ai-agents-for-beginners
(Кликните на слику изнад да бисте погледали видео овог часа)
Увод у AI агенте и њихове примене
Добродошли на курс “AI агенти за почетнике”! Овај курс пружа основна знања и практичне примере за креирање AI агената.
Придружите се Azure AI Discord заједници да упознате друге учеснике и креаторе AI агената и поставите сва питања која имате о овом курсу.
Да бисмо започели овај курс, прво ћемо боље разумети шта су AI агенти и како их можемо користити у апликацијама и радним процесима које креирамо.
Увод
Овај час обухвата:
- Шта су AI агенти и које су различите врсте агената?
- Које су најбоље примене за AI агенте и како нам могу помоћи?
- Који су основни грађевински блокови при дизајнирању решења заснованих на агентима?
Циљеви учења
Након завршетка овог часа, требало би да будете у могућности:
- Разумети концепте AI агената и како се разликују од других AI решења.
- Ефикасно применити AI агенте.
- Продуктивно дизајнирати решења заснована на агентима за кориснике и клијенте.
Дефинисање AI агената и врсте AI агената
Шта су AI агенти?
AI агенти су системи који омогућавају моделима великог језика (LLMs) да извршавају радње проширујући њихове могућности дајући им приступ алатима и знању.
Хајде да разложимо ову дефиницију на мање делове:
- Систем - Важно је размишљати о агентима не као о једном компоненту, већ као о систему многих компоненти. На основном нивоу, компоненте AI агента су:
- Окружење - Дефинисан простор у коме AI агент функционише. На пример, ако имамо AI агента за резервацију путовања, окружење би могао бити систем за резервацију путовања који агент користи за обављање задатака.
- Сензори - Окружења имају информације и пружају повратне информације. AI агенти користе сензоре да прикупе и интерпретирају ове информације о тренутном стању окружења. У примеру агента за резервацију путовања, систем за резервацију може пружити информације као што су доступност хотела или цене летова.
- Актуатори - Када AI агент добије тренутно стање окружења, за тренутни задатак агент одређује коју радњу треба извршити да би променио окружење. За агента за резервацију путовања, то би могло бити резервисање доступне собе за корисника.
Модели великог језика - Концепт агената постојао је пре стварања LLM-ова. Предност изградње AI агената са LLM-овима је њихова способност да интерпретирају људски језик и податке. Ова способност омогућава LLM-овима да интерпретирају информације из окружења и дефинишу план за промену окружења.
Извршавање радњи - Изван система AI агената, LLM-ови су ограничени на ситуације где је радња генерисање садржаја или информација на основу корисничког упита. Унутар система AI агената, LLM-ови могу обављати задатке интерпретирајући кориснички захтев и користећи алате који су доступни у њиховом окружењу.
Приступ алатима - Које алате LLM има на располагању дефинише 1) окружење у коме функционише и 2) програмер AI агента. У нашем примеру агента за путовања, алати агента су ограничени операцијама доступним у систему за резервацију, а/или програмер може ограничити приступ агента алатима за летове.
Меморија+Знање - Меморија може бити краткорочна у контексту разговора између корисника и агента. Дугорочно, изван информација које пружа окружење, AI агенти могу такође преузимати знање из других система, услуга, алата, па чак и других агената. У примеру агента за путовања, ово знање може бити информација о корисниковим преференцијама путовања која се налази у бази података клијената.
Различите врсте агената
Сада када имамо општу дефиницију AI агената, погледајмо неке специфичне врсте агената и како би се применили на агента за резервацију путовања.
| Тип агента | Опис | Пример |
|---|---|---|
| Једноставни рефлексни агенти | Извршавају непосредне радње на основу унапред дефинисаних правила. | Агент за путовања интерпретира контекст е-поште и прослеђује жалбе на путовање корисничкој служби. |
| Агенти засновани на моделу | Извршавају радње на основу модела света и промена у том моделу. | Агент за путовања приоритетно обрађује руте са значајним променама цена на основу приступа историјским подацима о ценама. |
| Агенти засновани на циљу | Креирају планове за постизање специфичних циљева интерпретирајући циљ и одређујући радње за његово постизање. | Агент за путовања резервише путовање одређивањем неопходних аранжмана (аутомобил, јавни превоз, летови) од тренутне локације до одредишта. |
| Агенти засновани на корисности | Разматрају преференције и нумерички процењују компромисе како би одредили како да постигну циљеве. | Агент за путовања максимизира корисност процењујући погодност у односу на трошкове приликом резервисања путовања. |
| Агенти који уче | Побољшавају се током времена реагујући на повратне информације и прилагођавајући радње у складу с тим. | Агент за путовања се побољшава користећи повратне информације од корисника из анкета након путовања како би направио прилагођавања за будуће резервације. |
| Хијерархијски агенти | Садрже више агената у вишеслојном систему, где агенти на вишем нивоу деле задатке на подзадатке које агенти на нижем нивоу завршавају. | Агент за путовања отказује путовање делећи задатак на подзадатке (на пример, отказивање специфичних резервација) и имајући агенте на нижем нивоу који их завршавају, извештавајући агента на вишем нивоу. |
| Системи са више агената (MAS) | Агенти самостално завршавају задатке, било сараднички или конкурентно. | Сараднички: Више агената резервише специфичне услуге путовања као што су хотели, летови и забавни садржаји. Конкурентно: Више агената управља и такмичи се око заједничког календара резервација хотела како би резервисали клијенте у хотелу. |
Када користити AI агенте
У претходном делу, користили смо пример агента за путовања да објаснимо како се различите врсте агената могу користити у различитим сценаријима резервације путовања. Наставићемо да користимо ову апликацију током курса.
Хајде да погледамо врсте случајева употребе за које су AI агенти најбоље прилагођени:
- Проблеми отвореног типа - омогућавање LLM-у да одреди потребне кораке за завршетак задатка јер их није увек могуће унапред кодирати у радни процес.
- Процеси са више корака - задаци који захтевају одређени ниво сложености у којем AI агент треба да користи алате или информације током више корака уместо једнократног преузимања.
- Побољшање током времена - задаци где агент може да се побољша током времена примајући повратне информације од свог окружења или корисника како би пружио бољу корисност.
Више разматрања о коришћењу AI агената покривамо у лекцији о изградњи поузданих AI агената.
Основе решења заснованих на агентима
Развој агента
Први корак у дизајнирању система AI агента је дефинисање алата, радњи и понашања. У овом курсу, фокусирамо се на коришћење Azure AI Agent Service за дефинисање наших агената. Нуди функције као што су:
- Избор отворених модела као што су OpenAI, Mistral и Llama
- Коришћење лиценцираних података преко провајдера као што је Tripadvisor
- Коришћење стандардизованих OpenAPI 3.0 алата
Шаблони засновани на агентима
Комуникација са LLM-овима се врши путем упита. С обзиром на полу-аутономну природу AI агената, није увек могуће или потребно ручно поново упитати LLM након промене у окружењу. Користимо шаблоне засноване на агентима који нам омогућавају да упитамо LLM током више корака на скалабилнији начин.
Овај курс је подељен на неке од тренутно популарних шаблона заснованих на агентима.
Оквири засновани на агентима
Оквири засновани на агентима омогућавају програмерима да имплементирају шаблоне засноване на агентима кроз код. Ови оквири нуде шаблоне, додатке и алате за бољу сарадњу AI агената. Ове предности пружају могућности за бољу видљивост и решавање проблема система AI агената.
У овом курсу истражићемо истраживачки оријентисан AutoGen оквир и продукционо спреман Agent оквир из Semantic Kernel-а.
Пример кода
- Python: Agent Framework
- .NET: Agent Framework
Имате још питања о AI агентима?
Придружите се Azure AI Foundry Discord да упознате друге учеснике, присуствујете консултацијама и добијете одговоре на ваша питања о AI агентима.
Претходни час
Следећи час
Истраживање оквира заснованих на агентима
Одрицање од одговорности:
Овај документ је преведен помоћу услуге за превођење уз помоћ вештачке интелигенције Co-op Translator. Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људског преводиоца. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода.