ai-agents-for-beginners
(Kliknite na obrázok vyššie, aby ste si pozreli video k tejto lekcii)
Úvod do AI agentov a ich využitia
Vitajte v kurze “AI agenti pre začiatočníkov”! Tento kurz poskytuje základné znalosti a praktické príklady na vytváranie AI agentov.
Pripojte sa k Azure AI Discord komunite, kde môžete stretnúť ďalších študentov a tvorcov AI agentov a klásť otázky týkajúce sa tohto kurzu.
Na začiatku kurzu sa zameriame na lepšie pochopenie toho, čo sú AI agenti a ako ich môžeme využiť v aplikáciách a pracovných postupoch, ktoré vytvárame.
Úvod
Táto lekcia pokrýva:
- Čo sú AI agenti a aké sú rôzne typy agentov?
- Aké prípady použitia sú najvhodnejšie pre AI agentov a ako nám môžu pomôcť?
- Aké sú základné stavebné bloky pri navrhovaní agentických riešení?
Ciele učenia
Po absolvovaní tejto lekcie by ste mali byť schopní:
- Pochopiť koncepty AI agentov a ako sa líšia od iných AI riešení.
- Efektívne aplikovať AI agentov.
- Produktívne navrhovať agentické riešenia pre používateľov aj zákazníkov.
Definovanie AI agentov a typy AI agentov
Čo sú AI agenti?
AI agenti sú systémy, ktoré umožňujú veľkým jazykovým modelom (LLMs) vykonávať akcie tým, že rozširujú ich schopnosti a poskytujú im prístup k nástrojom a vedomostiam.
Rozdeľme túto definíciu na menšie časti:
- Systém - Je dôležité myslieť na agentov nie ako na jeden komponent, ale ako na systém mnohých komponentov. Na základnej úrovni sú komponenty AI agenta:
- Prostredie - Definovaný priestor, v ktorom AI agent operuje. Napríklad, ak máme AI agenta na rezerváciu cestovania, prostredím môže byť systém rezervácie cestovania, ktorý agent používa na dokončenie úloh.
- Senzory - Prostredia obsahujú informácie a poskytujú spätnú väzbu. AI agenti používajú senzory na zhromažďovanie a interpretáciu týchto informácií o aktuálnom stave prostredia. V príklade agenta na rezerváciu cestovania môže systém poskytovať informácie, ako je dostupnosť hotelov alebo ceny letov.
- Aktuátory - Keď AI agent získa aktuálny stav prostredia, pre danú úlohu určí, akú akciu vykonať na zmenu prostredia. Pre agenta na rezerváciu cestovania to môže byť rezervácia dostupnej izby pre používateľa.
Veľké jazykové modely - Koncept agentov existoval už pred vznikom LLMs. Výhodou budovania AI agentov s LLMs je ich schopnosť interpretovať ľudský jazyk a dáta. Táto schopnosť umožňuje LLMs interpretovať informácie z prostredia a definovať plán na jeho zmenu.
Vykonávanie akcií - Mimo systémov AI agentov sú LLMs obmedzené na situácie, kde akciou je generovanie obsahu alebo informácií na základe požiadavky používateľa. V rámci systémov AI agentov môžu LLMs vykonávať úlohy interpretáciou požiadavky používateľa a využívaním nástrojov dostupných v ich prostredí.
Prístup k nástrojom - Aké nástroje má LLM k dispozícii, je definované 1) prostredím, v ktorom operuje, a 2) vývojárom AI agenta. V našom príklade cestovného agenta sú nástroje agenta obmedzené operáciami dostupnými v systéme rezervácie, a/alebo vývojár môže obmedziť prístup agenta k nástrojom na lety.
Pamäť + vedomosti - Pamäť môže byť krátkodobá v kontexte konverzácie medzi používateľom a agentom. Dlhodobo, mimo informácií poskytovaných prostredím, môžu AI agenti získavať vedomosti z iných systémov, služieb, nástrojov a dokonca aj od iných agentov. V príklade cestovného agenta môžu byť tieto vedomosti informácie o preferenciách používateľa uložené v zákazníckej databáze.
Rôzne typy agentov
Teraz, keď máme všeobecnú definíciu AI agentov, pozrime sa na konkrétne typy agentov a ako by sa mohli aplikovať na AI agenta na rezerváciu cestovania.
| Typ agenta | Popis | Príklad |
|---|---|---|
| Jednoduchí reflexní agenti | Vykonávajú okamžité akcie na základe preddefinovaných pravidiel. | Cestovný agent interpretuje kontext e-mailu a presmeruje sťažnosti na cestovanie na zákaznícky servis. |
| Modelovo založení reflexní agenti | Vykonávajú akcie na základe modelu sveta a zmien v tomto modeli. | Cestovný agent uprednostňuje trasy s významnými zmenami cien na základe prístupu k historickým údajom o cenách. |
| Agenti založení na cieľoch | Vytvárajú plány na dosiahnutie konkrétnych cieľov interpretáciou cieľa a určením akcií na jeho dosiahnutie. | Cestovný agent rezervuje cestu určením potrebných cestovných opatrení (auto, verejná doprava, lety) z aktuálnej polohy do cieľovej destinácie. |
| Agenti založení na užitočnosti | Zohľadňujú preferencie a numericky vyhodnocujú kompromisy na určenie, ako dosiahnuť ciele. | Cestovný agent maximalizuje užitočnosť vyhodnotením pohodlia vs. nákladov pri rezervácii cestovania. |
| Učiaci sa agenti | Zlepšujú sa časom reagovaním na spätnú väzbu a prispôsobovaním akcií. | Cestovný agent sa zlepšuje používaním spätnej väzby od zákazníkov z dotazníkov po ceste na úpravu budúcich rezervácií. |
| Hierarchickí agenti | Obsahujú viacero agentov v hierarchickom systéme, kde agenti na vyššej úrovni rozdeľujú úlohy na podúlohy pre agentov na nižšej úrovni. | Cestovný agent ruší cestu rozdelením úlohy na podúlohy (napríklad zrušenie konkrétnych rezervácií) a agenti na nižšej úrovni ich dokončujú, pričom podávajú správy agentovi na vyššej úrovni. |
| Systémy viacerých agentov (MAS) | Agenti vykonávajú úlohy nezávisle, buď kooperatívne alebo konkurenčne. | Kooperatívne: Viacerí agenti rezervujú konkrétne cestovné služby, ako sú hotely, lety a zábava. Konkurenčne: Viacerí agenti spravujú a súťažia o zdieľaný kalendár rezervácií hotelov na rezerváciu zákazníkov do hotela. |
Kedy používať AI agentov
V predchádzajúcej časti sme použili prípad použitia cestovného agenta na vysvetlenie, ako sa rôzne typy agentov môžu použiť v rôznych scenároch rezervácie cestovania. Tento príklad budeme používať počas celého kurzu.
Pozrime sa na typy prípadov použitia, na ktoré sú AI agenti najvhodnejší:
- Otvorené problémy - umožnenie LLM určiť potrebné kroky na dokončenie úlohy, pretože ich nie je vždy možné pevne zakódovať do pracovného postupu.
- Procesy s viacerými krokmi - úlohy, ktoré vyžadujú určitú úroveň zložitosti, pri ktorej AI agent potrebuje používať nástroje alebo informácie počas viacerých krokov namiesto jednorazového získania.
- Zlepšovanie časom - úlohy, pri ktorých sa agent môže zlepšovať časom prijímaním spätnej väzby buď od svojho prostredia alebo používateľov, aby poskytoval lepšiu užitočnosť.
Viac úvah o používaní AI agentov pokrývame v lekcii Budovanie dôveryhodných AI agentov.
Základy agentických riešení
Vývoj agenta
Prvým krokom pri navrhovaní systému AI agenta je definovanie nástrojov, akcií a správania. V tomto kurze sa zameriavame na používanie Azure AI Agent Service na definovanie našich agentov. Ponúka funkcie ako:
- Výber otvorených modelov, ako sú OpenAI, Mistral a Llama
- Používanie licencovaných údajov prostredníctvom poskytovateľov, ako je Tripadvisor
- Používanie štandardizovaných nástrojov OpenAPI 3.0
Agentické vzory
Komunikácia s LLMs prebieha prostredníctvom promptov. Vzhľadom na poloautonómnu povahu AI agentov nie je vždy možné alebo potrebné manuálne znovu promptovať LLM po zmene prostredia. Používame agentické vzory, ktoré nám umožňujú promptovať LLM počas viacerých krokov škálovateľnejším spôsobom.
Tento kurz je rozdelený na niektoré z aktuálne populárnych agentických vzorov.
Agentické rámce
Agentické rámce umožňujú vývojárom implementovať agentické vzory prostredníctvom kódu. Tieto rámce ponúkajú šablóny, pluginy a nástroje na lepšiu spoluprácu AI agentov. Tieto výhody poskytujú schopnosti na lepšiu pozorovateľnosť a riešenie problémov systémov AI agentov.
V tomto kurze preskúmame výskumom podložený rámec AutoGen a produkčne pripravený rámec Agent od Semantic Kernel.
Ukážkové kódy
- Python: Agent Framework
- .NET: Agent Framework
Máte ďalšie otázky o AI agentoch?
Pripojte sa k Azure AI Foundry Discord, kde môžete stretnúť ďalších študentov, zúčastniť sa konzultačných hodín a získať odpovede na vaše otázky o AI agentoch.
Predchádzajúca lekcia
Nasledujúca lekcia
Preskúmanie agentických rámcov
Zrieknutie sa zodpovednosti:
Tento dokument bol preložený pomocou služby AI prekladu Co-op Translator. Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.