ai-agents-for-beginners

Preskúmanie rámcov AI agentov

(Kliknite na obrázok vyššie pre zobrazenie videa tejto lekcie)

Preskúmajte rámce AI agentov

Rámce AI agentov sú softvérové platformy navrhnuté na zjednodušenie tvorby, nasadzovania a správy AI agentov. Tieto rámce poskytujú vývojárom predpripravené komponenty, abstrakcie a nástroje, ktoré zefektívňujú vývoj komplexných AI systémov.

Tieto rámce pomáhajú vývojárom sústrediť sa na jedinečné aspekty ich aplikácií tým, že poskytujú štandardizované prístupy k bežným výzvam pri vývoji AI agentov. Zvyšujú škálovateľnosť, prístupnosť a efektivitu pri budovaní AI systémov.

Úvod

Táto lekcia pokryje:

Ciele učenia

Cieľmi tejto lekcie sú pomôcť vám pochopiť:

Čo sú rámce AI agentov a čo umožňujú vývojárom robiť?

Tradičné rámce AI vám môžu pomôcť integrovať AI do vašich aplikácií a zlepšiť tieto aplikácie nasledujúcimi spôsobmi:

To všetko znie skvele, tak prečo potrebujeme rámec AI agentov?

Rámce AI agentov predstavujú niečo viac než len rámce pre AI. Sú navrhnuté na umožnenie tvorby inteligentných agentov, ktorí môžu interagovať s používateľmi, inými agentmi a prostredím na dosiahnutie konkrétnych cieľov. Títo agenti môžu vykazovať autonómne správanie, robiť rozhodnutia a prispôsobovať sa meniacim sa podmienkam. Pozrime sa na niektoré kľúčové schopnosti, ktoré rámce AI agentov umožňujú:

Takže v súhrne, agenti vám umožňujú robiť viac, posunúť automatizáciu na vyššiu úroveň, vytvoriť inteligentnejšie systémy, ktoré sa môžu prispôsobovať a učiť sa zo svojho prostredia.

Ako rýchlo prototypovať, iterovať a zlepšovať schopnosti agenta?

Toto je rýchlo sa meniacou oblasťou, ale existujú niektoré spoločné prvky v väčšine rámcov AI agentov, ktoré vám pomôžu rýchlo prototypovať a iterovať, predovšetkým modulárne komponenty, kolaboratívne nástroje a učenie v reálnom čase. Pozrime sa na ne bližšie:

Používajte modulárne komponenty

SDK ako Microsoft Agent Framework ponúka predpripravené komponenty, ako sú AI konektory, definície nástrojov a správa agentov.

Ako to môžu tímy využívať: Tímy môžu rýchlo zostaviť tieto komponenty na vytvorenie funkčného prototypu bez začíname od nuly, čo umožňuje rýchle experimentovanie a iteráciu.

Ako to funguje v praxi: Môžete použiť predpripravený parser na extrahovanie informácií z užívateľského vstupu, pamäťový modul na ukladanie a vyhľadávanie dát a generátor promptov pre interakciu s používateľmi, všetko bez nutnosti vytvárať tieto komponenty od základov.

Príklad kódu. Pozrime sa na príklad, ako môžete použiť Microsoft Agent Framework s FoundryChatClient, aby model reagoval na vstup používateľa volaním nástrojov:

# Príklad Microsoft Agent Framework v Pythone

import asyncio
import os

from agent_framework import tool
from agent_framework.foundry import FoundryChatClient
from azure.identity import AzureCliCredential


# Definujte ukážkovú nástrojovú funkciu na rezerváciu cestovania
@tool(approval_mode="never_require")
def book_flight(date: str, location: str) -> str:
    """Book travel given location and date."""
    return f"Travel was booked to {location} on {date}"


async def main():
    provider = FoundryChatClient(
        project_endpoint=os.environ["AZURE_AI_PROJECT_ENDPOINT"],
        model=os.environ["AZURE_AI_MODEL_DEPLOYMENT_NAME"],
        credential=AzureCliCredential(),
    )
    agent = provider.as_agent(
        name="travel_agent",
        instructions="Help the user book travel. Use the book_flight tool when ready.",
        tools=[book_flight],
    )

    response = await agent.run("I'd like to go to New York on January 1, 2025")
    print(response)
    # Príklad výstupu: Váš let do New Yorku na 1. januára 2025 bol úspešne rezervovaný. Šťastnú cestu! ✈️🗽


if __name__ == "__main__":
    asyncio.run(main())

Z tohto príkladu vidíte, ako využiť predpripravený parser na extrakciu kľúčových informácií z užívateľského vstupu, ako je pôvod, cieľ a dátum požiadavky na rezerváciu letu. Tento modulárny prístup vám umožní sústrediť sa na logiku na vyššej úrovni.

Využite kolaboratívne nástroje

Rámce ako Microsoft Agent Framework uľahčujú tvorbu viacerých agentov, ktorí môžu spolupracovať.

Ako to môžu tímy využívať: Tímy môžu navrhovať agentov so špecifickými úlohami a rolami, čo im umožňuje testovať a zdokonaľovať kolaboratívne pracovné toky a zlepšiť celkovú efektivitu systému.

Ako to funguje v praxi: Môžete vytvoriť tím agentov, kde každý agent má špecializovanú funkciu, ako je získavanie dát, analýza alebo rozhodovanie. Títo agenti môžu komunikovať a zdieľať informácie na dosiahnutie spoločného cieľa, napríklad odpovedať na dotaz používateľa alebo dokončiť úlohu.

Príklad kódu (Microsoft Agent Framework):

# Vytváranie viacerých agentov, ktorí spolupracujú pomocou Microsoft Agent Framework

import os
from agent_framework.foundry import FoundryChatClient
from azure.identity import AzureCliCredential

provider = FoundryChatClient(
    project_endpoint=os.environ["AZURE_AI_PROJECT_ENDPOINT"],
    model=os.environ["AZURE_AI_MODEL_DEPLOYMENT_NAME"],
    credential=AzureCliCredential(),
)

# Agent na získavanie dát
agent_retrieve = provider.as_agent(
    name="dataretrieval",
    instructions="Retrieve relevant data using available tools.",
    tools=[retrieve_tool],
)

# Agent na analýzu dát
agent_analyze = provider.as_agent(
    name="dataanalysis",
    instructions="Analyze the retrieved data and provide insights.",
    tools=[analyze_tool],
)

# Spustiť agentov postupne pre úlohu
retrieval_result = await agent_retrieve.run("Retrieve sales data for Q4")
analysis_result = await agent_analyze.run(f"Analyze this data: {retrieval_result}")
print(analysis_result)

V predchádzajúcom kóde vidíte, ako môžete vytvoriť úlohu zahŕňajúcu viacerých agentov, ktorí spolupracujú na analýze dát. Každý agent vykonáva špecifickú funkciu a úloha sa vykonáva koordináciou agentov na dosiahnutie požadovaného výsledku. Vytvorením dedikovaných agentov so špecializovanými rolami môžete zlepšiť efektivitu a výkon úloh.

Učte sa v reálnom čase

Pokročilé rámce poskytujú schopnosti pre porozumenie kontextu a adaptáciu v reálnom čase.

Ako to môžu tímy využívať: Tímy môžu implementovať spätnoväzobné slučky, kde sa agenti učia z interakcií a dynamicky upravujú svoje správanie, čo vedie k neustálemu zlepšovaniu a zdokonaľovaniu schopností.

Ako to funguje v praxi: Agenti môžu analyzovať spätnú väzbu používateľov, dátové prostredie a výsledky úloh na aktualizáciu svojej znalostnej bázy, úpravu algoritmov rozhodovania a zvyšovanie výkonu v čase. Tento iteratívny proces učenia umožňuje agentom prispôsobovať sa meniacim sa podmienkam a preferenciám používateľov, čím sa zvyšuje celková efektívnosť systému.

Aké sú rozdiely medzi Microsoft Agent Framework a Microsoft Foundry Agent Service?

Existuje mnoho spôsobov, ako tieto prístupy porovnať, ale pozrime sa na niektoré kľúčové rozdiely z hľadiska dizajnu, schopností a cieľových prípadov použitia:

Microsoft Agent Framework (MAF)

Microsoft Agent Framework poskytuje zjednodušené SDK na tvorbu AI agentov pomocou FoundryChatClient. Umožňuje vývojárom vytvárať agentov, ktorí využívajú modely Azure OpenAI s integrovaným volaním nástrojov, správou konverzácií a podnikovej úrovne zabezpečenia cez Azure identity.

Prípady použitia: Tvorba produkčne pripravených AI agentov s využitím nástrojov, viacstupňových pracovných tokov a scenárov integrácie v podniku.

Tu sú niektoré dôležité základné koncepty Microsoft Agent Framework:

Microsoft Foundry Agent Service

Microsoft Foundry Agent Service je novší prírastok, predstavený na Microsoft Ignite 2024. Umožňuje vývoj a nasadenie AI agentov s flexibilnejšími modelmi, napríklad priame volanie open-source LLM ako Llama 3, Mistral a Cohere.

Microsoft Foundry Agent Service poskytuje silnejšie mechanizmy podnikovej bezpečnosti a metódy ukladania dát, vďaka čomu je vhodný pre podnikové aplikácie.

Funguje okamžite s Microsoft Agent Framework pre tvorbu a nasadenie agentov.

Táto služba je momentálne vo verejnom náhľade a podporuje Python a C# na tvorbu agentov.

Pomocou Microsoft Foundry Agent Service Python SDK môžeme vytvoriť agenta s nástrojom definovaným používateľom:

import asyncio
from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient

# Definujte funkcie nástroja
def get_specials() -> str:
    """Provides a list of specials from the menu."""
    return """
    Special Soup: Clam Chowder
    Special Salad: Cobb Salad
    Special Drink: Chai Tea
    """

def get_item_price(menu_item: str) -> str:
    """Provides the price of the requested menu item."""
    return "$9.99"


async def main() -> None:
    credential = DefaultAzureCredential()
    project_client = AIProjectClient.from_connection_string(
        credential=credential,
        conn_str="your-connection-string",
    )

    agent = project_client.agents.create_agent(
        model="gpt-4.1-mini",
        name="Host",
        instructions="Answer questions about the menu.",
        tools=[get_specials, get_item_price],
    )

    thread = project_client.agents.create_thread()

    user_inputs = [
        "Hello",
        "What is the special soup?",
        "How much does that cost?",
        "Thank you",
    ]

    for user_input in user_inputs:
        print(f"# User: '{user_input}'")
        message = project_client.agents.create_message(
            thread_id=thread.id,
            role="user",
            content=user_input,
        )
        run = project_client.agents.create_and_process_run(
            thread_id=thread.id, agent_id=agent.id
        )
        messages = project_client.agents.list_messages(thread_id=thread.id)
        print(f"# Agent: {messages.data[0].content[0].text.value}")


if __name__ == "__main__":
    asyncio.run(main())

Základné koncepty

Microsoft Foundry Agent Service má tieto základné koncepty:

Prípady použitia: Microsoft Foundry Agent Service je určený pre podnikové aplikácie, ktoré vyžadujú bezpečné, škálovateľné a flexibilné nasadenie AI agentov.

Aký je rozdiel medzi týmito prístupmi?

Znie to, akoby tu bol prekrývajúci sa priestor, ale existujú niektoré kľúčové rozdiely z hľadiska dizajnu, schopností a cieľových prípadov použitia:

Ešte si nie ste istí, ktorý si vybrať?

Prípady použitia

Poďme sa pozrieť, či vám pomôžeme prejsť niektorými bežnými prípadmi použitia:

Otázka: Staviam produkčné AI agent aplikácie a chcem začať rýchlo

Odpoveď: Microsoft Agent Framework je skvelá voľba. Poskytuje jednoduché, pythonické API cez FoundryChatClient, ktoré vám umožní definovať agentov s nástrojmi a inštrukciami len v niekoľkých riadkoch kódu.

Otázka: Potrebujem nasadenie na podnikovej úrovni s integráciou Azure služieb ako Search a vykonávanie kódu

Odpoveď: Microsoft Foundry Agent Service je najvhodnejší. Je to platformová služba, ktorá poskytuje zabudované schopnosti pre viaceré modely, Azure AI Search, Bing Search a Azure Functions. Uľahčuje tvorbu vašich agentov v Foundry Portáli a ich škálovanie.

Otázka: Som stále zmätený, len mi dajte jednu možnosť

Odpoveď: Začnite s Microsoft Agent Framework na tvorbu agentov a potom použite Microsoft Foundry Agent Service, keď potrebujete nasadiť a škálovať ich v produkcii. Tento prístup umožňuje rýchlu iteráciu logiky agenta a zároveň jasnú cestu k podnikovej produkcii.

Zhrňme kľúčové rozdiely v tabuľke:

Rámec Zameranie Základné koncepty Prípady použitia
Microsoft Agent Framework Zjednodušené SDK pre agentov s volaním nástrojov Agenti, Nástroje, Azure Identity Tvorba AI agentov, využívanie nástrojov, viacstupňové pracovné toky
Microsoft Foundry Agent Service Flexibilné modely, podniková bezpečnosť, generovanie kódu, volanie nástrojov Modularita, Kolaborácia, Orchestrace procesov Bezpečné, škálovateľné a flexibilné nasadenie AI agentov

Môžem integrovať svoje existujúce nástroje Azure ekosystému priamo, alebo potrebujem samostatné riešenia?

Odpoveď je áno, môžete integrovať svoje existujúce nástroje ekosystému Azure priamo so službou Microsoft Foundry Agent Service najmä preto, že bola navrhnutá tak, aby bezproblémovo spolupracovala s ostatnými službami Azure. Môžete napríklad integrovať Bing, Azure AI Search a Azure Functions. Existuje aj hlboká integrácia s Microsoft Foundry.

Rámec Microsoft Agent Framework sa taktiež integruje so službami Azure cez FoundryChatClient a Azure identity, čo umožňuje volať služby Azure priamo zo svojich nástrojov agenta.

Ukážkové Kódy

Máte Viac Otázok o AI Agent Frameworkoch?

Pripojte sa k Microsoft Foundry Discord, kde sa stretnete s ďalšími študentmi, môžete navštíviť konzultačné hodiny a získať odpovede na vaše otázky týkajúce sa AI Agentov.

Referencie

Predchádzajúca Lekcia

Úvod do AI Agentov a Prípadov Ich Použitia

Nasledujúca Lekcia

Pochopenie Agentických Dizajnových Vzorov

Vyhlásenie o zodpovednosti: Tento dokument bol preložený pomocou AI prekladateľskej služby Co-op Translator. Hoci sa snažíme o presnosť, vezmite prosím na vedomie, že automatické preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho natívnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za žiadne nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.

This site is open source. Improve this page.