ai-agents-for-beginners

Raziskovanje ogrodij AI agentov

(Kliknite zgornjo sliko, da si ogledate video te lekcije)

Raziščite ogrodja AI agentov

Ogrodja za AI agente so programske platforme, zasnovane za poenostavitev ustvarjanja, uvajanja in upravljanja AI agentov. Ta ogrodja razvijalcem nudijo vnaprej pripravljene komponente, abstrakcije in orodja, ki poenostavijo razvoj kompleksnih AI sistemov.

Ta ogrodja razvijalcem omogočajo, da se osredotočijo na edinstvene vidike svojih aplikacij z zagotavljanjem standardiziranih pristopov k pogostim izzivom pri razvoju AI agentov. Izboljšujejo skalabilnost, dostopnost in učinkovitost pri gradnji AI sistemov.

Uvod

V tej lekciji bomo obravnavali:

Cilji učenja

Cilji te lekcije so, da vam pomagajo razumeti:

Kaj so ogrodja za AI agente in kaj razvijalcem omogočajo?

Tradicionalna AI ogrodja vam lahko pomagajo integrirati AI v vaše aplikacije in jih izboljšati na naslednje načine:

Vse to se sliši odlično, zakaj torej potrebujemo ogrodje AI agentov?

Ogrodja za AI agente predstavljajo nekaj več kot le AI ogrodja. Namenjena so omogočanju ustvarjanja inteligentnih agentov, ki lahko komunicirajo z uporabniki, drugimi agenti in okoljem, da dosežejo določene cilje. Ti agenti lahko kažejo avtonomno vedenje, sprejemajo odločitve in se prilagajajo spreminjajočim se razmeram. Oglejmo si nekaj ključnih zmožnosti, ki jih omogočajo ogrodja za AI agente:

Torej povzetek: agenti vam omogočajo več — pripeljejo avtomatizacijo na višjo raven in ustvarijo bolj inteligentne sisteme, ki se lahko prilagajajo in učijo iz svojega okolja.

Kako hitro prototipirati, iterirati in izboljšati sposobnosti agenta?

To je hitro spreminjajoče se področje, vendar obstajajo nekateri elementi, skupni večini ogrodij za AI agente, ki vam lahko pomagajo hitro prototipirati in iterirati, predvsem modularne komponente, orodja za sodelovanje in učenje v realnem času. Poglobimo se v to:

Uporabite modularne komponente

SDK-ji, kot je Microsoft Agent Framework, ponujajo vnaprej pripravljene komponente, kot so AI konektorji, definicije orodij in upravljanje agentov.

Kako lahko ekipe to uporabijo: Ekipe lahko hitro sestavijo te komponente za ustvarjanje funkcionalnega prototipa brez začetka iz nič, kar omogoča hitro eksperimentiranje in iteracijo.

Kako to deluje v praksi: Uporabite lahko vnaprej pripravljen parser za izvleček informacij iz uporabnikovega vnosa, modul za pomnjenje za shranjevanje in pridobivanje podatkov ter generator pozivov za interakcijo z uporabniki, vse brez gradnje teh komponent iz nič.

Primer kode. Poglejmo primer, kako lahko uporabite Microsoft Agent Framework z AzureAIProjectAgentProvider, da model odgovori na uporabnikov vnos s klicanjem orodij:

# Microsoft Agent Framework Python Primer

import asyncio
import os
from typing import Annotated

from agent_framework.azure import AzureAIProjectAgentProvider
from azure.identity import AzureCliCredential


# Določi funkcijo orodja za rezervacijo potovanja
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 = AzureAIProjectAgentProvider(credential=AzureCliCredential())
    agent = await provider.create_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)
    # Primer izpisa: Vaš let v New York 1. januarja 2025 je bil uspešno rezerviran. Varno pot! ✈️🗽


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

Kar lahko vidite iz tega primera, je, kako lahko izkoristite vnaprej pripravljen parser za izvleček ključnih informacij iz uporabnikovega vnosa, kot so izhodišče, cilj in datum zahteve za rezervacijo leta. Ta modularni pristop vam omogoča, da se osredotočite na logiko na višji ravni.

Izkoristite orodja za sodelovanje

Ogrodja, kot je Microsoft Agent Framework, olajšajo ustvarjanje več agentov, ki lahko sodelujejo.

Kako lahko ekipe to uporabijo: Ekipe lahko oblikujejo agente z določenimi vlogami in nalogami, kar jim omogoča testiranje in izboljševanje sodelovalnih delovnih tokov ter izboljšanje splošne učinkovitosti sistema.

Kako to deluje v praksi: Ustvarite lahko ekipo agentov, kjer ima vsak agent specializirano funkcijo, kot so pridobivanje podatkov, analiza ali sprejemanje odločitev. Ti agenti lahko medsebojno komunicirajo in si delijo informacije, da dosežejo skupni cilj, kot je odgovor na uporabnikovo vprašanje ali dokončanje naloge.

Primer kode (Microsoft Agent Framework):

# Ustvarjanje več agentov, ki sodelujejo z uporabo Microsoft Agent Framework

import os
from agent_framework.azure import AzureAIProjectAgentProvider
from azure.identity import AzureCliCredential

provider = AzureAIProjectAgentProvider(credential=AzureCliCredential())

# Agent za pridobivanje podatkov
agent_retrieve = await provider.create_agent(
    name="dataretrieval",
    instructions="Retrieve relevant data using available tools.",
    tools=[retrieve_tool],
)

# Agent za analizo podatkov
agent_analyze = await provider.create_agent(
    name="dataanalysis",
    instructions="Analyze the retrieved data and provide insights.",
    tools=[analyze_tool],
)

# Zaženi agente zaporedno za nalogo
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 prejšnji kodi lahko vidite, kako ustvarite nalogo, ki vključuje več agentov, ki sodelujejo pri analizi podatkov. Vsak agent opravlja določeno funkcijo, naloga pa se izvaja z usklajevanjem agentov za dosego želenega rezultata. Z ustvarjanjem namenskih agentov s specializiranimi vlogami lahko izboljšate učinkovitost in zmogljivost nalog.

Učenje v realnem času

Napredna ogrodja nudijo zmožnosti za razumevanje konteksta v realnem času in prilagajanje.

Kako lahko ekipe to uporabijo: Ekipe lahko implementirajo povratne zanke, kjer se agenti učijo iz interakcij in dinamično prilagajajo svoje vedenje, kar vodi v neprekinjeno izboljševanje in izpopolnjevanje zmožnosti.

Kako to deluje v praksi: Agenti lahko analizirajo povratne informacije uporabnikov, podatke iz okolja in rezultate opravil, da posodobijo svojo bazo znanja, prilagodijo algoritme za sprejemanje odločitev in sčasoma izboljšajo zmogljivost. Ta iterativni proces učenja omogoča agentom prilagajanje spreminjajočim se pogojem in preferencam uporabnikov ter izboljšanje splošne učinkovitosti sistema.

Kakšne so razlike med Microsoft Agent Framework in Azure AI Agent Service?

Obstaja več načinov za primerjavo teh pristopov, poglejmo pa nekaj ključnih razlik glede na njihovo zasnovo, zmožnosti in ciljne primere uporabe:

Microsoft Agent Framework (MAF)

Microsoft Agent Framework ponuja poenostavljen SDK za gradnjo AI agentov z uporabo AzureAIProjectAgentProvider. Omogoča razvijalcem ustvarjanje agentov, ki izkoriščajo modele Azure OpenAI z vgrajenim klicanjem orodij, upravljanjem pogovorov in varnostjo na ravni podjetja prek Azure identitete.

Primeri uporabe: Gradnja produkcijsko pripravljenih AI agentov z uporabo orodij, večstopenjskimi delovnimi toku in scenariji integracije v podjetju.

Tu so nekateri pomembni osnovni koncepti Microsoft Agent Framework:

Azure AI Agent Service

Azure AI Agent Service je novejša pridobitev, predstavljena na Microsoft Ignite 2024. Omogoča razvoj in uvajanje AI agentov z bolj prilagodljivimi modeli, kot so neposredno klicanje odprtokodnih LLM-jev, kot so Llama 3, Mistral in Cohere.

Azure AI Agent Service zagotavlja močnejše mehanizme varnosti za podjetja in metode shranjevanja podatkov, zaradi česar je primeren za podjetniške aplikacije.

Deluje iz škatle skupaj z Microsoft Agent Framework za gradnjo in uvajanje agentov.

Storitev je trenutno v javnem pregledu (Public Preview) in podpira Python ter C# za gradnjo agentov.

Z uporabo Python SDK-ja Azure AI Agent Service lahko ustvarimo agenta z orodjem, ki ga definira uporabnik:

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

# Določi funkcije orodja
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-4o-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())

Osnovni koncepti

Azure AI Agent Service ima naslednje osnovne koncepte:

Primeri uporabe: Azure AI Agent Service je zasnovana za podjetniške aplikacije, ki zahtevajo varno, skalabilno in prilagodljivo uvajanje AI agentov.

Kakšna je razlika med tema pristopoma?

Zdi se, da obstaja prekrivanje, vendar so ključne razlike glede na zasnovo, zmožnosti in ciljne primere uporabe:

Še vedno niste prepričani, katerega izbrati?

Primeri uporabe

Q: I’m building production AI agent applications and want to get started quickly

A: The Microsoft Agent Framework is a great choice. It provides a simple, Pythonic API via AzureAIProjectAgentProvider that lets you define agents with tools and instructions in just a few lines of code.

Q: I need enterprise-grade deployment with Azure integrations like Search and code execution

A: Azure AI Agent Service is the best fit. It’s a platform service that provides built-in capabilities for multiple models, Azure AI Search, Bing Search and Azure Functions. It makes it easy to build your agents in the Foundry Portal and deploy them at scale.

Q: I’m still confused, just give me one option

A: Start with the Microsoft Agent Framework to build your agents, and then use Azure AI Agent Service when you need to deploy and scale them in production. This approach lets you iterate quickly on your agent logic while having a clear path to enterprise deployment.

Povzamimo ključne razlike v tabeli:

Framework Focus Core Concepts Use Cases
Microsoft Agent Framework Poenostavljen SDK za agente s klicanjem orodij Agents, Tools, Azure Identity Gradnja AI agentov, uporaba orodij, večstopenjski delovni tokovi
Azure AI Agent Service Prilagodljivi modeli, varnost za podjetja, generiranje kode, klicanje orodij Modularnost, sodelovanje, orkestracija procesov Varno, skalabilno in prilagodljivo uvajanje AI agentov

Ali lahko neposredno integriram obstočna orodja iz Azure ekosistema ali potrebujem samostojne rešitve?

Odgovor je da — lahko neposredno integrirate obstoječa orodja iz svojega Azure ekosistema z Azure AI Agent Service, saj je ta zasnovana za nemoteno delovanje z drugimi Azure storitvami. Na primer, lahko integrirate Bing, Azure AI Search in Azure Functions. Prav tako obstaja globoka integracija z Microsoft Foundry.

Microsoft Agent Framework se prav tako integrira z Azure storitvami preko AzureAIProjectAgentProvider in Azure identitete, kar vam omogoča klicanje Azure storitev neposredno iz orodij vašega agenta.

Vzorčne kode

Imate več vprašanj o okvirih AI agentov?

Pridružite se Microsoft Foundry Discord, da se srečate z drugimi učenci, udeležite uradnih ur in dobite odgovore na vprašanja o AI agentih.

Viri

Prejšnja lekcija

Uvod v AI agente in primere uporabe agentov

Naslednja lekcija

Razumevanje agentnih oblikovnih vzorcev

Izjava o omejitvi odgovornosti: Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco Co-op Translator (https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, upoštevajte, da avtomatizirani prevodi morda vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku velja za avtoritativni vir. Za pomembne informacije priporočamo strokovni človeški prevod. Nismo odgovorni za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda.

This site is open source. Improve this page.