ai-agents-for-beginners

Истраживање Microsoft Agent Framework-а

Agent Framework

Увод

Ова лекција обухвата:

Циљеви учења

Након завршетка ове лекције, знаћете како да:

Примери кода

Примери кода за Microsoft Agent Framework (MAF) могу се наћи у овом репозиторијуму у датотекама xx-python-agent-framework и xx-dotnet-agent-framework.

Разумевање Microsoft Agent Framework-а

Framework Intro

Microsoft Agent Framework (MAF) је изграђен на основу искуства и научених лекција из Semantic Kernel-а и AutoGen-а. Пружа флексибилност за решавање широког спектра агентских случајева употребе у производним и истраживачким окружењима, укључујући:

Да би испоручио AI агенте у производњи, MAF укључује карактеристике за:

Microsoft Agent Framework је такође фокусиран на интероперабилност кроз:

Хајде да погледамо како се ове карактеристике примењују на неке од основних концепата Microsoft Agent Framework-а.

Основни концепти Microsoft Agent Framework-а

Агенти

Agent Framework

Креирање агената

Креирање агента се врши дефинисањем сервиса за инференцију (LLM провајдер), скупа инструкција које AI агент треба да прати и додељивањем имена:

agent = AzureOpenAIChatClient(credential=AzureCliCredential()).create_agent( instructions="You are good at recommending trips to customers based on their preferences.", name="TripRecommender" )

Горњи пример користи Azure OpenAI, али агенти се могу креирати користећи различите сервисе, укључујући Azure AI Foundry Agent Service:

AzureAIAgentClient(async_credential=credential).create_agent( name="HelperAgent", instructions="You are a helpful assistant." ) as agent

OpenAI Responses, ChatCompletion API-је

agent = OpenAIResponsesClient().create_agent( name="WeatherBot", instructions="You are a helpful weather assistant.", )

agent = OpenAIChatClient().create_agent( name="HelpfulAssistant", instructions="You are a helpful assistant.", )

или удаљене агенте користећи A2A протокол:

agent = A2AAgent( name=agent_card.name, description=agent_card.description, agent_card=agent_card, url="https://your-a2a-agent-host" )

Покретање агената

Агенти се покрећу коришћењем метода .run или .run_stream за одговоре без стриминга или са стримингом.

result = await agent.run("What are good places to visit in Amsterdam?")
print(result.text)

async for update in agent.run_stream("What are the good places to visit in Amsterdam?"):
    if update.text:
        print(update.text, end="", flush=True)

Сваки покренути агент може имати опције за прилагођавање параметара као што су max_tokens које агент користи, tools које агент може позвати, па чак и сам model који се користи за агента.

Ово је корисно у случајевима где су потребни специфични модели или алати за завршетак корисничког задатка.

Алатке

Алатке се могу дефинисати и приликом дефинисања агента:

def get_attractions( location: Annotated[str, Field(description="The location to get the top tourist attractions for")], ) -> str: """Get the top tourist attractions for a given location.""" return f"The top attractions for {location} are." 


# When creating a ChatAgent directly 

agent = ChatAgent( chat_client=OpenAIChatClient(), instructions="You are a helpful assistant", tools=[get_attractions]

и такође приликом покретања агента:


result1 = await agent.run( "What's the best place to visit in Seattle?", tools=[get_attractions] # Tool provided for this run only )

Токови агента

Токови агента се користе за руковање разговорима са више обртаја. Токови се могу креирати на два начина:

Да бисте креирали ток, код изгледа овако:

# Create a new thread. 
thread = agent.get_new_thread() # Run the agent with the thread. 
response = await agent.run("Hello, I am here to help you book travel. Where would you like to go?", thread=thread)

Затим можете серијализовати ток да би се сачувао за каснију употребу:

# Create a new thread. 
thread = agent.get_new_thread() 

# Run the agent with the thread. 

response = await agent.run("Hello, how are you?", thread=thread) 

# Serialize the thread for storage. 

serialized_thread = await thread.serialize() 

# Deserialize the thread state after loading from storage. 

resumed_thread = await agent.deserialize_thread(serialized_thread)

Средњи слој агента

Агенти интерагују са алатима и LLM-овима да би завршили корисничке задатке. У одређеним сценаријима, желимо да извршимо или пратимо радње између ових интеракција. Средњи слој агента нам омогућава да то урадимо кроз:

Функционални средњи слој

Овај средњи слој нам омогућава да извршимо радњу између агента и функције/алата који ће позвати. Пример када би се ово користило је када желите да урадите неко логовање позива функције.

У коду испод next дефинише да ли треба позвати следећи средњи слој или стварну функцију.

async def logging_function_middleware(
    context: FunctionInvocationContext,
    next: Callable[[FunctionInvocationContext], Awaitable[None]],
) -> None:
    """Function middleware that logs function execution."""
    # Pre-processing: Log before function execution
    print(f"[Function] Calling {context.function.name}")

    # Continue to next middleware or function execution
    await next(context)

    # Post-processing: Log after function execution
    print(f"[Function] {context.function.name} completed")

Средњи слој чета

Овај средњи слој нам омогућава да извршимо или логујемо радњу између агента и захтева између LLM-а.

Ово садржи важне информације као што су messages које се шаљу AI сервису.

async def logging_chat_middleware(
    context: ChatContext,
    next: Callable[[ChatContext], Awaitable[None]],
) -> None:
    """Chat middleware that logs AI interactions."""
    # Pre-processing: Log before AI call
    print(f"[Chat] Sending {len(context.messages)} messages to AI")

    # Continue to next middleware or AI service
    await next(context)

    # Post-processing: Log after AI response
    print("[Chat] AI response received")

Меморија агента

Као што је обрађено у лекцији Agentic Memory, меморија је важан елемент који омогућава агенту да функционише у различитим контекстима. MAF нуди неколико различитих типова меморија:

Меморија у RAM-у

Ово је меморија која се чува у токовима током рада апликације.

# Create a new thread. 
thread = agent.get_new_thread() # Run the agent with the thread. 
response = await agent.run("Hello, I am here to help you book travel. Where would you like to go?", thread=thread)

Перзистентне поруке

Ова меморија се користи када се историја разговора чува током различитих сесија. Дефинише се коришћењем chat_message_store_factory:

from agent_framework import ChatMessageStore

# Create a custom message store
def create_message_store():
    return ChatMessageStore()

agent = ChatAgent(
    chat_client=OpenAIChatClient(),
    instructions="You are a Travel assistant.",
    chat_message_store_factory=create_message_store
)

Динамичка меморија

Ова меморија се додаје контексту пре него што се агенти покрену. Ове меморије могу се чувати у спољним сервисима као што је mem0:

from agent_framework.mem0 import Mem0Provider

# Using Mem0 for advanced memory capabilities
memory_provider = Mem0Provider(
    api_key="your-mem0-api-key",
    user_id="user_123",
    application_id="my_app"
)

agent = ChatAgent(
    chat_client=OpenAIChatClient(),
    instructions="You are a helpful assistant with memory.",
    context_providers=memory_provider
)

Посматрање агента

Посматрање је важно за изградњу поузданих и одрживих агентских система. MAF се интегрише са OpenTelemetry-ом да би пружио праћење и метрике за боље посматрање.

from agent_framework.observability import get_tracer, get_meter

tracer = get_tracer()
meter = get_meter()
with tracer.start_as_current_span("my_custom_span"):
    # do something
    pass
counter = meter.create_counter("my_custom_counter")
counter.add(1, {"key": "value"})

Радни токови

MAF нуди радне токове који су унапред дефинисани кораци за завршетак задатка и укључују AI агенте као компоненте у тим корацима.

Радни токови се састоје од различитих компоненти које омогућавају бољу контролу тока. Радни токови такође омогућавају оркестрацију више агената и чекпоинтинг за чување стања радног тока.

Основне компоненте радног тока су:

Извршиоци

Извршиоци примају улазне поруке, обављају своје задатке и затим производе излазну поруку. Ово помера радни ток ка завршетку већег задатка. Извршиоци могу бити AI агенти или прилагођена логика.

Ивице

Ивице се користе за дефинисање тока порука у радном току. Оне могу бити:

Директне ивице - Једноставне један-на-један везе између извршилаца:

from agent_framework import WorkflowBuilder

builder = WorkflowBuilder()
builder.add_edge(source_executor, target_executor)
builder.set_start_executor(source_executor)
workflow = builder.build()

Условне ивице - Активирају се након што је одређени услов испуњен. На пример, када су хотелске собе недоступне, извршилац може предложити друге опције.

Switch-case ивице - Усмеравају поруке ка различитим извршиоцима на основу дефинисаних услова. На пример, ако путнички клијент има приоритетни приступ, њихови задаци ће бити обрађени кроз други радни ток.

Fan-out ивице - Шаљу једну поруку ка више циљева.

Fan-in ивице - Прикупљају више порука од различитих извршилаца и шаљу их ка једном циљу.

Догађаји

Да би се обезбедило боље посматрање радних токова, MAF нуди уграђене догађаје за извршење, укључујући:

Миграција са других оквира (Semantic Kernel и AutoGen)

Разлике између MAF-а и Semantic Kernel-а

Поједностављено креирање агента

Semantic Kernel захтева креирање Kernel инстанце за сваког агента. MAF користи поједностављен приступ кроз екстензије за главне провајдере.

agent = AzureOpenAIChatClient(credential=AzureCliCredential()).create_agent( instructions="You are good at reccomending trips to customers based on their preferences.", name="TripRecommender" )

Креирање токова агента

Semantic Kernel захтева ручно креирање токова. У MAF-у, агенту се директно додељује ток.

thread = agent.get_new_thread() # Run the agent with the thread.

Регистрација алата

У Semantic Kernel-у, алати се региструју у Kernel-у, а Kernel се затим прослеђује агенту. У MAF-у, алати се региструју директно током процеса креирања агента.

agent = ChatAgent( chat_client=OpenAIChatClient(), instructions="You are a helpful assistant", tools=[get_attractions]

Разлике између MAF-а и AutoGen-а

Тимови vs Радни токови

Тимови су структура за догађаје у активностима вођеним догађајима са агентима у AutoGen-у. MAF користи Радне токове који усмеравају податке ка извршиоцима кроз архитектуру засновану на графу.

Креирање алата

AutoGen користи FunctionTool за обмотавање функција које агенти позивају. MAF користи @ai_function који функционише слично, али такође аутоматски закључује шеме за сваку функцију.

Понашање агента

Агенти су агенти са једним обртајем по подразумеваном у AutoGen-у, осим ако max_tool_iterations није постављен на већи број. У MAF-у, ChatAgent је по подразумеваном мулти-обртајни, што значи да ће наставити да позива алате док кориснички задатак не буде завршен.

Примери кода

Примери кода за Microsoft Agent Framework могу се наћи у овом репозиторијуму у датотекама xx-python-agent-framework и xx-dotnet-agent-framework.

Имате још питања о Microsoft Agent Framework-у?

Придружите се Azure AI Foundry Discord за упознавање са другим ученицима, присуствовање радним сатима и добијање одговора на ваша питања о AI агентима.

Одрицање од одговорности:
Овај документ је преведен помоћу услуге за превођење 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 људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода.

This site is open source. Improve this page.