋਗ ਬਣਾਉਂਦੇ ਹਨ। ਇਹ LLMs ਨੂੰ ਟੂਲਸ ਅਤੇ ਗਿਆਨ ਤੱਕ ਪਹੁੰਚ ਦੇ ਕੇ ਉਨ੍ਹਾਂ ਦੀ ਸਮਰਥਾ ਵਧਾਉਂਦੇ ਹਨ।

ਆਓ ਇਸ ਪਰਿਭਾਸ਼ਾ ਨੂੰ ਛੋਟੇ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡ ਕੇ ਸਮਝੀਏ:

• ਸਿਸਟਮ - ਏਜੰਟਸ ਨੂੰ ਸਿਰਫ ਇੱਕ ਇਕੱਲੇ ਕੰਪੋਨੈਂਟ ਵਜੋਂ ਨਹੀਂ, ਬਲਕਿ ਕਈ ਕੰਪੋਨੈਂਟਸ ਦੇ ਸਿਸਟਮ ਵਜੋਂ ਸੋਚਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ। AI ਏਜੰਟਸ ਦੇ ਬੁਨਿਆਦੀ ਕੰਪੋਨੈਂਟ ਹਨ:
  • Environment - ਉਹ ਪਰਿਬਲਿਤ ਸਥਾਨ ਜਿੱਥੇ AI ਏਜੰਟ ਕੰਮ ਕਰ ਰਿਹਾ ਹੈ। ਉਦਾਹਰਣ ਲਈ, ਜੇਕਰ ਸਾਡੇ ਕੋਲ ਇੱਕ ਯਾਤਰਾ ਬੁਕਿੰਗ AI ਏਜੰਟ ਹੈ, ਤਾਂ environment ਯਾਤਰਾ ਬੁਕਿੰਗ ਸਿਸਟਮ ਹੋ ਸਕਦਾ ਹੈ ਜੋ AI ਏਜੰਟ ਕੰਮ ਪੂਰਾ ਕਰਨ ਲਈ ਵਰਤਦਾ ਹੈ।
  • Sensors - Environment ਵਿੱਚ ਜਾਣਕਾਰੀ ਅਤੇ ਫੀਡਬੈਕ ਹੁੰਦਾ ਹੈ। AI ਏਜੰਟਸ ਸੈਂਸਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ environment ਦੀ ਮੌਜੂਦਾ ਸਥਿਤੀ ਬਾਰੇ ਜਾਣਕਾਰੀ ਇਕੱਠੀ ਅਤੇ ਵਿਆਖਿਆ ਕਰਦੇ ਹਨ। ਯਾਤਰਾ ਬੁਕਿੰਗ ਏਜੰਟ ਦੇ ਉਦਾਹਰਣ ਵਿੱਚ, ਯਾਤਰਾ ਬੁਕਿੰਗ ਸਿਸਟਮ ਹੋਟਲ ਦੀ ਉਪਲਬਧਤਾ ਜਾਂ ਉਡਾਨਾਂ ਦੀ ਕੀਮਤਾਂ ਵਰਗੀਆਂ ਜਾਣਕਾਰੀਆਂ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ।
  • Actuators - ਜਦੋਂ AI ਏਜੰਟ environment ਦੀ ਮੌਜੂਦਾ ਸਥਿਤੀ ਪ੍ਰਾਪਤ ਕਰ ਲੈਂਦਾ ਹੈ, ਤਾਂ ਮੌਜੂਦਾ ਕੰਮ ਲਈ ਏਜੰਟ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਕਿ environment ਨੂੰ ਬਦਲਣ ਲਈ ਕਿਹੜਾ ਕਰਮ ਕਰਨਾ ਹੈ। ਯਾਤਰਾ ਬੁਕਿੰਗ ਏਜੰਟ ਲਈ, ਇਹ ਯੂਜ਼ਰ ਲਈ ਉਪਲਬਧ ਕਮਰੇ ਦੀ ਬੁਕਿੰਗ ਹੋ ਸਕਦੀ ਹੈ।

ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ (LLMs) - ਏਜੰਟਸ ਦਾ ਸੰਕਲਪ LLMs ਦੇ ਬਣਨ ਤੋਂ ਪਹਿਲਾਂ ਮੌਜੂਦ ਸੀ। LLMs ਨਾਲ AI ਏਜੰਟਸ ਬਣਾਉਣ ਦਾ ਫਾਇਦਾ ਇਹ ਹੈ ਕਿ ਉਹ ਮਨੁੱਖੀ ਭਾਸ਼ਾ ਅਤੇ ਡਾਟਾ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਸਮਰਥਾ ਰੱਖਦੇ ਹਨ। ਇਹ ਸਮਰਥਾ LLMs ਨੂੰ environment ਦੀ ਜਾਣਕਾਰੀ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਅਤੇ environment ਨੂੰ ਬਦਲਣ ਲਈ ਯੋਜਨਾ ਬਣਾਉਣ ਯੋਗ ਬਣਾਉਂਦੀ ਹੈ।

ਕਰਮ ਕਰਨਾ - AI ਏਜੰਟ ਸਿਸਟਮਾਂ ਤੋਂ ਬਾਹਰ, LLMs ਦੀ ਸਮਰਥਾ ਸਿਰਫ ਉਪਭੋਗਤਾ ਦੇ ਪ੍ਰੋਮਪਟ ਦੇ ਅਧਾਰ ‘ਤੇ ਸਮੱਗਰੀ ਜਾਂ ਜਾਣਕਾਰੀ ਪੈਦਾ ਕਰਨ ਤੱਕ ਸੀਮਿਤ ਹੁੰਦੀ ਹੈ। AI ਏਜੰਟ ਸਿਸਟਮਾਂ ਦੇ ਅੰਦਰ, LLMs ਯੂਜ਼ਰ ਦੀ ਬੇਨਤੀ ਦੀ ਵਿਆਖਿਆ ਕਰਕੇ ਅਤੇ environment ਵਿੱਚ ਉਪਲਬਧ ਟੂਲਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੰਮ ਪੂਰੇ ਕਰ ਸਕਦੇ ਹਨ।

ਟੂਲਸ ਤੱਕ ਪਹੁੰਚ - LLMs ਨੂੰ ਕਿਹੜੇ ਟੂਲਸ ਤੱਕ ਪਹੁੰਚ ਹੈ, ਇਹ 1) environment ਜਿੱਥੇ ਉਹ ਕੰਮ ਕਰ ਰਹੇ ਹਨ ਅਤੇ 2) AI ਏਜੰਟ ਦੇ ਡਿਵੈਲਪਰ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਹੁੰਦਾ ਹੈ। ਸਾਡੇ ਯਾਤਰਾ ਏਜੰਟ ਦੇ ਉਦਾਹਰਣ ਵਿੱਚ, ਏਜੰਟ ਦੇ ਟੂਲਸ ਯਾਤਰਾ ਬੁਕਿੰਗ ਸਿਸਟਮ ਵਿੱਚ ਉਪਲਬਧ ਕਾਰਵਾਈਆਂ ਦੁਆਰਾ ਸੀਮਿਤ ਹਨ, ਜਾਂ ਡਿਵੈਲਪਰ ਏਜੰਟ ਦੀ ਟੂਲ ਪਹੁੰਚ ਨੂੰ ਉਡਾਨਾਂ ਤੱਕ ਸੀਮਿਤ ਕਰ ਸਕਦਾ ਹੈ।

Memory+Knowledge - ਮੌਜੂਦਾ ਗੱਲਬਾਤ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਮੈਮੋਰੀ ਛੋਟੇ ਸਮੇਂ ਲਈ ਹੋ ਸਕਦੀ ਹੈ। ਲੰਬੇ ਸਮੇਂ ਲਈ, environment ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੀ ਜਾਣਕਾਰੀ ਤੋਂ ਬਾਹਰ, AI ਏਜੰਟਸ ਹੋਰ ਸਿਸਟਮਾਂ, ਸੇਵਾਵਾਂ, ਟੂਲਸ, ਅਤੇ ਹੋਰ ਏਜੰਟਸ ਤੋਂ ਵੀ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ। ਯਾਤਰਾ ਏਜੰਟ ਦੇ ਉਦਾਹਰਣ ਵਿੱਚ, ਇਹ ਜਾਣਕਾਰੀ ਗਾਹਕ ਡਾਟਾਬੇਸ ਵਿੱਚ ਸਥਿਤ ਯੂਜ਼ਰ ਦੀ ਯਾਤਰਾ ਪਸੰਦ ਹੋ ਸਕਦੀ ਹੈ।

ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਏਜੰਟਸ

ਹੁਣ ਜਦੋਂ ਸਾਡੇ ਕੋਲ AI ਏਜੰਟਸ ਦੀ ਇੱਕ ਆਮ ਪਰਿਭਾਸ਼ਾ ਹੈ, ਆਓ ਕੁਝ ਖਾਸ ਕਿਸਮਾਂ ਦੇ ਏਜੰਟਸ ਅਤੇ ਉਹ ਕਿਵੇਂ ਯਾਤਰਾ ਬੁਕਿੰਗ AI ਏਜੰਟ ‘ਤੇ ਲਾਗੂ ਹੋ ਸਕਦੇ ਹਨ, ਦੇਖੀਏ।

ਏਜੰਟ ਦੀ ਕਿਸਮ	ਵੇਰਵਾ	ਉਦਾਹਰਣ
ਸਧਾਰਨ ਰਿਫਲੈਕਸ ਏਜੰਟਸ	ਪੂਰਵ-ਨਿਰਧਾਰਤ ਨਿਯਮਾਂ ਦੇ ਅਧਾਰ ‘ਤੇ ਤੁਰੰਤ ਕਾਰਵਾਈ ਕਰਦੇ ਹਨ।	ਯਾਤਰਾ ਏਜੰਟ ਈਮੇਲ ਦੇ ਸੰਦਰਭ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ ਅਤੇ ਯਾਤਰਾ ਦੀਆਂ ਸ਼ਿਕਾਇਤਾਂ ਨੂੰ ਗਾਹਕ ਸੇਵਾ ਵੱਲ ਭੇਜਦਾ ਹੈ।
ਮਾਡਲ-ਅਧਾਰਿਤ ਰਿਫਲੈਕਸ ਏਜੰਟਸ	ਮਾਡਲ ਦੇ ਅਧਾਰ ‘ਤੇ ਅਤੇ ਉਸ ਮਾਡਲ ਵਿੱਚ ਹੋਣ ਵਾਲੇ ਬਦਲਾਅ ਦੇ ਅਧਾਰ ‘ਤੇ ਕਾਰਵਾਈ ਕਰਦੇ ਹਨ।	ਯਾਤਰਾ ਏਜੰਟ ਇਤਿਹਾਸਕ ਕੀਮਤਾਂ ਦੇ ਡਾਟਾ ਤੱਕ ਪਹੁੰਚ ਦੇ ਅਧਾਰ ‘ਤੇ ਮਹੱਤਵਪੂਰਨ ਕੀਮਤ ਬਦਲਾਅ ਵਾਲੇ ਰੂਟਾਂ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦਾ ਹੈ।
ਗੋਲ-ਅਧਾਰਿਤ ਏਜੰਟਸ	ਖਾਸ ਗੋਲਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਯੋਜਨਾਵਾਂ ਬਣਾਉਂਦੇ ਹਨ, ਗੋਲ ਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਹਨ ਅਤੇ ਉਸਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਕਾਰਵਾਈਆਂ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ।	ਯਾਤਰਾ ਏਜੰਟ ਮੌਜੂਦਾ ਸਥਾਨ ਤੋਂ ਮੰਜ਼ਿਲ ਤੱਕ ਜ਼ਰੂਰੀ ਯਾਤਰਾ ਪ੍ਰਬੰਧ (ਕਾਰ, ਜਨਤਕ ਆਵਾਜਾਈ, ਉਡਾਨਾਂ) ਨਿਰਧਾਰਤ ਕਰਕੇ ਯਾਤਰਾ ਬੁਕ ਕਰਦਾ ਹੈ।
ਯੂਟਿਲਿਟੀ-ਅਧਾਰਿਤ ਏਜੰਟਸ	ਪਸੰਦਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹਨ ਅਤੇ ਗੋਲਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਤਰਜੀਹਾਂ ਨੂੰ ਸੰਖਿਆਤਮਕ ਤੌਰ ‘ਤੇ ਤੋਲਦੇ ਹਨ।	ਯਾਤਰਾ ਏਜੰਟ ਯਾਤਰਾ ਬੁਕ ਕਰਦੇ ਸਮੇਂ ਸੁਵਿਧਾ ਵਿਰੁੱਧ ਲਾਗਤ ਨੂੰ ਤੋਲ ਕੇ ਯੂਟਿਲਿਟੀ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ।
ਸਿੱਖਣ ਵਾਲੇ ਏਜੰਟਸ	ਫੀਡਬੈਕ ਦੇ ਜਵਾਬ ਵਿੱਚ ਅਤੇ ਕਾਰਵਾਈਆਂ ਨੂੰ ਤਦਨੁਸਾਰ ਢਾਲ ਕੇ ਸਮੇਂ ਦੇ ਨਾਲ ਸੁਧਾਰ ਕਰਦੇ ਹਨ।	ਯਾਤਰਾ ਏਜੰਟ ਯਾਤਰਾ ਦੇ ਬਾਅਦ ਸਰਵੇਖਣਾਂ ਤੋਂ ਗਾਹਕ ਫੀਡਬੈਕ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਭਵਿੱਖ ਦੀਆਂ ਬੁਕਿੰਗਾਂ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦਾ ਹੈ।
ਹਾਇਰਾਰਕੀਕਲ ਏਜੰਟਸ	ਕਈ ਏਜੰਟਸ ਨੂੰ ਇੱਕ ਪੱਧਰੀ ਸਿਸਟਮ ਵਿੱਚ ਵਿਸ਼ੇਸ਼ਤ ਕਰਦੇ ਹਨ, ਜਿੱਥੇ ਉੱਚ-ਪੱਧਰੀ ਏਜੰਟਸ ਕੰਮਾਂ ਨੂੰ ਛੋਟੇ ਕੰਮਾਂ ਵਿੱਚ ਵੰਡਦੇ ਹਨ ਜੋ ਹੇਠਲੇ ਪੱਧਰ ਦੇ ਏਜੰਟਸ ਦੁਆਰਾ ਪੂਰੇ ਕੀਤੇ ਜਾਂਦੇ ਹਨ।	ਯਾਤਰਾ ਏਜੰਟ ਇੱਕ ਯਾਤਰਾ ਨੂੰ ਰੱਦ ਕਰਦਾ ਹੈ, ਕੰਮ ਨੂੰ ਛੋਟੇ ਕੰਮਾਂ ਵਿੱਚ ਵੰਡਦਾ ਹੈ (ਉਦਾਹਰਣ ਲਈ, ਖਾਸ ਬੁਕਿੰਗਾਂ ਨੂੰ ਰੱਦ ਕਰਨਾ) ਅਤੇ ਹੇਠਲੇ ਪੱਧਰ ਦੇ ਏਜੰਟਸ ਨੂੰ ਉਹ ਪੂਰੇ ਕਰਨ ਲਈ ਕਹਿੰਦਾ ਹੈ, ਅਤੇ ਉੱਚ-ਪੱਧਰੀ ਏਜੰਟ ਨੂੰ ਰਿਪੋਰਟ ਕਰਦਾ ਹੈ।
ਮਲਟੀ-ਏਜੰਟ ਸਿਸਟਮ (MAS)	ਏਜੰਟਸ ਸਵੈ-ਨਿਰਭਰਤਾਪੂਰਵਕ ਕੰਮ ਪੂਰੇ ਕਰਦੇ ਹਨ, ਜਾਂ ਸਹਿਕਾਰਤਾਪੂਰਵਕ ਜਾਂ ਪ੍ਰਤੀਸਪਰਧਾਤਮਕ।	ਸਹਿਕਾਰਤਾਪੂਰਵਕ: ਕਈ ਏਜੰਟਸ ਖਾਸ ਯਾਤਰਾ ਸੇਵਾਵਾਂ ਜਿਵੇਂ ਕਿ ਹੋਟਲ, ਉਡਾਨਾਂ, ਅਤੇ ਮਨੋਰੰਜਨ ਬੁਕ ਕਰਦੇ ਹਨ। ਪ੍ਰਤੀਸਪਰਧਾਤਮਕ: ਕਈ ਏਜੰਟਸ ਸਾਂਝੇ ਹੋਟਲ ਬੁਕਿੰਗ ਕੈਲੰਡਰ ਨੂੰ ਪ੍ਰਬੰਧਿਤ ਕਰਦੇ ਹਨ ਅਤੇ ਗਾਹਕਾਂ ਨੂੰ ਹੋਟਲ ਵਿੱਚ ਬੁਕ ਕਰਨ ਲਈ ਪ੍ਰਤੀਸਪਰਧਾ ਕਰਦੇ ਹਨ।

ਕਦੋਂ AI ਏਜੰਟਸ ਦੀ ਵਰਤੋਂ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ

ਪਿਛਲੇ ਭਾਗ ਵਿੱਚ, ਅਸੀਂ ਵੱਖ-ਵੱਖ ਸਥਿਤੀਆਂ ਵਿੱਚ ਯਾਤਰਾ ਬੁਕਿੰਗ ਦੇ AI ਏਜੰਟ ਲਈ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਏਜੰਟਸ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੇ ਉਦਾਹਰਣ ਦਿੱਤੇ। ਅਸੀਂ ਇਸ ਐਪਲੀਕੇਸ਼ਨ ਨੂੰ ਪੂਰੇ ਕੋਰਸ ਵਿੱਚ ਵਰਤਦੇ ਰਹਾਂਗੇ।

ਆਓ ਉਹ ਵਰਤੋਂ ਦੇ ਕੇਸਾਂ ਦੇ ਕਿਸਮਾਂ ਦੇਖੀਏ ਜਿਨ੍ਹਾਂ ਲਈ AI ਏਜੰਟਸ ਸਭ ਤੋਂ ਵਧੀਆ ਹਨ:

• ਖੁੱਲੇ-ਅੰਤ ਵਾਲੇ ਸਮੱਸਿਆਵਾਂ - LLM ਨੂੰ ਕੰਮ ਪੂਰਾ ਕਰਨ ਲਈ ਜ਼ਰੂਰੀ ਕਦਮ ਨਿਰਧਾਰਤ ਕਰਨ ਦੇਣਾ ਕਿਉਂਕਿ ਇਹ ਹਮੇਸ਼ਾ ਵਰਕਫਲੋ ਵਿੱਚ ਹਾਰਡਕੋਡ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ।
• ਮਲਟੀ-ਸਟੈਪ ਪ੍ਰਕਿਰਿਆਵਾਂ - ਉਹ ਕੰਮ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਕੁਝ ਜਟਿਲਤਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜਿਸ ਵਿੱਚ AI ਏਜੰਟ ਨੂੰ ਇੱਕ-ਸ਼ਾਟ ਰਿਟਰੀਵਲ ਦੀ ਬਜਾਏ ਕਈ ਵਾਰਾਂ ‘ਤੇ ਟੂਲਸ ਜਾਂ ਜਾਣਕਾਰੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
• ਸਮੇਂ ਦੇ ਨਾਲ ਸੁਧਾਰ - ਉਹ ਕੰਮ ਜਿੱਥੇ ਏਜੰਟ environment ਜਾਂ ਯੂਜ਼ਰਾਂ ਤੋਂ ਫੀਡਬੈਕ ਪ੍ਰਾਪਤ ਕਰਕੇ ਸਮੇਂ ਦੇ ਨਾਲ ਸੁਧਾਰ ਕਰ ਸਕਦਾ ਹੈ ਤਾਂ ਜੋ ਵਧੀਆ ਯੂਟਿਲਿਟੀ ਪ੍ਰਦਾਨ ਕੀਤੀ ਜਾ ਸਕੇ।

ਅਸੀਂ “Building Trustworthy AI Agents” ਪਾਠ ਵਿੱਚ AI ਏਜੰਟਸ ਦੀ ਵਰਤੋਂ ਦੇ ਹੋਰ ਵਿਚਾਰਾਂ ਨੂੰ ਕਵਰ ਕਰਦੇ ਹਾਂ।

ਏਜੰਟਿਕ ਹੱਲਾਂ ਦੇ ਬੁਨਿਆਦੀਆਂ

ਏਜੰਟ ਵਿਕਾਸ

AI ਏਜੰਟ ਸਿਸਟਮ ਡਿਜ਼ਾਈਨ ਕਰਨ ਦਾ ਪਹਿਲਾ ਕਦਮ ਟੂਲਸ, ਕਾਰਵਾਈਆਂ, ਅਤੇ ਵਿਹਾਰਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨਾ ਹੈ। ਇਸ ਕੋਰਸ ਵਿੱਚ, ਅਸੀਂ Azure AI Agent Service ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਪਣੇ ਏਜੰਟਸ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੇ ਹਾਂ। ਇਹ ਹੇਠਾਂ ਦਿੱਤੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ:

• OpenAI, Mistral, ਅਤੇ Llama ਵਰਗੇ Open Models ਦੀ ਚੋਣ
• Tripadvisor ਵਰਗੇ ਪ੍ਰਦਾਤਾਵਾਂ ਦੁਆਰਾ Licensed Data ਦੀ ਵਰਤੋਂ
• OpenAPI 3.0 ਟੂਲਸ ਦੀ ਮਿਆਰੀਕ੍ਰਿਤ ਵਰਤੋਂ

ਏਜੰਟਿਕ ਪੈਟਰਨਸ

LLMs ਨਾਲ ਸੰਚਾਰ ਪ੍ਰੋਮਪਟਸ ਦੁਆਰਾ ਹੁੰਦਾ ਹੈ। AI ਏਜੰਟਸ ਦੇ ਅਰਧ-ਸਵੈਚਾਲਕ ਸੁਭਾਵ ਦੇ ਕਾਰਨ, environment ਵਿੱਚ ਬਦਲਾਅ ਦੇ ਬਾਅਦ ਹਮੇਸ਼ਾ ਜਾਂ ਲਾਜ਼ਮੀ ਤੌਰ ‘ਤੇ LLM ਨੂੰ ਮੈਨੁਅਲ ਤੌਰ ‘ਤੇ ਦੁਬਾਰਾ ਪ੍ਰੋਮਪਟ ਕਰਨਾ ਸੰਭਵ ਨਹੀਂ ਹੁੰਦਾ। ਅਸੀਂ Agentic Patterns ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ ਜੋ ਸਾਨੂੰ ਕਈ ਕਦਮਾਂ ‘ਤੇ LLM ਨੂੰ ਪ੍ਰੋਮਪਟ ਕਰਨ ਦੀ ਇੱਕ ਵਧੇਰੇ ਸਕੇਲਯੋਗ ਤਰੀਕੇ ਨਾਲ ਸਹਾਇਤਾ ਕਰਦੇ ਹਨ।

ਇਹ ਕੋਰਸ ਕੁਝ ਮੌਜੂਦਾ ਲੋਕਪ੍ਰਿਯ Agentic Patterns ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਹੈ।

ਏਜੰਟਿਕ ਫਰੇਮਵਰਕਸ

Agentic Frameworks ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਕੋਡ ਦੁਆਰਾ Agentic Patterns ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਸਹਾਇਤਾ ਕਰਦੇ ਹਨ। ਇਹ ਫਰੇਮਵਰਕਸ ਟੈਂਪਲੇਟਸ, ਪਲੱਗਇਨਸ, ਅਤੇ ਟੂਲਸ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ ਜੋ ਵਧੀਆ AI ਏਜੰਟਸ ਦੇ ਸਹਿਕਾਰ ਲਈ ਸਹਾਇਕ ਹੁੰਦੇ ਹਨ। ਇਹ ਲਾਭ AI ਏਜੰਟ ਸਿਸਟਮਾਂ ਦੀ ਵਧੀਆ ਦ੍ਰਿਸ਼ਟਤਾ ਅਤੇ ਟ੍ਰਬਲਸ਼ੂਟਿੰਗ ਦੀ ਸਮਰਥਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।

ਇਸ ਕੋਰਸ ਵਿੱਚ, ਅਸੀਂ ਰਿਸਰਚ-ਚਲਿਤ AutoGen Framework ਅਤੇ Semantic Kernel ਤੋਂ ਪ੍ਰੋਡਕਸ਼ਨ-ਤਿਆਰ Agent Framework ਦੀ ਖੋਜ ਕਰਾਂਗੇ।

AI ਏਜੰਟਸ ਬਾਰੇ ਹੋਰ ਸਵਾਲ ਹਨ?

Azure AI Foundry Discord ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੋ, ਹੋਰ ਸਿੱਖਣ ਵਾਲਿਆਂ ਨਾਲ ਮਿਲੋ, ਦਫ਼ਤਰ ਦੇ ਘੰਟਿਆਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੋ ਅਤੇ ਆਪਣੇ AI ਏਜੰਟਸ ਦੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਪ੍ਰਾਪਤ ਕਰੋ।

ਪਿਛਲਾ ਪਾਠ

Course Setup

ਅਗਲਾ ਪਾਠ

Exploring Agentic Frameworks

---

ਅਸਵੀਕਾਰਨਾ:
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼, ਜੋ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਹੈ, ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।

This site is open source. Improve this page.