ai-agents-for-beginners
(Кликните на слику изнад да бисте погледали видео за ову лекцију)
Увод у AI Агенте и случајеве употребе агената
Добродошли на курс AI Агенте за почетнике! Овај курс вам пружа основно знање — и стварни радни код — да почнете са изградњом AI агената од нуле.
Јавите се у Azure AI Discord заједницу — пуна је ученика и креатора AI-а који радо одговарају на питања.
Пре него што кренемо са изградњом, хајде да се уверимо да заиста разумемо шта је AI агент и када има смисла користити га.
Увод
Ова лекција обухвата:
- Шта су AI агенти и које су различите врсте које постоје
- Које врсте задатака AI агенти најбоље обављају
- Основне градивне блокове које ћете користити приликом дизајнирања агентског решења
Циљеви учења
До краја ове лекције требало би да можете:
- Објасните шта је AI агент и како се разликује од обичног AI решења
- Знате када треба користити AI агента (а када не треба)
- Накратко осмислите основни дизајн агентског решења за проблем из стварног света
Дефинисање AI агената и типови AI агената
Шта су AI агенти?
Ево једноставан начин да размислите о томе:
AI агенти су системи који дозвољавају Великим Језичким Моделима (LLM) заиста да раде — дајући им алате и знање да делују у свету, а не само да одговарају на упите.
Хајде да разобличимо то мало:
- Систем — AI агент није само једна ствар. То је скуп делова који раде заједно. У основи, сваки агент има три дела:
- Окружење — Промена у којој агент ради. За агента за резервацију путовања, то је сама платформа за резервацију.
- Сензоре — Како агент чита тренутно стање свог окружења. Наш агенат за путовања може проверавати доступност хотела или цене летова.
- Актуаторе — Како агент предузима акцију. Тај агенат може резервисати собу, послати потврду или отказати резервацију.
-
Велики језички модели — Агенти су постојали пре LLM, али LLM су оно што модерне агенте чини моћним. Они могу разумети природни језик, размишљати о контексту и претворити нејасан кориснички захтев у конкретан план деловања.
-
Извођење акција — Без агентског система, LLM само генерише текст. У агентском систему, LLM заиста може извршавати кораке — претраживати базу података, позивати API, слати поруке.
-
Приступ алатима — Које алате агент може користити зависи од (1) окружења у коме ради и (2) шта му је програмер дао. Агенат за путовања може претраживати летове али не и мењати записе о клијентима — све зависи од тога шта сте му повезали.
-
Меморија + Знање — Агенти могу имати краткорочну меморију (тренутни разговор) и дугорочну меморију (базу података клијената, претходне интеракције). Агенат за путовања може “памтити” да више волите седишта поред прозора.
Различите врсте AI агената
Ни сви агенти нису направљени на исти начин. Ево прегледа главних типова користећи као пример агента за резервацију путовања:
| Тип агента | Шта ради | Пример агента за путовања |
|---|---|---|
| Једноставни рефлекс агенти | Прате унапред дефинисана правила — немају меморију, немају планирање. | Види жалбу у е-пошти → прослеђује је служби за кориснике. То је све. |
| Рефлекс агенти са моделом | Чувају интерни модел света и ажурирају га како ствари се мењају. | Прати историјске цене летова и означава руте које су изненада постале скупе. |
| Агенти засновани на циљевима | Имају циљ и корак по корак одлучују како до њега доћи. | Резервише цело путовање (летове, аутомобил, хотел) почев од ваше тренутне локације ка крајњој дестинацији. |
| Агенти засновани на корисности | Не налазе само једно решење — налазе најбоље важећи компромисе. | Балансира трошкове и погодност да пронађе путовање које најбоље одговара вашим жељама. |
| Учећи агенти | Постају бољи током времена учењем из повратних информација. | Прилагођава препоруке за будуће резервације на основу резултата анкете после путовања. |
| Јерархијски агенти | Виши ниво агената дели задатке на мање и делегира их нижим агентима. | Захтев за “отказивање путовања” се дели на: отказивање лета, хотела, изнајмљивања аута — сваки задатак обавља под-агент. |
| Мулти-агентски системи (MAS) | Више самосталних агената који раде заједно (или се такмиче). | Коперативно: посебни агенти се баве хотелима, летовима и забавом. Такмичарски: више агената се такмичи да попуни хотеле по најповољнијој цени. |
Када користити AI агенте
Само зато што можете користити AI агента не значи да то увек треба радити. Ево ситуација у којима агенти заиста сјаје:
- Отворени проблеми — Када кораци за решавање проблема не могу бити унапред програмирани. Тада LLM мора динамично да открије пут.
- Вишекорачни процеси — Задаци који захтевају коришћење алата током више корака, а не само једног упита или генерисања.
- Напредак током времена — Када желите систем који ће постајати паметнији на основу повратних информација корисника или сигнала из окружења.
Детаљније ћемо обрадити када (и када не) користити AI агенте у лекцији Изградња поузданих AI агената касније у курсу.
Основе агентских решења
Развој агената
Прва ствар коју урадите током изградње агента је да дефинишете шта он може да ради — који алати, акције и понашања су му доступни.
На овом курсу користимо Microsoft Foundry Agent Service као главну платформу. Она подржава:
- Моделе од провајдера као што су OpenAI, Mistral и Meta (Llama)
- Лиценциране податке од провајдера као што је Tripadvisor
- Стандаризоване дефиниције алата према OpenAPI 3.0
Агентски обрасци
Комуницирате са LLM преко упита. Са агентима, не можете увек ручно направити сваки упит — агент мора деловати кроз више корака. Ту ступају на сцену агентски обрасци. То су поновљиве стратегије за постављање упита и оркестрацију LLM-а на скалабилнији и поузданији начин.
Овај курс је структуиран око најчешћих и најкориснијих агентских образаца.
Агентски оквири
Агентски оквири пружају програмерима готове шаблоне, алате и инфраструктуру за изградњу агената. Олакшавају:
- Повезивање алата и могућности
- Праћење шта агент ради (и отклањање грешака када нешто пође по злу)
- Сарадњу између више агената
На овом курсу се фокусирамо на Microsoft Agent Framework (MAF) за изградњу агената спремних за производњу.
Примери кода
Спремни да видите то у акцији? Ево примера кода за ову лекцију:
- 🐍 Python: Agent Framework
- 🔷 .NET: Agent Framework
Имате питања?
Придружите се Microsoft Foundry Discord за повезивање са другим ученицима, учествовање у канцеларијским сатима и добијање одговора за ваша питања о AI агентима од заједнице.
Брзо тестирање овог агента (опционо)
Када научите како да имплементирате агенте у Лекцији 16, можете додати брзу проверу здравља након имплементације за овај TravelAgent користећи готову колекцију tests/lesson-01-smoke-tests.json. Погледајте tests/README.md како да га покренете.
Претходна лекција
Следећа лекција
Изјава о одрицању одговорности: Овај документ је преведен коришћењем услуге за аутоматски превод Co-op Translator. Иако тежимо тачности, имајте 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 људски превод. Нисмо одговорни за било каква неспоразума или погрешна тумачења која произилазе из коришћења овог превода.