ai-agents-for-beginners
(Clique na imagem acima para assistir ao vídeo desta lição)
Introdução a Agentes de IA e Casos de Uso de Agentes
Bem-vindo ao curso “Agentes de IA para Iniciantes”! Este curso oferece conhecimentos fundamentais e exemplos práticos para construir Agentes de IA.
Junte-se à Comunidade Azure AI no Discord para conhecer outros aprendizes e criadores de Agentes de IA e tirar quaisquer dúvidas que tenha sobre este curso.
Para começar este curso, vamos primeiro entender melhor o que são Agentes de IA e como podemos utilizá-los nas aplicações e fluxos de trabalho que desenvolvemos.
Introdução
Esta lição aborda:
- O que são Agentes de IA e quais são os diferentes tipos de agentes?
- Quais casos de uso são mais adequados para Agentes de IA e como podem ajudar-nos?
- Quais são alguns dos blocos básicos ao projetar Soluções Agênticas?
Objetivos de Aprendizagem
Após concluir esta lição, deverá ser capaz de:
- Compreender os conceitos de Agentes de IA e como diferem de outras soluções de IA.
- Aplicar Agentes de IA de forma mais eficiente.
- Projetar soluções agênticas produtivamente para utilizadores e clientes.
Definindo Agentes de IA e Tipos de Agentes de IA
O que são Agentes de IA?
Agentes de IA são sistemas que permitem que Modelos de Linguagem de Grande Escala (LLMs) executem ações, ampliando suas capacidades ao dar aos LLMs acesso a ferramentas e conhecimento.
Vamos dividir esta definição em partes menores:
- Sistema - É importante pensar nos agentes não apenas como um único componente, mas como um sistema composto por vários componentes. No nível básico, os componentes de um Agente de IA são:
- Ambiente - O espaço definido onde o Agente de IA está a operar. Por exemplo, se tivermos um agente de reserva de viagens, o ambiente pode ser o sistema de reservas de viagens que o agente utiliza para realizar tarefas.
- Sensores - Os ambientes possuem informações e fornecem feedback. Os Agentes de IA utilizam sensores para recolher e interpretar essas informações sobre o estado atual do ambiente. No exemplo do Agente de Reserva de Viagens, o sistema de reservas pode fornecer informações como disponibilidade de hotéis ou preços de voos.
- Atuadores - Após o Agente de IA receber o estado atual do ambiente, para a tarefa em questão, o agente determina qual ação realizar para alterar o ambiente. No caso do agente de reserva de viagens, pode ser reservar um quarto disponível para o utilizador.
Modelos de Linguagem de Grande Escala - O conceito de agentes existia antes da criação dos LLMs. A vantagem de construir Agentes de IA com LLMs é a sua capacidade de interpretar linguagem humana e dados. Essa habilidade permite que os LLMs interpretem informações do ambiente e definam um plano para alterar o ambiente.
Executar Ações - Fora dos sistemas de Agentes de IA, os LLMs estão limitados a situações em que a ação é gerar conteúdo ou informações com base no pedido do utilizador. Dentro dos sistemas de Agentes de IA, os LLMs podem realizar tarefas interpretando o pedido do utilizador e utilizando ferramentas disponíveis no seu ambiente.
Acesso a Ferramentas - As ferramentas às quais o LLM tem acesso são definidas por 1) o ambiente em que está a operar e 2) o desenvolvedor do Agente de IA. No exemplo do agente de viagens, as ferramentas do agente são limitadas pelas operações disponíveis no sistema de reservas e/ou o desenvolvedor pode limitar o acesso do agente às ferramentas de voos.
Memória+Conhecimento - A memória pode ser de curto prazo no contexto da conversa entre o utilizador e o agente. A longo prazo, fora das informações fornecidas pelo ambiente, os Agentes de IA também podem recuperar conhecimento de outros sistemas, serviços, ferramentas e até outros agentes. No exemplo do agente de viagens, esse conhecimento pode ser as preferências de viagem do utilizador armazenadas numa base de dados de clientes.
Os diferentes tipos de agentes
Agora que temos uma definição geral de Agentes de IA, vamos analisar alguns tipos específicos de agentes e como seriam aplicados a um agente de reserva de viagens.
| Tipo de Agente | Descrição | Exemplo |
|---|---|---|
| Agentes de Reflexo Simples | Executam ações imediatas com base em regras predefinidas. | O agente de viagens interpreta o contexto do email e encaminha reclamações de viagem para o serviço de atendimento ao cliente. |
| Agentes Baseados em Modelo | Executam ações com base num modelo do mundo e alterações nesse modelo. | O agente de viagens prioriza rotas com alterações significativas de preço com base no acesso a dados históricos de preços. |
| Agentes Baseados em Objetivos | Criam planos para alcançar objetivos específicos, interpretando o objetivo e determinando ações para alcançá-lo. | O agente de viagens reserva uma viagem determinando os arranjos necessários (carro, transporte público, voos) do local atual até o destino. |
| Agentes Baseados em Utilidade | Consideram preferências e avaliam compensações numericamente para determinar como alcançar objetivos. | O agente de viagens maximiza a utilidade ao avaliar conveniência versus custo ao reservar viagens. |
| Agentes de Aprendizagem | Melhoram ao longo do tempo, respondendo ao feedback e ajustando ações conforme necessário. | O agente de viagens melhora utilizando o feedback dos clientes de pesquisas pós-viagem para fazer ajustes em reservas futuras. |
| Agentes Hierárquicos | Apresentam múltiplos agentes num sistema hierárquico, com agentes de nível superior dividindo tarefas em subtarefas para agentes de nível inferior completarem. | O agente de viagens cancela uma viagem dividindo a tarefa em subtarefas (por exemplo, cancelar reservas específicas) e tendo agentes de nível inferior a completá-las, reportando ao agente de nível superior. |
| Sistemas Multiagentes (MAS) | Agentes completam tarefas de forma independente, cooperativa ou competitiva. | Cooperativo: Múltiplos agentes reservam serviços específicos de viagem, como hotéis, voos e entretenimento. Competitivo: Múltiplos agentes gerem e competem por um calendário de reservas de hotel compartilhado para acomodar clientes. |
Quando Usar Agentes de IA
Na seção anterior, utilizámos o caso de uso do Agente de Viagens para explicar como os diferentes tipos de agentes podem ser usados em diferentes cenários de reserva de viagens. Continuaremos a usar esta aplicação ao longo do curso.
Vamos analisar os tipos de casos de uso para os quais os Agentes de IA são mais adequados:
- Problemas Abertos - permitindo que o LLM determine os passos necessários para completar uma tarefa, pois nem sempre é possível codificar isso num fluxo de trabalho.
- Processos de Múltiplas Etapas - tarefas que requerem um nível de complexidade em que o Agente de IA precisa usar ferramentas ou informações ao longo de várias interações, em vez de uma única recuperação.
- Melhoria ao Longo do Tempo - tarefas em que o agente pode melhorar ao longo do tempo ao receber feedback do ambiente ou dos utilizadores para oferecer melhor utilidade.
Abordamos mais considerações sobre o uso de Agentes de IA na lição Construindo Agentes de IA Confiáveis.
Fundamentos de Soluções Agênticas
Desenvolvimento de Agentes
O primeiro passo ao projetar um sistema de Agente de IA é definir as ferramentas, ações e comportamentos. Neste curso, focamos no uso do Azure AI Agent Service para definir os nossos Agentes. Ele oferece recursos como:
- Seleção de Modelos Abertos, como OpenAI, Mistral e Llama
- Uso de Dados Licenciados através de fornecedores como Tripadvisor
- Uso de ferramentas padronizadas OpenAPI 3.0
Padrões Agênticos
A comunicação com LLMs é feita através de prompts. Dada a natureza semi-autónoma dos Agentes de IA, nem sempre é possível ou necessário reconfigurar manualmente o LLM após uma alteração no ambiente. Utilizamos Padrões Agênticos que permitem configurar o LLM ao longo de várias etapas de forma mais escalável.
Este curso está dividido em alguns dos padrões agênticos populares atualmente.
Frameworks Agênticos
Frameworks Agênticos permitem que os desenvolvedores implementem padrões agênticos através de código. Esses frameworks oferecem templates, plugins e ferramentas para melhor colaboração entre Agentes de IA. Esses benefícios proporcionam melhores capacidades de observação e resolução de problemas em sistemas de Agentes de IA.
Neste curso, exploraremos o framework AutoGen, orientado por pesquisa, e o framework de produção Agent do Semantic Kernel.
Exemplos de Código
- Python: Framework de Agentes
- .NET: Framework de Agentes
Tem Mais Perguntas sobre Agentes de IA?
Junte-se ao Azure AI Foundry Discord para conhecer outros aprendizes, participar de horários de atendimento e tirar suas dúvidas sobre Agentes de IA.
Lição Anterior
Próxima Lição
Explorando Frameworks Agênticos
Aviso:
Este documento foi traduzido utilizando o serviço de tradução por IA Co-op Translator. Embora nos esforcemos pela precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autoritária. Para informações críticas, recomenda-se uma tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.