ai-agents-for-beginners
(Нажмите на изображение выше, чтобы посмотреть видео к этому уроку)
Введение в AI агентов и случаи их использования
Добро пожаловать на курс AI агенты для начинающих! Этот курс даст вам базовые знания — и реальный рабочий код — чтобы начать создавать AI агентов с нуля.
Загляните поздороваться в сообщество Azure AI в Discord — там много обучающихся и разработчиков AI, которые с радостью ответят на вопросы.
Прежде чем приступать к построению, давайте убедимся, что мы действительно понимаем, что такое AI агент и когда имеет смысл его использовать.
Введение
Этот урок охватывает:
- Что такое AI агенты и какие типы существуют
- Для каких задач AI агенты подходят лучше всего
- Основные строительные блоки, которые вы будете использовать при проектировании агентского решения
Цели обучения
По окончании этого урока вы сможете:
- Объяснить, что такое AI агент и чем он отличается от обычного AI решения
- Понимать, когда стоит использовать AI агента (а когда нет)
- Набросать базовый дизайн агентского 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) действительно делать что-то — предоставляя им инструменты и знания для действий в мире, а не просто отвечать на запросы.
Раскроем немного подробнее:
- Система — AI агент — это не просто одна вещь. Это набор частей, работающих вместе. В основе каждого агента три компонента:
- Окружение — пространство, в котором агент работает. Для агента по бронированию путешествий это будет сама платформа бронирования.
- Датчики — как агент считывает текущее состояние окружения. Наш агент по путешествиям может проверять доступность гостиниц или цены на билеты.
- Актуаторы — как агент совершает действие. Агент по путешествиям может забронировать номер, отправить подтверждение или отменить бронирование.
-
Большие языковые модели — агенты существовали и до LLM, но именно LLM делают современных агентов такими мощными. Они понимают естественный язык, рассуждают о контексте и превращают расплывчатый запрос пользователя в конкретный план действий.
-
Выполнение действий — без системы агента LLM просто генерирует текст. В системе агента LLM может действительно выполнять шаги — искать в базе данных, вызывать API, отправлять сообщение.
-
Доступ к инструментам — какие инструменты агент может использовать, зависит от (1) окружения, в котором он работает, и (2) от того, что разработчик ему предоставил. Агент по путешествиям может искать рейсы, но не редактировать записи клиентов — все зависит от подключения.
-
Память + Знания — агенты могут иметь краткосрочную память (текущий разговор) и долгосрочную память (база клиентов, предыдущие взаимодействия). Агент по путешествиям может «помнить», что вы предпочитаете места у окна.
Разные типы AI агентов
Не все агенты построены одинаково. Вот разбор основных типов, используя в качестве примера агента по бронированию путешествий:
| Тип агента | Что он делает | Пример агента по путешествиям |
|---|---|---|
| Простые рефлекс-агенты | Следуют жёстко заданным правилам — без памяти и планирования. | Видит жалобное письмо → пересылает в службу поддержки. Вот и всё. |
| Модельно-основанные рефлекс-агенты | Хранят внутреннюю модель мира и обновляют её при изменениях. | Отслеживает исторические цены на билеты и помечает маршруты с резким ростом стоимости. |
| Агенты, основанные на целях | Имеют цель и планируют, как её достичь шаг за шагом. | Бронирует полное путешествие (рейсы, машину, отель) от вашего местоположения до пункта назначения. |
| Агенты, основанные на полезности | Не просто находят какое-то решение — находят лучшее, взвешивая компромиссы. | Балансирует стоимость и удобство, чтобы предложить поездку, максимально соответствующую вашим предпочтениям. |
| Обучающиеся агенты | Становятся лучше со временем, обучаясь на отзывах. | Корректирует будущие рекомендации по бронированиям по результатам опросов после поездки. |
| Иерархические агенты | Высокоуровневый агент разбивает работу на подзадачи и делегирует их нижестоящим агентам. | Запрос “отменить поездку” разбивается на: отменить рейс, отменить отель, отменить аренду машины — каждое выполняет под-агент. |
| Мультиагентные системы (MAS) | Несколько независимых агентов работают вместе (или конкурируют). | Кооперативная: отдельные агенты управляют отелями, рейсами и развлечениями. Конкурентная: несколько агентов соревнуются за заполнение номеров по лучшей цене. |
Когда использовать AI агентов
Просто потому, что вы можете использовать AI агента, не значит, что всегда стоит. Вот ситуации, где агенты действительно эффективны:
- Открытые проблемы — когда шаги решения невозможно запрограммировать заранее. Нужен LLM, чтобы динамически находить путь.
- Многошаговые процессы — задачи, требующие использования инструментов в несколько этапов, а не просто одного поиска или генерации.
- Улучшение со временем — когда система должна становиться умнее на основе отзывов пользователей или сигналов окружения.
Мы подробнее рассмотрим, когда (и когда не) стоит использовать AI агентов в уроке Построение надежных AI агентов позже в курсе.
Основы агентских решений
Разработка агента
Первое, что вы делаете при создании агента — определяете, что он может делать — его инструменты, действия и поведение.
В этом курсе мы используем Microsoft Foundry Agent Service как основную платформу. Она поддерживает:
- Модели от поставщиков, таких как OpenAI, Mistral и Meta (Llama)
- Лицензированные данные от поставщиков, таких как Tripadvisor
- Стандартизированные определения инструментов OpenAPI 3.0
Агентские паттерны
Вы взаимодействуете с LLM через подсказки (prompts). С агентами нельзя всегда вручную создавать каждую подсказку — агент должен выполнять действия в несколько шагов. Вот тут и приходят на помощь агентские паттерны. Это повторно используемые стратегии для построения и управления LLM более масштабируемо и надежно.
Курс построен вокруг самых распространённых и полезных агентских паттернов.
Агентские фреймворки
Агентские фреймворки предоставляют разработчикам готовые шаблоны, инструменты и инфраструктуру для создания агентов. Они упрощают:
- Подключение инструментов и возможностей
- Наблюдение за действиями агента (и отладку в случае ошибок)
- Совместную работу между несколькими агентами
В этом курсе мы сосредоточимся на Microsoft Agent Framework (MAF) для создания готовых к производству агентов.
Примеры кода
Хотите 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 обучающимися, посещать часы поддержки и получать ответы на вопросы по AI агентам от сообщества.
Тестирование агента (по желанию)
После того, как вы научитесь разворачивать агентов в Уроке 16, вы сможете добавить быстрый проверочный тест здоровья для агента TravelAgent этого урока с помощью готового каталога tests/lesson-01-smoke-tests.json. См. tests/README.md для инструкции запуска.
Предыдущий урок
Следующий урок
Изучение агентских фреймворков
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.