ai-agents-for-beginners
(Нажмите на изображение выше, чтобы посмотреть видео к этому уроку)
Введение в AI-агентов и примеры использования агентов
Добро пожаловать на курс AI-агенты для начинающих! Этот курс даст вам базовые знания — и работающий код — чтобы начать строить AI-агентов с нуля.
Зайдите в сообщество Azure AI в Discord — там много учеников и разработчиков AI, которые с радостью ответят на вопросы.
Прежде чем переходить к созданию, давайте убедимся, что мы действительно понимаем, что такое AI-агент и когда его целесообразно использовать.
Введение
В этом уроке рассмотрим:
- Что такое AI-агенты и какие бывают их типы
- Для каких задач AI-агенты подходят лучше всего
- Основные компоненты 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 (а когда нет)
- Создавать схематичный дизайн агентного решения для реальной задачи
Определение AI-агентов и типы AI-агентов
Что такое AI-агенты?
Вот простой способ понять это:
AI-агенты — это системы, которые позволяют большим языковым моделям (LLM) выполнять действия — предоставляя им инструменты и знания для воздействия на мир, а не просто отвечать на запросы.
Разберем подробнее:
- Система — AI-агент — это не одна вещь. Это набор частей, работающих вместе. В основе каждого агента три компонента:
- Окружающая среда — пространство, в котором агент действует. Для агента по бронированию путешествий это будет сама платформа бронирования.
- Датчики — как агент читает текущее состояние окружающей среды. Наш агент может проверять доступность отелей или цены на авиабилеты.
- Исполнители (актуаторы) — как агент совершает действия. Агент бронирования может забронировать номер, отправить подтверждение или отменить бронь.
-
Большие языковые модели — агенты существовали до появления LLM, но именно LLM делают современные агенты такими мощными. Они понимают естественный язык, анализируют контекст и могут преобразовывать нечеткий запрос пользователя в конкретный план действий.
-
Выполнение действий — без системы агента LLM генерирует лишь текст. В системе агента LLM может выполнять шаги — искать в базе данных, вызывать API, отправлять сообщение.
-
Доступ к инструментам — какие инструменты агент может использовать, зависит от (1) окружающей среды, в которой он работает, и (2) того, что разработчик решил ему предоставить. Агент бронирования может искать авиарейсы, но не редактировать записи клиентов — всё зависит от связки.
-
Память и знания — у агентов может быть кратковременная память (текущий разговор) и долговременная (база данных клиентов, прошлые взаимодействия). Агент может «помнить», что вы предпочитаете место у окна.
Разные типы AI-агентов
Не все агенты устроены одинаково. Вот основные типы с примерами на агенте по бронированию путешествий:
| Тип агента | Что он делает | Пример агента по бронированию |
|---|---|---|
| Простые рефлексные агенты | Следует жестким правилам — без памяти и планирования. | Видит письмо с жалобой → пересылает в службу поддержки. Вот и всё. |
| Рефлексные агенты на основе модели | Хранит внутреннюю модель мира и обновляет её при изменениях. | Отслеживает исторические цены на авиабилеты и отмечает маршруты с резким подорожанием. |
| Целевые агенты | Имеет цель и планирует, как достичь её шаг за шагом. | Бронирует всю поездку (билеты, машину, отель) с учетом вашего текущего местоположения и пункта назначения. |
| Агенты, основанные на полезности | Ищет не просто решение, а лучшее, взвешивая компромиссы. | Балансирует стоимость и удобство, чтобы подобрать поездку, максимально подходящую под ваши предпочтения. |
| Обучающиеся агенты | Улучшается со временем, обучаясь на обратной связи. | Корректирует рекомендации по бронированию на основе отзывов после поездки. |
| Иерархические агенты | Высокоуровневый агент разбивает работу на подзадачи и делегирует нижестоящим агентам. | Запрос “отмена поездки” делится на: отмена авиабилетов, отеля, аренды машины — каждая задача поручена отдельному агенту. |
| Мультиагентные системы (MAS) | Несколько независимых агентов работают вместе (или конкурируют). | Кооперация: разные агенты отвечают за отели, авиабилеты и развлечения. Конкуренция: несколько агентов борются за бронирование номеров по лучшей цене. |
Когда использовать AI-агентов
То, что вы можете использовать AI-агента, не значит, что всегда нужно. Вот когда агенты действительно полезны:
- Открытые задачи — когда нельзя заранее запрограммировать шаги решения. LLM должен динамически выбирать путь.
- Многоступенчатые процессы — задачи, требующие использования инструментов на нескольких этапах, а не просто однократного запроса или генерации.
- Улучшение со временем — когда нужно, чтобы система становилась умнее на основе откликов пользователей или сигналов из среды.
Подробнее о том, когда (и когда не стоит) применять AI-агентов, расскажем в уроке Построение надежных AI-агентов позже в курсе.
Основы агентных решений
Разработка агентов
Первое, что нужно сделать при создании агента — определить, что он может делать — его инструменты, действия и поведение.
В этом курсе мы используем Azure AI Agent Service как основную платформу. Она поддерживает:
- Модели от провайдеров, таких как OpenAI, Mistral и Meta (Llama)
- Лицензионные данные от провайдеров, например Tripadvisor
- Стандартизированные определения инструментов OpenAPI 3.0
Агентные паттерны
Вы общаетесь с LLM через подсказки. С агентами нельзя вручную создавать каждую подсказку — агент должен действовать через много шагов. Вот для чего нужны агентные паттерны. Это повторно используемые стратегии формирования и оркестровки подсказок для LLM более масштабируемым и надежным способом.
Курс построен вокруг самых распространенных и полезных агентных паттернов.
Агентные фреймворки
Агентные фреймворки предоставляют разработчикам готовые шаблоны, инструменты и инфраструктуру для создания агентов. Они упрощают:
- Подключение инструментов и возможностей
- Мониторинг того, что делает агент (и отладку ошибок)
- Совместную работу нескольких агентов
В этом курсе мы сосредоточимся на Microsoft Agent Framework (MAF) для создания готовых к продакшену агентов.
Примеры кода
Готовы увидеть всё в действии? Вот примеры кода к этому уроку:
- 🐍 Python: Agent Framework
- 🔷 .NET: Agent Framework
Есть вопросы?
Присоединяйтесь к Microsoft Foundry Discord, чтобы общаться с другими учащимися, посещать офисные часы и получать ответы на вопросы об AI-агентах от сообщества.
Предыдущий урок
Следующий урок
Отказ от ответственности: Этот документ был переведен с использованием сервиса машинного перевода Co-op Translator. Несмотря на наши усилия по обеспечению точности, имейте в виду, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется обратиться к профессиональному человеческому переводу. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования этого перевода.