ai-agents-for-beginners
(Kliknite na obrázok vyššie a pozrite si 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 Foundry Discord, aby ste sa stretli s ostatnými študentmi a tvorcami AI agentov a mohli 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 ich rôzne typy?
- 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 dokončení 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. Základné komponenty AI agenta sú:
- Prostredie - Definovaný priestor, v ktorom AI agent operuje. Napríklad, ak máme AI agenta na rezerváciu cestovania, prostredie môže byť rezervačný systém, ktorý agent používa na vykonávanie úloh.
- Senzory - Prostredia poskytujú informácie a spätnú väzbu. AI agenti používajú senzory na zhromažďovanie a interpretáciu informácií o aktuálnom stave prostredia. V prípade cestovného agenta môže systém poskytovať informácie, ako je dostupnosť hotelov alebo ceny letov.
- Aktuátory - Keď AI agent získa aktuálny stav prostredia, určí, akú akciu vykonať, aby zmenil prostredie. Pre cestovného agenta 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 akcia spočíva v generovaní obsahu alebo informácií na základe používateľského podnetu. V rámci systémov AI agentov môžu LLMs plniť úlohy interpretáciou požiadaviek 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 obmedzené operáciami dostupnými v rezervačnom systéme, prípadne 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 prípade cestovného agenta by tieto vedomosti mohli zahŕňať 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 cestovného agenta.
| 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 výraznými zmenami cien na základe prístupu k historickým údajom o cenách. |
| Cieľovo orientovaní agenti | 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 vyvažujú kompromisy, aby určili, ako dosiahnuť ciele. | Cestovný agent maximalizuje užitočnosť vyvažovaním pohodlia a nákladov pri rezervácii cestovania. |
| Učiaci sa agenti | Zlepšujú sa časom reagovaním na spätnú väzbu a prispôsobovaním akcií. | Cestovný agent sa zlepšuje na základe spätnej väzby od zákazníkov z dotazníkov po ceste, aby upravil budúce rezervácie. |
| 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 vykonávajú, 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, aby rezervovali 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.
- Viackrokové procesy - 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 na základe spätnej väzby od prostredia alebo používateľov, aby poskytoval lepšiu užitočnosť.
Viac úvah o používaní AI agentov pokrývame v lekcii Budovanie dôveryhodných AI agentov.
Základy agentických riešení
Vývoj agentov
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 podnetov. Vzhľadom na poloautonómnu povahu AI agentov nie je vždy možné alebo potrebné manuálne opätovne podnietiť LLM po zmene prostredia. Používame agentické vzory, ktoré nám umožňujú podnietiť 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.
Máte ďalšie otázky o AI agentoch?
Pripojte sa k Azure AI Foundry Discord, aby ste sa stretli s ostatnými študentmi, zúčastnili sa konzultačných hodín a získali odpovede na vaše otázky o AI agentoch.
Predchádzajúca lekcia
Nasledujúca lekcia
Preskúmanie agentických rámcov
Upozornenie:
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. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.