ai-agents-for-beginners
(Нажмите на изображение выше, чтобы посмотреть видео этого урока)
Введение в AI-агентов и их применение
Добро пожаловать на курс “AI-агенты для начинающих”! Этот курс предоставляет базовые знания и практические примеры для создания AI-агентов.
Присоединяйтесь к Azure AI Foundry Discord, чтобы познакомиться с другими учащимися и разработчиками AI-агентов, а также задать любые вопросы по курсу.
Чтобы начать курс, мы сначала разберемся, что такое AI-агенты и как их можно использовать в приложениях и рабочих процессах, которые мы создаем.
Введение
Этот урок охватывает:
- Что такое AI-агенты и какие существуют их типы?
- Какие задачи лучше всего подходят для AI-агентов и как они могут нам помочь?
- Какие основные элементы нужно учитывать при проектировании агентных решений?
Цели обучения
После завершения этого урока вы сможете:
- Понять концепции AI-агентов и их отличия от других AI-решений.
- Эффективно применять AI-агентов.
- Продуктивно проектировать агентные решения для пользователей и клиентов.
Определение AI-агентов и их типы
Что такое AI-агенты?
AI-агенты — это системы, которые позволяют моделям обработки естественного языка (LLMs) выполнять действия, расширяя их возможности за счет предоставления доступа к инструментам и знаниям.
Разберем это определение на части:
- Система — важно рассматривать агентов не как отдельный компонент, а как систему из множества компонентов. На базовом уровне компоненты AI-агента включают:
- Среда — определенное пространство, в котором работает AI-агент. Например, если у нас есть агент для бронирования путешествий, средой может быть система бронирования, которую агент использует для выполнения задач.
- Сенсоры — среда предоставляет информацию и обратную связь. AI-агенты используют сенсоры для сбора и интерпретации этой информации о текущем состоянии среды. В примере с агентом для бронирования путешествий система может предоставлять информацию, такую как доступность отелей или цены на авиабилеты.
- Актуаторы — после получения текущего состояния среды агент определяет, какое действие выполнить, чтобы изменить среду. Для агента бронирования это может быть бронирование доступного номера для пользователя.
Модели обработки естественного языка (LLMs) — концепция агентов существовала еще до появления LLMs. Преимущество использования LLMs в AI-агентах заключается в их способности интерпретировать человеческий язык и данные. Это позволяет LLMs понимать информацию из среды и разрабатывать план для ее изменения.
Выполнение действий — вне систем AI-агентов LLMs ограничены ситуациями, где их действия сводятся к генерации контента или информации на основе запроса пользователя. В системах AI-агентов LLMs могут выполнять задачи, интерпретируя запросы пользователя и используя доступные инструменты в своей среде.
Доступ к инструментам — доступные инструменты определяются 1) средой, в которой работает LLM, и 2) разработчиком AI-агента. В примере с агентом для путешествий инструменты агента ограничены операциями, доступными в системе бронирования, или разработчик может ограничить доступ агента только к авиабилетам.
Память и знания — память может быть краткосрочной в контексте диалога между пользователем и агентом. В долгосрочной перспективе, помимо информации из среды, AI-агенты могут извлекать знания из других систем, сервисов, инструментов и даже других агентов. В примере с агентом для путешествий такими знаниями могут быть предпочтения пользователя, хранящиеся в клиентской базе данных.
Различные типы агентов
Теперь, когда у нас есть общее определение AI-агентов, давайте рассмотрим конкретные типы агентов и их применение на примере агента для бронирования путешествий.
| Тип агента | Описание | Пример |
|---|---|---|
| Простые рефлекторные агенты | Выполняют немедленные действия на основе заранее заданных правил. | Агент для путешествий интерпретирует контекст письма и перенаправляет жалобы на путешествия в службу поддержки клиентов. |
| Модели на основе рефлекторных агентов | Выполняют действия на основе модели мира и изменений в этой модели. | Агент для путешествий приоритизирует маршруты с существенными изменениями цен, используя доступ к историческим данным о ценах. |
| Целеориентированные агенты | Создают планы для достижения конкретных целей, интерпретируя цель и определяя действия для ее достижения. | Агент для путешествий бронирует поездку, определяя необходимые транспортные средства (автомобиль, общественный транспорт, авиарейсы) от текущего местоположения до пункта назначения. |
| Агенты на основе полезности | Учитывают предпочтения и взвешивают компромиссы численно, чтобы определить, как достичь целей. | Агент для путешествий максимизирует полезность, взвешивая удобство против стоимости при бронировании поездки. |
| Обучающиеся агенты | Улучшаются со временем, реагируя на обратную связь и корректируя свои действия. | Агент для путешествий улучшает свои действия, используя отзывы клиентов из опросов после поездки для внесения изменений в будущие бронирования. |
| Иерархические агенты | Состоят из нескольких агентов в многоуровневой системе, где агенты верхнего уровня разбивают задачи на подзадачи для выполнения агентами нижнего уровня. | Агент для путешествий отменяет поездку, разделяя задачу на подзадачи (например, отмена конкретных бронирований) и поручая их выполнение агентам нижнего уровня, которые отчитываются перед агентом верхнего уровня. |
| Мультиагентные системы (MAS) | Агенты выполняют задачи независимо, либо кооперативно, либо конкурентно. | Кооперативно: несколько агентов бронируют конкретные услуги, такие как отели, авиабилеты и развлечения. Конкурентно: несколько агентов управляют и конкурируют за общий календарь бронирования отелей, чтобы разместить клиентов. |
Когда использовать AI-агентов
В предыдущем разделе мы использовали пример агента для путешествий, чтобы объяснить, как разные типы агентов могут применяться в различных сценариях бронирования. Мы продолжим использовать это приложение на протяжении всего курса.
Давайте рассмотрим типы задач, для которых AI-агенты подходят лучше всего:
- Открытые задачи — предоставление LLM возможности определять необходимые шаги для выполнения задачи, так как их не всегда можно жестко закодировать в рабочем процессе.
- Многошаговые процессы — задачи, требующие определенной сложности, где AI-агенту нужно использовать инструменты или информацию на протяжении нескольких шагов, а не за один раз.
- Улучшение со временем — задачи, где агент может улучшаться, получая обратную связь от своей среды или пользователей, чтобы предоставлять большую полезность.
Мы подробнее рассмотрим аспекты использования AI-агентов в уроке “Создание надежных AI-агентов”.
Основы агентных решений
Разработка агентов
Первый шаг в проектировании системы AI-агента — это определение инструментов, действий и поведения. В этом курсе мы сосредоточимся на использовании Azure AI Agent Service для определения наших агентов. Этот сервис предлагает такие возможности, как:
- Выбор открытых моделей, таких как OpenAI, Mistral и Llama
- Использование лицензированных данных через провайдеров, таких как Tripadvisor
- Использование стандартизированных инструментов OpenAPI 3.0
Агентные паттерны
Взаимодействие с LLM осуществляется через подсказки (prompts). Учитывая полуавтономный характер AI-агентов, не всегда возможно или необходимо вручную изменять подсказки после изменений в среде. Мы используем агентные паттерны, которые позволяют масштабируемо взаимодействовать с LLM на протяжении нескольких шагов.
Этот курс разделен на несколько популярных агентных паттернов.
Агентные фреймворки
Агентные фреймворки позволяют разработчикам реализовывать агентные паттерны через код. Эти фреймворки предлагают шаблоны, плагины и инструменты для улучшения взаимодействия AI-агентов. Эти преимущества обеспечивают лучшую наблюдаемость и отладку систем AI-агентов.
В этом курсе мы изучим исследовательский фреймворк AutoGen и готовый к производству фреймворк Agent от Semantic Kernel.
Остались вопросы об AI-агентах?
Присоединяйтесь к Azure AI Foundry Discord, чтобы встретиться с другими учащимися, посетить офисные часы и получить ответы на свои вопросы об AI-агентах.
Предыдущий урок
Следующий урок
Отказ от ответственности:
Этот документ был переведен с помощью сервиса автоматического перевода Co-op Translator. Несмотря на наши усилия обеспечить точность, автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования данного перевода.