ai-agents-for-beginners
(Kliknite na zgornjo sliko za ogled videa te lekcije)
Uvod v AI agente in primere uporabe agentov
Dobrodošli v tečaju “AI agenti za začetnike”! Ta tečaj ponuja osnovno znanje in praktične primere za gradnjo AI agentov.
Pridružite se, da spoznate druge učence in graditelje AI agentov ter zastavite vprašanja o tem tečaju.
Za začetek tečaja se bomo najprej bolje spoznali, kaj so AI agenti in kako jih lahko uporabimo v aplikacijah in delovnih procesih, ki jih gradimo.
Uvod
Ta lekcija zajema:
- Kaj so AI agenti in kakšne vrste agentov obstajajo?
- Kateri primeri uporabe so najbolj primerni za AI agente in kako nam lahko pomagajo?
- Katere so osnovne gradnike pri oblikovanju rešitev z agenti?
Cilji učenja
Po zaključku te lekcije boste lahko:
- Razumeli koncepte AI agentov in kako se razlikujejo od drugih AI rešitev.
- Učinkovito uporabljali AI agente.
- Produktivno oblikovali rešitve z agenti za uporabnike in stranke.
Definicija AI agentov in vrste AI agentov
Kaj so AI agenti?
AI agenti so sistemi, ki omogočajo velikim jezikovnim modelom (LLMs), da izvajajo dejanja s širjenjem njihovih zmožnosti, tako da LLM-jem omogočijo dostop do orodij in znanja.
Razčlenimo to definicijo na manjše dele:
- Sistem - Pomembno je razmišljati o agentih ne kot o enem samem komponentu, temveč kot o sistemu več komponent. Na osnovni ravni so komponente AI agenta:
- Okolje - Določeno območje, kjer AI agent deluje. Na primer, če imamo AI agenta za rezervacijo potovanj, je okolje lahko sistem za rezervacijo potovanj, ki ga AI agent uporablja za dokončanje nalog.
- Senzorji - Okolja imajo informacije in zagotavljajo povratne informacije. AI agenti uporabljajo senzorje za zbiranje in interpretacijo teh informacij o trenutnem stanju okolja. V primeru agenta za rezervacijo potovanj lahko sistem za rezervacijo zagotovi informacije, kot so razpoložljivost hotelov ali cene letov.
- Aktuatorji - Ko AI agent prejme trenutno stanje okolja, za trenutno nalogo določi, katero dejanje izvesti, da spremeni okolje. Za agenta za rezervacijo potovanj bi to lahko bilo rezervacija razpoložljive sobe za uporabnika.
Veliki jezikovni modeli - Koncept agentov je obstajal že pred nastankom LLM-jev. Prednost gradnje AI agentov z LLM-ji je njihova sposobnost interpretacije človeškega jezika in podatkov. Ta sposobnost omogoča LLM-jem interpretacijo informacij iz okolja in določanje načrta za spremembo okolja.
Izvajanje dejanj - Zunaj sistemov AI agentov so LLM-ji omejeni na situacije, kjer je dejanje generiranje vsebine ali informacij na podlagi uporabnikovega poziva. Znotraj sistemov AI agentov lahko LLM-ji opravljajo naloge z interpretacijo uporabnikove zahteve in uporabo orodij, ki so na voljo v njihovem okolju.
Dostop do orodij - Katera orodja so na voljo LLM-ju, je določeno z 1) okoljem, v katerem deluje, in 2) razvijalcem AI agenta. V našem primeru agenta za rezervacijo potovanj so orodja agenta omejena z operacijami, ki so na voljo v sistemu za rezervacijo, in/ali razvijalec lahko omeji dostop agenta do orodij, kot so leti.
Spomin + znanje - Spomin je lahko kratkoročen v kontekstu pogovora med uporabnikom in agentom. Dolgoročno, zunaj informacij, ki jih zagotavlja okolje, lahko AI agenti pridobivajo znanje iz drugih sistemov, storitev, orodij in celo drugih agentov. V primeru agenta za rezervacijo potovanj bi to znanje lahko bile informacije o uporabnikovih potovalnih preferencah, ki se nahajajo v bazi podatkov strank.
Različne vrste agentov
Zdaj, ko imamo splošno definicijo AI agentov, si poglejmo nekatere specifične vrste agentov in kako bi jih uporabili pri AI agentu za rezervacijo potovanj.
| Vrsta agenta | Opis | Primer |
|---|---|---|
| Preprosti refleksni agenti | Izvajajo takojšnja dejanja na podlagi vnaprej določenih pravil. | Agent za potovanja interpretira kontekst e-pošte in posreduje pritožbe glede potovanj službi za pomoč strankam. |
| Modelno osnovani refleksni agenti | Izvajajo dejanja na podlagi modela sveta in sprememb tega modela. | Agent za potovanja daje prednost potem z znatnimi spremembami cen na podlagi dostopa do zgodovinskih podatkov o cenah. |
| Agent na podlagi ciljev | Ustvarjajo načrte za dosego specifičnih ciljev z interpretacijo cilja in določanjem dejanj za njegovo dosego. | Agent za potovanja rezervira potovanje z določanjem potrebnih potovalnih aranžmajev (avto, javni prevoz, leti) od trenutne lokacije do cilja. |
| Agent na podlagi uporabnosti | Upoštevajo preference in numerično tehtajo kompromise, da določijo, kako doseči cilje. | Agent za potovanja maksimizira uporabnost z tehtanjem udobja proti stroškom pri rezervaciji potovanja. |
| Učeči se agenti | Sčasoma se izboljšujejo z odzivanjem na povratne informacije in prilagajanjem dejanj. | Agent za potovanja se izboljšuje z uporabo povratnih informacij strank iz anket po potovanju za prilagoditev prihodnjih rezervacij. |
| Hierarhični agenti | Vključujejo več agentov v večnivojskem sistemu, kjer agenti na višji ravni razdelijo naloge na podnaloge, ki jih izvedejo agenti na nižji ravni. | Agent za potovanja odpove potovanje tako, da razdeli nalogo na podnaloge (na primer odpoved specifičnih rezervacij) in jih agenti na nižji ravni dokončajo ter poročajo agentu na višji ravni. |
| Sistemi več agentov (MAS) | Agenti samostojno opravljajo naloge, bodisi sodelovalno ali tekmovalno. | Sodelovalno: Več agentov rezervira specifične potovalne storitve, kot so hoteli, leti in zabava. Tekmovalno: Več agentov upravlja in tekmuje za skupni hotelski koledar rezervacij, da rezervira stranke v hotel. |
Kdaj uporabiti AI agente
V prejšnjem razdelku smo uporabili primer agenta za potovanja, da pojasnimo, kako se različne vrste agentov lahko uporabijo v različnih scenarijih rezervacije potovanj. Ta aplikacija bo uporabljena skozi celoten tečaj.
Poglejmo vrste primerov uporabe, kjer so AI agenti najbolj primerni:
- Odprti problemi - omogočanje LLM-ju, da določi potrebne korake za dokončanje naloge, ker jih ni vedno mogoče vnaprej kodirati v delovni proces.
- Večstopenjski procesi - naloge, ki zahtevajo določeno stopnjo kompleksnosti, pri kateri AI agent potrebuje orodja ali informacije skozi več korakov namesto enkratnega pridobivanja.
- Izboljšanje skozi čas - naloge, kjer se agent lahko izboljša skozi čas z prejemanjem povratnih informacij bodisi iz okolja bodisi od uporabnikov, da zagotovi boljšo uporabnost.
Več o premislekih pri uporabi AI agentov bomo obravnavali v lekciji o gradnji zaupanja vrednih AI agentov.
Osnove rešitev z agenti
Razvoj agentov
Prvi korak pri oblikovanju sistema AI agentov je določitev orodij, dejanj in vedenj. V tem tečaju se osredotočamo na uporabo Azure AI Agent Service za definiranje naših agentov. Ponuja funkcije, kot so:
- Izbor odprtih modelov, kot so OpenAI, Mistral in Llama
- Uporaba licenciranih podatkov prek ponudnikov, kot je Tripadvisor
- Uporaba standardiziranih orodij OpenAPI 3.0
Vzorci z agenti
Komunikacija z LLM-ji poteka prek pozivov. Glede na polavtonomno naravo AI agentov ni vedno mogoče ali potrebno ročno ponovno pozvati LLM po spremembi v okolju. Uporabljamo vzorce z agenti, ki omogočajo pozivanje LLM skozi več korakov na bolj skalabilen način.
Ta tečaj je razdeljen na nekatere trenutno priljubljene vzorce z agenti.
Okviri za agente
Okviri za agente omogočajo razvijalcem implementacijo vzorcev z agenti prek kode. Ti okviri ponujajo predloge, vtičnike in orodja za boljše sodelovanje AI agentov. Te prednosti omogočajo boljšo opazljivost in odpravljanje težav v sistemih AI agentov.
V tem tečaju bomo raziskali raziskovalno usmerjen okvir AutoGen in produkcijsko pripravljen okvir Agent iz Semantic Kernel.
Imate več vprašanj o AI agentih?
Pridružite se Azure AI Foundry Discord, da spoznate druge učence, se udeležite uradnih ur in dobite odgovore na vprašanja o AI agentih.
Prejšnja lekcija
Naslednja lekcija
Omejitev odgovornosti:
Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco Co-op Translator. Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki bi nastale zaradi uporabe tega prevoda.