ai-agents-for-beginners
(Нажмите на изображение выше, чтобы посмотреть видео этого урока)
Введение в AI-агентов и случаи использования агентов
Добро пожаловать на курс AI-агенты для начинающих! Этот курс даст вам базовые знания — и рабочий код — чтобы начать создавать AI-агентов с нуля.
Загляните в сообщество Azure AI в Discord — там полно учеников и разработчиков AI, которые с радостью ответят на вопросы.
Прежде чем приступать к созданию, давайте убедимся, что мы действительно понимаем, что такое AI-агент и когда целесообразно его использовать.
Введение
В этом уроке вы узнаете:
- Что такое AI-агенты и какие их виды существуют
- Для каких задач AI-агенты подходят лучше всего
- Основные строительные блоки, которые вы будете использовать при проектировании агентного решения
Цели обучения
К концу урока вы должны уметь:
- Объяснять, что такое AI-агент и чем он отличается от обычного AI-решения
- Знать, когда стоит использовать AI-агента (и когда нет)
- Нарисовать базовый дизайн агентного решения для реальной задачи
Определение AI-агентов и типы AI-агентов
Что такое AI-агенты?
Вот простой способ это представить:
AI-агенты — это системы, которые позволяют большим языковым моделям (LLM) действительно делать что-то — предоставляя им инструменты и знания для действий в мире, а не просто отвечать на запросы.
Разберём это подробнее:
- Система — AI-агент — это не просто одна вещь. Это набор компонентов, работающих вместе. В основе каждый агент состоит из трёх частей:
- Окружение — пространство, в котором работает агент. Для туристического агента это будет сама платформа бронирования.
- Датчики — как агент считывает текущее состояние окружения. Наш туристический агент может проверять доступность отелей или цены на билеты.
- Исполнители — как агент совершает действия. Туристический агент может забронировать номер, отправить подтверждение или отменить бронь.
-
Большие языковые модели — Агенты существовали и до LLM, но именно LLM делают современных агентов такими мощными. Они понимают естественный язык, анализируют контекст и превращают неопределённый запрос пользователя в конкретный план действий.
-
Выполнение действий — Без агентной системы LLM просто генерирует текст. В системе агента LLM может действительно выполнять шаги — искать информацию в базе, вызывать API, отправлять сообщения.
-
Доступ к инструментам — Какие инструменты доступны агенту зависит от (1) окружения, в котором он работает, и (2) что ему разрешил использовать разработчик. Туристический агент может искать рейсы, но не редактировать данные клиентов — всё зависит от настроек.
-
Память и знания — Агенты могут иметь кратковременную память (текущий диалог) и долговременную (база данных клиентов, прошлые взаимодействия). Туристический агент может «помнить», что вы предпочитаете места у окна.
Разные типы AI-агентов
Не все агенты устроены одинаково. Вот обзор основных типов на примере туристического агента:
| Тип агента | Что делает | Пример туристического агента |
|---|---|---|
| Агенты с простыми рефлексами | Следуют жестко заданным правилам — без памяти и планирования. | Видит жалобное письмо → пересылает в службу поддержки. Всё. |
| Агенты с моделью и рефлексами | Поддерживают внутреннюю модель мира и обновляют её при изменениях. | Отслеживает исторические цены на билеты и отмечает маршруты с резким повышением стоимости. |
| Агенты, ориентированные на цель | Имеют цель и последовательно рассчитывают, как её достичь. | Бронирует весь маршрут (рейсы, автомобиль, отели) от вашего текущего местоположения до пункта назначения. |
| Агенты на основе полезности | Не просто находят решение — находят лучшее среди вариантов, взвешивая компромиссы. | Балансирует цену и удобство для выбора поездки с оптимальными параметрами для вас. |
| Обучающиеся агенты | Со временем становятся лучше, обучаясь на обратной связи. | Корректирует будущие рекомендации по бронированию на основе отзывов после поездки. |
| Иерархические агенты | Высокоуровневый агент разбивает работу на подзадачи и делегирует подагентам. | Запрос “отменить поездку” разбивается на: отменить рейс, отменить отель, отменить аренду машины — каждая часть выполняется отдельным подагентом. |
| Мультиагентные системы (MAS) | Несколько независимых агентов работают вместе (или конкурируют). | Кооператив: отдельные агенты занимаются отелями, рейсами и развлечениями. Конкурент: несколько агентов борются за брони отелей по лучшей цене. |
Когда использовать AI-агентов
Просто потому что вы можете использовать AI-агента, не значит, что всегда стоит. Вот ситуации, в которых агенты действительно полезны:
- Проблемы с открытым результатом — когда шаги решения нельзя программировать заранее. LLM должен динамически выстраивать путь.
- Многоэтапные процессы — задачи, требующие взаимодействия с инструментами в несколько этапов, а не одного простого запроса или генерации.
- Улучшение с течением времени — когда нужно, чтобы система становилась умнее, основываясь на отзывах пользователей или сигналах окружения.
Мы глубже рассмотрим, когда (и когда нет) использовать AI-агентов в уроке Построение надежных AI-агентов позднее в курсе.
Основы агентных решений
Разработка агента
Первое, что нужно сделать при создании агента — определить, что он может делать — какие у него есть инструменты, действия и поведение.
В этом курсе мы используем Azure AI Agent Service как основную платформу. Она поддерживает:
- Открытые модели, такие как OpenAI, Mistral и Llama
- Лицензированные данные от провайдеров, например Tripadvisor
- Стандартизированные определения инструментов OpenAPI 3.0
Агентные паттерны
Вы взаимодействуете с LLM через подсказки. С агентами нельзя вручную создавать каждый промпт — агент должен действовать многократно. Здесь на помощь приходят агентные паттерны — повторно используемые стратегии для управляемой и масштабируемой работы с LLM.
Этот курс построен вокруг самых распространённых и полезных агентных паттернов.
Агентные фреймворки
Агентные фреймворки предоставляют готовые шаблоны, инструменты и инфраструктуру для разработки агентов. Они упрощают:
- Подключение инструментов и возможностей
- Отслеживание действий агента (и отладку при ошибках)
- Совместную работу нескольких агентов
В этом курсе мы сосредоточимся на Microsoft Agent Framework (MAF) для создания готовых к производству агентов.
Примеры кода
Готовы увидеть это в действии? Вот примеры кода для этого урока:
- 🐍 Python: Agent Framework
- 🔷 .NET: Agent Framework
Есть вопросы?
Присоединяйтесь к Microsoft Foundry Discord, чтобы общаться с другими учениками, участвовать в офис-часах и получить ответы на вопросы по AI-агентам от сообщества.
Предыдущий урок
Следующий урок
Отказ от ответственности:
Этот документ был переведен с помощью сервиса автоматического перевода Co-op Translator. Несмотря на наши усилия по обеспечению точности, будьте внимательны, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на его родном языке следует считать авторитетным источником. Для критически важной информации рекомендуется использовать профессиональный перевод, выполненный человеком. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования этого перевода.