ai-agents-for-beginners
(Kliknij obrazek powyżej, aby obejrzeć wideo z tej lekcji)
Wprowadzenie do agentów AI i ich zastosowań
Witaj w kursie “Agenci AI dla początkujących”! Ten kurs dostarcza podstawowej wiedzy oraz praktycznych przykładów budowania agentów AI.
Dołącz do społeczności Azure AI na Discordzie, aby spotkać innych uczących się i twórców agentów AI oraz zadać pytania dotyczące tego kursu.
Na początek kursu skupimy się na lepszym zrozumieniu, czym są agenci AI i jak można ich używać w aplikacjach i procesach, które tworzymy.
Wprowadzenie
Ta lekcja obejmuje:
- Czym są agenci AI i jakie są ich różne typy?
- Jakie zastosowania są najlepsze dla agentów AI i jak mogą nam pomóc?
- Jakie są podstawowe elementy projektowania rozwiązań opartych na agentach?
Cele nauki
Po ukończeniu tej lekcji będziesz w stanie:
- Zrozumieć koncepcje agentów AI i ich różnice w porównaniu z innymi rozwiązaniami AI.
- Efektywnie stosować agentów AI.
- Produktywnie projektować rozwiązania oparte na agentach dla użytkowników i klientów.
Definicja agentów AI i ich typy
Czym są agenci AI?
Agenci AI to systemy, które umożliwiają modelom językowym dużej skali (LLM) wykonywanie działań, rozszerzając ich możliwości poprzez zapewnienie im dostępu do narzędzi i wiedzy.
Rozbijmy tę definicję na mniejsze części:
- System - Ważne jest, aby myśleć o agentach nie jako o pojedynczym komponencie, ale jako o systemie wielu komponentów. Na podstawowym poziomie komponenty agenta AI to:
- Środowisko - Zdefiniowana przestrzeń, w której działa agent AI. Na przykład, jeśli mielibyśmy agenta AI do rezerwacji podróży, środowiskiem mogłoby być system rezerwacji podróży, z którego agent korzysta, aby wykonywać zadania.
- Czujniki - Środowiska zawierają informacje i dostarczają informacji zwrotnych. Agenci AI używają czujników do zbierania i interpretowania tych informacji o aktualnym stanie środowiska. W przykładzie agenta rezerwacji podróży, system rezerwacji podróży może dostarczać informacji, takich jak dostępność hoteli czy ceny lotów.
- Siłowniki - Gdy agent AI otrzyma aktualny stan środowiska, dla bieżącego zadania określa, jakie działanie wykonać, aby zmienić środowisko. W przypadku agenta rezerwacji podróży może to być zarezerwowanie dostępnego pokoju dla użytkownika.
Modele językowe dużej skali - Koncepcja agentów istniała przed powstaniem LLM. Zaletą budowania agentów AI z LLM jest ich zdolność do interpretowania języka ludzkiego i danych. Ta zdolność pozwala LLM interpretować informacje o środowisku i definiować plan zmiany środowiska.
Wykonywanie działań - Poza systemami agentów AI, LLM są ograniczone do sytuacji, w których działanie polega na generowaniu treści lub informacji na podstawie zapytania użytkownika. W systemach agentów AI LLM mogą realizować zadania, interpretując prośbę użytkownika i korzystając z narzędzi dostępnych w ich środowisku.
Dostęp do narzędzi - To, jakie narzędzia są dostępne dla LLM, zależy od 1) środowiska, w którym działa, oraz 2) programisty agenta AI. W naszym przykładzie agenta podróży narzędzia agenta są ograniczone przez operacje dostępne w systemie rezerwacji oraz/lub programista może ograniczyć dostęp agenta do narzędzi, takich jak loty.
Pamięć + Wiedza - Pamięć może być krótkoterminowa w kontekście rozmowy między użytkownikiem a agentem. Długoterminowo, poza informacjami dostarczanymi przez środowisko, agenci AI mogą również pobierać wiedzę z innych systemów, usług, narzędzi, a nawet innych agentów. W przykładzie agenta podróży wiedza ta mogłaby obejmować informacje o preferencjach podróżnych użytkownika znajdujące się w bazie danych klientów.
Różne typy agentów
Teraz, gdy mamy ogólną definicję agentów AI, przyjrzyjmy się niektórym konkretnym typom agentów i ich zastosowaniom w przypadku agenta rezerwacji podróży.
| Typ agenta | Opis | Przykład |
|---|---|---|
| Proste agenty reaktywne | Wykonują natychmiastowe działania na podstawie z góry określonych reguł. | Agent podróży interpretuje kontekst e-maila i przekazuje skargi dotyczące podróży do obsługi klienta. |
| Agenty reaktywne oparte na modelu | Wykonują działania na podstawie modelu świata i zmian w tym modelu. | Agent podróży priorytetowo traktuje trasy z istotnymi zmianami cen na podstawie dostępu do danych historycznych dotyczących cen. |
| Agenty oparte na celach | Tworzą plany osiągnięcia określonych celów, interpretując cel i określając działania, które do niego prowadzą. | Agent podróży rezerwuje podróż, określając niezbędne środki transportu (samochód, komunikacja publiczna, loty) z obecnej lokalizacji do miejsca docelowego. |
| Agenty oparte na użyteczności | Uwzględniają preferencje i oceniają kompromisy numerycznie, aby określić, jak osiągnąć cele. | Agent podróży maksymalizuje użyteczność, oceniając wygodę w porównaniu z kosztami podczas rezerwacji podróży. |
| Agenty uczące się | Poprawiają się z czasem, reagując na informacje zwrotne i dostosowując działania. | Agent podróży poprawia się, korzystając z opinii klientów z ankiet po podróży, aby wprowadzać zmiany w przyszłych rezerwacjach. |
| Agenty hierarchiczne | Zawierają wielu agentów w systemie warstwowym, gdzie agenci wyższego poziomu dzielą zadania na podzadania dla agentów niższego poziomu. | Agent podróży anuluje podróż, dzieląc zadanie na podzadania (np. anulowanie konkretnych rezerwacji) i zlecając ich wykonanie agentom niższego poziomu, którzy raportują wyniki agentowi wyższego poziomu. |
| Systemy wieloagentowe (MAS) | Agenci wykonują zadania niezależnie, współpracując lub konkurując. | Współpraca: Wielu agentów rezerwuje konkretne usługi podróżne, takie jak hotele, loty i rozrywka. Konkurencja: Wielu agentów zarządza i rywalizuje o wspólny kalendarz rezerwacji hotelowych, aby zarezerwować klientów w hotelu. |
Kiedy używać agentów AI
W poprzedniej sekcji użyliśmy przykładu agenta podróży, aby wyjaśnić, jak różne typy agentów mogą być używane w różnych scenariuszach rezerwacji podróży. Będziemy kontynuować korzystanie z tej aplikacji w całym kursie.
Przyjrzyjmy się typom zastosowań, w których agenci AI sprawdzają się najlepiej:
- Problemy otwarte - pozwalając LLM określić potrzebne kroki do wykonania zadania, ponieważ nie zawsze można je zakodować w procesie.
- Procesy wieloetapowe - zadania wymagające poziomu złożoności, w których agent AI musi korzystać z narzędzi lub informacji przez wiele tur, zamiast jednorazowego pobierania.
- Poprawa z czasem - zadania, w których agent może się poprawiać z czasem, otrzymując informacje zwrotne od środowiska lub użytkowników, aby zapewnić lepszą użyteczność.
Więcej rozważań dotyczących używania agentów AI omówimy w lekcji “Budowanie wiarygodnych agentów AI”.
Podstawy rozwiązań opartych na agentach
Tworzenie agentów
Pierwszym krokiem w projektowaniu systemu agenta AI jest zdefiniowanie narzędzi, działań i zachowań. W tym kursie skupiamy się na używaniu Azure AI Agent Service do definiowania naszych agentów. Oferuje on funkcje takie jak:
- Wybór otwartych modeli, takich jak OpenAI, Mistral i Llama
- Korzystanie z licencjonowanych danych od dostawców, takich jak Tripadvisor
- Korzystanie ze standardowych narzędzi OpenAPI 3.0
Wzorce agentów
Komunikacja z LLM odbywa się za pomocą promptów. Ze względu na półautonomiczny charakter agentów AI, nie zawsze jest możliwe lub konieczne ręczne ponowne promptowanie LLM po zmianie w środowisku. Używamy wzorów agentów, które pozwalają na promptowanie LLM przez wiele kroków w bardziej skalowalny sposób.
Ten kurs jest podzielony na niektóre z obecnie popularnych wzorców agentów.
Frameworki agentów
Frameworki agentów pozwalają programistom wdrażać wzorce agentów za pomocą kodu. Te frameworki oferują szablony, wtyczki i narzędzia do lepszej współpracy agentów AI. Te korzyści zapewniają lepszą obserwowalność i rozwiązywanie problemów w systemach agentów AI.
W tym kursie zbadamy oparty na badaniach framework AutoGen oraz gotowy do produkcji framework Agent z Semantic Kernel.
Przykładowe kody
- Python: Framework agenta
- .NET: Framework agenta
Masz więcej pytań dotyczących agentów AI?
Dołącz do Azure AI Foundry Discord, aby spotkać się z innymi uczącymi się, wziąć udział w godzinach konsultacji i uzyskać odpowiedzi na pytania dotyczące agentów AI.
Poprzednia lekcja
Następna lekcja
Odkrywanie frameworków agentów
Zastrzeżenie:
Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Chociaż staramy się zapewnić dokładność, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego rodzimym języku powinien być uznawany za autorytatywne źródło. W przypadku informacji krytycznych zaleca się skorzystanie z profesjonalnego tłumaczenia przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.