ai-agents-for-beginners

Multi-Agent Design

(Klicka på bilden ovan för att se videon av denna lektion)

Metakognition i AI-agenter

Introduktion

Välkommen till lektionen om metakognition i AI-agenter! Detta kapitel är utformat för nybörjare som är nyfikna på hur AI-agenter kan reflektera över sina egna tankeprocesser. I slutet av denna lektion kommer du att förstå nyckelbegrepp och ha praktiska exempel för att tillämpa metakognition i AI-agentdesign.

Lärandemål

Efter att ha genomfört denna lektion kommer du att kunna:

  1. Förstå konsekvenserna av resonemangsloopar i agentdefinitioner.
  2. Använda planerings- och utvärderingstekniker för att hjälpa självkorrekta agenter.
  3. Skapa egna agenter kapabla att manipulera kod för att utföra uppgifter.

Introduktion till Metakognition

Metakognition hänvisar till de högre ordningens kognitiva processer som involverar att tänka på sitt eget tänkande. För AI-agenter innebär detta att kunna utvärdera och justera sina handlingar baserat på självmedvetenhet och tidigare erfarenheter. Metakognition, eller “tänkande om tänkande,” är ett viktigt koncept i utvecklingen av agentbaserade AI-system. Det innebär att AI-system är medvetna om sina egna interna processer och kan övervaka, reglera och anpassa sitt beteende därefter. Precis som vi gör när vi “läser rummet” eller granskar ett problem. Denna självmedvetenhet kan hjälpa AI-system att fatta bättre beslut, identifiera fel och förbättra sin prestation över tid — återknytande till Turingtestet och debatten om huruvida AI kommer att ta över.

I sammanhanget av agentbaserade AI-system kan metakognition hjälpa till att hantera flera utmaningar, såsom:

Vad är Metakognition?

Metakognition, eller “tänkande om tänkande,” är en högre ordningens kognitiv process som involverar självmedvetenhet och självreglering av ens kognitiva processer. Inom AI-området ger metakognition agenter möjlighet att utvärdera och anpassa sina strategier och handlingar, vilket leder till förbättrade problemlösnings- och beslutsförmågor. Genom att förstå metakognition kan du designa AI-agenter som inte bara är mer intelligenta utan också mer anpassningsbara och effektiva. I äkta metakognition ser du AI:n uttryckligen resonera kring sitt eget resonemang.

Exempel: “Jag prioriterade billigare flyg eftersom … Jag kan missa direktflyg, så låt mig kontrollera igen.” Hålla koll på hur eller varför den valde en viss rutt.

Metakognitions viktighet i AI-agenter

Metakognition spelar en avgörande roll i design av AI-agenter av flera skäl:

Importance of Metacognition

Komponenter i en AI-agent

Innan vi går in på metakognitiva processer är det viktigt att förstå de grundläggande komponenterna i en AI-agent. En AI-agent består vanligtvis av:

Dessa komponenter arbetar tillsammans för att skapa en “expertisenhet” som kan utföra specifika uppgifter.

Exempel: Tänk på en resebyråagent, en agenttjänst som inte bara planerar din semester utan också justerar sin väg baserat på realtidsdata och tidigare kundresorfarenheter.

Exempel: Metakognition i en resebyråagenttjänst

Föreställ dig att du designar en resebyråagenttjänst driven av AI. Denna agent, “Reseagent,” hjälper användare att planera sina semestrar. För att införliva metakognition behöver Reseagenten utvärdera och justera sina handlingar baserat på självmedvetenhet och tidigare erfarenheter. Så här kan metakognition spela en roll:

Aktuell uppgift

Den aktuella uppgiften är att hjälpa en användare att planera en resa till Paris.

Steg för att slutföra uppgiften

  1. Samla användarpreferenser: Fråga användaren om deras resedatum, budget, intressen (t.ex. museer, mat, shopping) och eventuella specifika krav.
  2. Hämta information: Sök efter flygalternativ, boenden, attraktioner och restauranger som matchar användarens preferenser.
  3. Generera rekommendationer: Ge en personlig resplan med flygdetaljer, hotellbokningar och föreslagna aktiviteter.
  4. Justera baserat på feedback: Fråga användaren om feedback på rekommendationerna och gör nödvändiga justeringar.

Nödvändiga resurser

Erfarenhet och självreflektion

Reseagenten använder metakognition för att utvärdera sin prestation och lära från tidigare erfarenheter. Till exempel:

  1. Analysera användarfeedback: Reseagenten granskar användarfeedback för att avgöra vilka rekommendationer som mottogs väl och vilka som inte gjorde det. Den justerar framtida förslag därefter.
  2. Anpassningsförmåga: Om en användare tidigare nämnt att hen ogillar trånga platser, undviker Reseagenten att föreslå populära turistmål under rusningstid i framtiden.
  3. Felkorrigering: Om Reseagenten gjorde ett misstag vid en tidigare bokning, som att föreslå ett hotell som var fullbokat, lär den sig att kontrollera tillgängligheten mer noggrant innan rekommendationer görs.

Praktiskt utvecklarexempel

Här är ett förenklat exempel på hur koden för Reseagenten kan se ut när den införlivar metakognition:

class Travel_Agent:
    def __init__(self):
        self.user_preferences = {}
        self.experience_data = []

    def gather_preferences(self, preferences):
        self.user_preferences = preferences

    def retrieve_information(self):
        # Sök efter flyg, hotell och sevärdheter baserat på preferenser
        flights = search_flights(self.user_preferences)
        hotels = search_hotels(self.user_preferences)
        attractions = search_attractions(self.user_preferences)
        return flights, hotels, attractions

    def generate_recommendations(self):
        flights, hotels, attractions = self.retrieve_information()
        itinerary = create_itinerary(flights, hotels, attractions)
        return itinerary

    def adjust_based_on_feedback(self, feedback):
        self.experience_data.append(feedback)
        # Analysera feedback och justera framtida rekommendationer
        self.user_preferences = adjust_preferences(self.user_preferences, feedback)

# Exempel på användning
travel_agent = Travel_Agent()
preferences = {
    "destination": "Paris",
    "dates": "2025-04-01 to 2025-04-10",
    "budget": "moderate",
    "interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
itinerary = travel_agent.generate_recommendations()
print("Suggested Itinerary:", itinerary)
feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
travel_agent.adjust_based_on_feedback(feedback)

Varför Metakognition är Viktigt

Genom att införliva metakognition kan Reseagenten erbjuda mer personliga och korrekta reseförslag, vilket förbättrar användarupplevelsen.

2. Planering i agenter

Planering är en kritisk komponent i AI-agenters beteende. Det innebär att skissa upp de steg som behövs för att nå ett mål, med hänsyn till nuvarande tillstånd, resurser och möjliga hinder.

Element i planering

Exempel: Här är stegen som Reseagenten behöver ta för att effektivt hjälpa en användare att planera sin resa:

Steg för Reseagenten

  1. Samla användarpreferenser
    • Fråga användaren om detaljer kring resedatum, budget, intressen och eventuella specifika krav.
    • Exempel: “När planerar du att resa?” “Vad är din budget?” “Vilka aktiviteter tycker du om på semestern?”
  2. Hämta information
    • Sök efter relevanta resealternativ baserat på användarpreferenser.
    • Flyg: Leta efter tillgängliga flyg inom användarens budget och önskade resedatum.
    • Boenden: Hitta hotell eller hyresbostäder som matchar användarens preferenser för läge, pris och faciliteter.
    • Attraktioner och restauranger: Identifiera populära sevärdheter, aktiviteter och matställen som stämmer överens med användarens intressen.
  3. Generera rekommendationer
    • Sammanställ den hämtade informationen till en personlig resplan.
    • Ge detaljer som flygalternativ, hotellbokningar och föreslagna aktiviteter, anpassade efter användarens preferenser.
  4. Presentera resplanen för användaren
    • Dela den föreslagna resplanen för användarens granskning.
    • Exempel: “Här är ett förslag på resplan för din resa till Paris. Den inkluderar flygdetaljer, hotellbokningar och en lista på rekommenderade aktiviteter och restauranger. Vad tycker du?”
  5. Samla feedback
    • Fråga användaren om återkoppling på den föreslagna resplanen.
    • Exempel: “Gillar du flygalternativen?” “Passar hotellet dina behov?” “Finns det några aktiviteter du vill lägga till eller ta bort?”
  6. Justera baserat på feedback
    • Modifiera resplanen utifrån användarens återkoppling.
    • Gör nödvändiga ändringar i rekommendationer av flyg, boende och aktiviteter för att bättre passa användarens preferenser.
  7. Slutlig bekräftelse
    • Presentera den uppdaterade resplanen för användarens slutgiltiga bekräftelse.
    • Exempel: “Jag har gjort ändringarna baserat på din feedback. Här är den uppdaterade resplanen. Ser allt bra ut?”
  8. Boka och bekräfta reservationer
    • När användaren godkänt resplanen, fortsätt med bokning av flyg, boenden och eventuella förbokade aktiviteter.
    • Skicka bekräftelsedetaljer till användaren.
  9. Erbjuda löpande stöd
    • Finns tillgänglig för att hjälpa användaren med ändringar eller ytterligare önskemål före och under resan.
    • Exempel: “Om du behöver vidare assistans under din resa, tveka inte att kontakta mig när som helst!”

Exempel på interaktion

class Travel_Agent:
    def __init__(self):
        self.user_preferences = {}
        self.experience_data = []

    def gather_preferences(self, preferences):
        self.user_preferences = preferences

    def retrieve_information(self):
        flights = search_flights(self.user_preferences)
        hotels = search_hotels(self.user_preferences)
        attractions = search_attractions(self.user_preferences)
        return flights, hotels, attractions

    def generate_recommendations(self):
        flights, hotels, attractions = self.retrieve_information()
        itinerary = create_itinerary(flights, hotels, attractions)
        return itinerary

    def adjust_based_on_feedback(self, feedback):
        self.experience_data.append(feedback)
        self.user_preferences = adjust_preferences(self.user_preferences, feedback)

# Exempelanvändning inom en bokningsförfrågan
travel_agent = Travel_Agent()
preferences = {
    "destination": "Paris",
    "dates": "2025-04-01 to 2025-04-10",
    "budget": "moderate",
    "interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
itinerary = travel_agent.generate_recommendations()
print("Suggested Itinerary:", itinerary)
feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
travel_agent.adjust_based_on_feedback(feedback)

3. Korrigerande RAG-system

Låt oss börja med att förstå skillnaden mellan RAG-verktyg och förhandsladdning av kontext

RAG vs Context Loading

Retrieval-Augmented Generation (RAG)

RAG kombinerar ett återhämtningssystem med en generativ modell. När en fråga ställs hämtar återhämtningssystemet relevanta dokument eller data från en extern källa, och denna hämtade information används för att förstärka indata till den generativa modellen. Detta hjälper modellen att generera mer exakta och kontextuellt relevanta svar.

I ett RAG-system hämtar agenten relevant information från en kunskapsbas och använder den för att generera lämpliga svar eller handlingar.

Korrigerande RAG-ansats

Den korrigerande RAG-ansatsen fokuserar på att använda RAG-tekniker för att rätta till fel och förbättra noggrannheten hos AI-agenter. Detta inkluderar:

  1. Prompting-technique: Använda specifika promptar för att vägleda agenten i att hämta relevant information.
  2. Verktyg: Implementera algoritmer och mekanismer som gör det möjligt för agenten att utvärdera informationens relevans och generera korrekta svar.
  3. Utvärdering: Kontinuerligt bedöma agentens prestation och göra justeringar för att förbättra dess noggrannhet och effektivitet.

Exempel: Korrigerande RAG i en sökagent

Tänk på en sökagent som hämtar information från webben för att svara på användarfrågor. Den korrigerande RAG-ansatsen kan innefatta:

  1. Prompting-technique: Formulera sökfrågor baserade på användarens indata.
  2. Verktyg: Använda naturlig språkbehandling och maskininlärningsalgoritmer för att rangordna och filtrera sökresultat.
  3. Utvärdering: Analysera användarfeedback för att identifiera och korrigera felaktigheter i den hämtade informationen.

Korrigerande RAG i Reseagenten

Korrigerande RAG (Retrieval-Augmented Generation) förbättrar AI:s förmåga att hämta och generera information samtidigt som eventuella fel korrigeras. Låt oss se hur Reseagenten kan använda den korrigerande RAG-ansatsen för att ge mer exakta och relevanta reseförslag.

Detta innebär:

Steg för att implementera Korrigerande RAG i Reseagenten

  1. Initial användarinteraktion
    • Reseagenten samlar in initiala preferenser från användaren, såsom destination, resedatum, budget och intressen.

    • Exempel:

      preferences = {
    "destination": "Paris",
    "dates": "2025-04-01 to 2025-04-10",
    "budget": "moderate",
    "interests": ["museums", "cuisine"]
}
  2. Informationshämtning
    • Reseagenten hämtar information om flyg, boenden, attraktioner och restauranger baserat på användarens preferenser.

    • Exempel:

      flights = search_flights(preferences)
hotels = search_hotels(preferences)
attractions = search_attractions(preferences)
  3. Generera initiala rekommendationer
    • Reseagenten använder den hämtade informationen för att skapa en personlig resplan.

    • Exempel:

      itinerary = create_itinerary(flights, hotels, attractions)
print("Suggested Itinerary:", itinerary)
  4. Samla in användarfeedback
    • Reseagenten frågar användaren om feedback på de initiala rekommendationerna.

    • Exempel:

      feedback = {
    "liked": ["Louvre Museum"],
    "disliked": ["Eiffel Tower (too crowded)"]
}
  5. Korrigerande RAG-process
    • Prompting-technique: Reseagenten formulerar nya sökfrågor baserat på användarens feedback.

      • Exempel:

        if "disliked" in feedback:
    preferences["avoid"] = feedback["disliked"]
    • Verktyg: Reseagenten använder algoritmer för att rangordna och filtrera nya sökresultat, med fokus på relevans baserat på feedback.

      • Exempel:

        new_attractions = search_attractions(preferences)
new_itinerary = create_itinerary(flights, hotels, new_attractions)
print("Updated Itinerary:", new_itinerary)
    • Utvärdering: Reseagenten bedömer kontinuerligt relevans och noggrannhet i sina rekommendationer genom att analysera användarfeedback och göra nödvändiga justeringar.

      • Exempel:

        def adjust_preferences(preferences, feedback):
    if "liked" in feedback:
        preferences["favorites"] = feedback["liked"]
    if "disliked" in feedback:
        preferences["avoid"] = feedback["disliked"]
    return preferences

preferences = adjust_preferences(preferences, feedback)

Praktiskt exempel

Här är ett förenklat Python-exempel som införlivar den korrigerande RAG-ansatsen i Reseagenten:

class Travel_Agent:
    def __init__(self):
        self.user_preferences = {}
        self.experience_data = []

    def gather_preferences(self, preferences):
        self.user_preferences = preferences

    def retrieve_information(self):
        flights = search_flights(self.user_preferences)
        hotels = search_hotels(self.user_preferences)
        attractions = search_attractions(self.user_preferences)
        return flights, hotels, attractions

    def generate_recommendations(self):
        flights, hotels, attractions = self.retrieve_information()
        itinerary = create_itinerary(flights, hotels, attractions)
        return itinerary

    def adjust_based_on_feedback(self, feedback):
        self.experience_data.append(feedback)
        self.user_preferences = adjust_preferences(self.user_preferences, feedback)
        new_itinerary = self.generate_recommendations()
        return new_itinerary

# Exempel på användning
travel_agent = Travel_Agent()
preferences = {
    "destination": "Paris",
    "dates": "2025-04-01 to 2025-04-10",
    "budget": "moderate",
    "interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
itinerary = travel_agent.generate_recommendations()
print("Suggested Itinerary:", itinerary)
feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
new_itinerary = travel_agent.adjust_based_on_feedback(feedback)
print("Updated Itinerary:", new_itinerary)

Förhandsladdning av kontext

Förhandsladdning av Kontekst innebär att ladda relevant kontext eller bakgrundsinformation till modellen innan en fråga bearbetas. Detta innebär att modellen har tillgång till denna information från början, vilket kan hjälpa den att generera mer informerade svar utan att behöva hämta ytterligare data under processen.

Här är ett förenklat exempel på hur en förhandsladdning av kontext kan se ut för en resebyråapplikation i Python:

class TravelAgent:
    def __init__(self):
        # Förladda populära destinationer och deras information
        self.context = {
            "Paris": {"country": "France", "currency": "Euro", "language": "French", "attractions": ["Eiffel Tower", "Louvre Museum"]},
            "Tokyo": {"country": "Japan", "currency": "Yen", "language": "Japanese", "attractions": ["Tokyo Tower", "Shibuya Crossing"]},
            "New York": {"country": "USA", "currency": "Dollar", "language": "English", "attractions": ["Statue of Liberty", "Times Square"]},
            "Sydney": {"country": "Australia", "currency": "Dollar", "language": "English", "attractions": ["Sydney Opera House", "Bondi Beach"]}
        }

    def get_destination_info(self, destination):
        # Hämta destinationsinformation från förladdad kontext
        info = self.context.get(destination)
        if info:
            return f"{destination}:\nCountry: {info['country']}\nCurrency: {info['currency']}\nLanguage: {info['language']}\nAttractions: {', '.join(info['attractions'])}"
        else:
            return f"Sorry, we don't have information on {destination}."

# Exempel på användning
travel_agent = TravelAgent()
print(travel_agent.get_destination_info("Paris"))
print(travel_agent.get_destination_info("Tokyo"))

Förklaring

  1. Initialization (__init__-metoden): TravelAgent-klassen förladdar en ordlista som innehåller information om populära destinationer såsom Paris, Tokyo, New York och Sydney. Denna ordbok inkluderar detaljer som land, valuta, språk och viktiga attraktioner för varje destination.

  2. Hämta Information (get_destination_info-metoden): När en användare frågar om en specifik destination hämtar get_destination_info-metoden relevant information från den förladdade kontextordboken.

Genom att förladda kontexten kan resebyråapplikationen snabbt svara på användarfrågor utan att behöva hämta denna information från en extern källa i realtid. Detta gör applikationen mer effektiv och lyhörd.

Bootstrapping av Plan med ett Mål Innan Iteration

Att bootstrapa en plan med ett mål innebär att börja med ett tydligt mål eller önskad utgångspunkt i åtanke. Genom att definiera detta mål uppifrån kan modellen använda det som en vägledande princip genom hela den iterativa processen. Detta hjälper till att säkerställa att varje iteration för planeringen närmare det önskade resultatet, vilket gör processen mer effektiv och fokuserad.

Här är ett exempel på hur du kan bootstrapa en reseplan med ett mål innan iteration för en resebyrå i Python:

Scenario

En reseagent vill planera en skräddarsydd semester för en kund. Målet är att skapa en resplan som maximerar kundens tillfredsställelse baserat på deras preferenser och budget.

Steg

  1. Definiera kundens preferenser och budget.
  2. Bootstrap den initiala planen baserat på dessa preferenser.
  3. Iterera för att förfina planen med optimering för kundens tillfredsställelse.

Python-kod

class TravelAgent:
    def __init__(self, destinations):
        self.destinations = destinations

    def bootstrap_plan(self, preferences, budget):
        plan = []
        total_cost = 0

        for destination in self.destinations:
            if total_cost + destination['cost'] <= budget and self.match_preferences(destination, preferences):
                plan.append(destination)
                total_cost += destination['cost']

        return plan

    def match_preferences(self, destination, preferences):
        for key, value in preferences.items():
            if destination.get(key) != value:
                return False
        return True

    def iterate_plan(self, plan, preferences, budget):
        for i in range(len(plan)):
            for destination in self.destinations:
                if destination not in plan and self.match_preferences(destination, preferences) and self.calculate_cost(plan, destination) <= budget:
                    plan[i] = destination
                    break
        return plan

    def calculate_cost(self, plan, new_destination):
        return sum(destination['cost'] for destination in plan) + new_destination['cost']

# Exempel på användning
destinations = [
    {"name": "Paris", "cost": 1000, "activity": "sightseeing"},
    {"name": "Tokyo", "cost": 1200, "activity": "shopping"},
    {"name": "New York", "cost": 900, "activity": "sightseeing"},
    {"name": "Sydney", "cost": 1100, "activity": "beach"},
]

preferences = {"activity": "sightseeing"}
budget = 2000

travel_agent = TravelAgent(destinations)
initial_plan = travel_agent.bootstrap_plan(preferences, budget)
print("Initial Plan:", initial_plan)

refined_plan = travel_agent.iterate_plan(initial_plan, preferences, budget)
print("Refined Plan:", refined_plan)

Förklaring av koden

  1. Initialization (__init__-metoden): TravelAgent-klassen initieras med en lista av potentiella destinationer, där varje destination har attribut som namn, kostnad och aktivitetstyp.

  2. Bootstrapping av Plan (bootstrap_plan-metoden): Denna metod skapar en initial reseplan baserat på kundens preferenser och budget. Den itererar genom listan av destinationer och lägger till dem i planen om de matchar kundens preferenser och ryms inom budgeten.

  3. Matcha Preferenser (match_preferences-metoden): Denna metod kontrollerar om en destination matchar kundens preferenser.

  4. Iterera Planen (iterate_plan-metoden): Denna metod förfinar den initiala planen genom att försöka ersätta varje destination i planen med en bättre matchning, med hänsyn till kundens preferenser och budgetbegränsningar.

  5. Beräkna Kostnad (calculate_cost-metoden): Denna metod beräknar den totala kostnaden för den aktuella planen, inklusive en eventuell ny destination.

Exempel på användning

Genom att bootstrapa planen med ett tydligt mål (t.ex. maximera kundens tillfredsställelse) och iterera för att förfina planen kan reseagenten skapa en skräddarsydd och optimerad resplan för kunden. Detta tillvägagångssätt säkerställer att reseplanen stämmer överens med kundens preferenser och budget från början och förbättras med varje iteration.

Utnyttja LLM för Omrangordning och Poängsättning

Stora språkmodeller (LLMs) kan användas för omrangordning och poängsättning genom att utvärdera relevansen och kvaliteten på hämtade dokument eller genererade svar. Så här fungerar det:

Hämtning: Det initiala hämtningsteget hämtar en uppsättning kandidatdokument eller svar baserat på frågan.

Omrangordning: LLM:n utvärderar dessa kandidater och omrangordnar dem baserat på deras relevans och kvalitet. Detta steg säkerställer att den mest relevanta och kvalitativa informationen presenteras först.

Poängsättning: LLM:n tilldelar poäng till varje kandidat som speglar deras relevans och kvalitet. Detta hjälper till att välja det bästa svaret eller dokumentet för användaren.

Genom att utnyttja LLM för omrangordning och poängsättning kan systemet erbjuda mer exakt och kontextuellt relevant information, vilket förbättrar den övergripande användarupplevelsen.

Här är ett exempel på hur en reseagent kan använda en Stor Språkmodell (LLM) för omrangordning och poängsättning av resmål baserat på användarens preferenser i Python:

Scenario - Resa baserat på Preferenser

En reseagent vill rekommendera de bästa resmålen till en kund baserat på deras preferenser. LLM:n hjälper till att omrangordna och poängsätta destinationerna för att säkerställa att de mest relevanta alternativen presenteras.

Steg:

  1. Samla in användarpreferenser.
  2. Hämta en lista med potentiella resmål.
  3. Använd LLM:n för att omrangordna och poängsätta destinationerna baserat på användarens preferenser.

Så här kan du uppdatera det tidigare exemplet för att använda Azure OpenAI-tjänster:

Krav

  1. Du behöver en Azure-prenumeration.
  2. Skapa en Azure OpenAI-resurs och få din API-nyckel.

Exempel på Python-kod

import requests
import json

class TravelAgent:
    def __init__(self, destinations):
        self.destinations = destinations

    def get_recommendations(self, preferences, api_key, endpoint):
        # Generera en prompt för Azure OpenAI
        prompt = self.generate_prompt(preferences)
        
        # Definiera headers och payload för förfrågan
        headers = {
            'Content-Type': 'application/json',
            'Authorization': f'Bearer {api_key}'
        }
        payload = {
            "prompt": prompt,
            "max_tokens": 150,
            "temperature": 0.7
        }
        
        # Anropa Azure OpenAI API för att få de omrankade och poängsatta destinationerna
        response = requests.post(endpoint, headers=headers, json=payload)
        response_data = response.json()
        
        # Extrahera och returnera rekommendationerna
        recommendations = response_data['choices'][0]['text'].strip().split('\n')
        return recommendations

    def generate_prompt(self, preferences):
        prompt = "Here are the travel destinations ranked and scored based on the following user preferences:\n"
        for key, value in preferences.items():
            prompt += f"{key}: {value}\n"
        prompt += "\nDestinations:\n"
        for destination in self.destinations:
            prompt += f"- {destination['name']}: {destination['description']}\n"
        return prompt

# Exempel på användning
destinations = [
    {"name": "Paris", "description": "City of lights, known for its art, fashion, and culture."},
    {"name": "Tokyo", "description": "Vibrant city, famous for its modernity and traditional temples."},
    {"name": "New York", "description": "The city that never sleeps, with iconic landmarks and diverse culture."},
    {"name": "Sydney", "description": "Beautiful harbour city, known for its opera house and stunning beaches."},
]

preferences = {"activity": "sightseeing", "culture": "diverse"}
api_key = 'your_azure_openai_api_key'
endpoint = 'https://your-endpoint.com/openai/deployments/your-deployment-name/completions?api-version=2022-12-01'

travel_agent = TravelAgent(destinations)
recommendations = travel_agent.get_recommendations(preferences, api_key, endpoint)
print("Recommended Destinations:")
for rec in recommendations:
    print(rec)

Förklaring av koden - Preference Booker

  1. Initialization: TravelAgent-klassen initieras med en lista av potentiella resmål, där varje har attribut som namn och beskrivning.

  2. Hämta Rekommendationer (get_recommendations-metoden): Metoden genererar en prompt för Azure OpenAI-tjänsten baserat på användarens preferenser och gör en HTTP POST-begäran till Azure OpenAI API för att få omrangordnade och poängsatta destinationer.

  3. Generera Prompt (generate_prompt-metoden): Denna metod bygger en prompt till Azure OpenAI, inklusive användarens preferenser och listan över destinationer. Prompten styr modellen att omrangordna och poängsätta destinationerna baserat på de givna preferenserna.

  4. API-anrop: requests-biblioteket används för att göra en HTTP POST-begäran till Azure OpenAI API-endpointen. Svaret innehåller de omrangordnade och poängsatta destinationerna.

  5. Exempel på användning: Resebyrån samlar in användarens preferenser (t.ex. intresse för sevärdheter och mångfaldig kultur) och använder Azure OpenAI-tjänsten för att få omrangordnade och poängsatta rekommendationer för resmål.

Se till att ersätta your_azure_openai_api_key med din faktiska Azure OpenAI API-nyckel och https://your-endpoint.com/... med den faktiska endpoint-URL:en för din Azure OpenAI-distribution.

Genom att utnyttja LLM för omrangordning och poängsättning kan reseagenten erbjuda mer personliga och relevanta rese-rekommendationer till kunder, vilket förbättrar deras totala upplevelse.

RAG: Prompting-teknik vs Verktyg

Retrieval-Augmented Generation (RAG) kan både vara en prompting-teknik och ett verktyg vid utveckling av AI-agenter. Att förstå skillnaden mellan dessa kan hjälpa dig att använda RAG mer effektivt i dina projekt.

RAG som Prompting-teknik

Vad är det?

Hur det fungerar:

  1. Formulera Prompts: Skapa välstrukturerade prompts eller frågor baserat på den aktuella uppgiften eller användarens input.
  2. Hämta Information: Använd promptsen för att söka efter relevant data från en existerande kunskapsdatabas eller dataset.
  3. Generera Svar: Kombinera den hämtade informationen med generativa AI-modeller för att producera ett komplett och sammanhängande svar.

Exempel i Resebyrå:

RAG som Verktyg

Vad är det?

Hur det fungerar:

  1. Integration: Bädda in RAG i AI-agentens arkitektur så att den automatiskt hanterar hämtning och generering.
  2. Automatisering: Verktyget sköter hela processen, från mottagande av användarinput till att generera slutligt svar, utan krav på explizita prompts för varje steg.
  3. Effektivitet: Förbättrar agentens prestanda genom att strömlinjeforma hämtning och generering och möjliggör snabbare och mer precisa svar.

Exempel i Resebyrå:

Jämförelse

Aspekt Prompting-teknik Verktyg
Manuellt vs Automatiskt Manuell formulering av prompts för varje fråga. Automatisk process för hämtning och generering.
Kontroll Ger mer kontroll över hämtprocessen. Strömlinjeformar och automatiserar hämtning och generering.
Flexibilitet Möjliggör anpassade prompts baserat på specifika behov. Mer effektivt för storskaliga implementationer.
Komplexitet Kräver skapande och justering av prompts. Lättare att integrera i en AI-agents arkitektur.

Praktiska Exempel

Exempel på Prompting-teknik:

def search_museums_in_paris():
    prompt = "Find top museums in Paris"
    search_results = search_web(prompt)
    return search_results

museums = search_museums_in_paris()
print("Top Museums in Paris:", museums)

Exempel på Verktyg:

class Travel_Agent:
    def __init__(self):
        self.rag_tool = RAGTool()

    def get_museums_in_paris(self):
        user_input = "I want to visit museums in Paris."
        response = self.rag_tool.retrieve_and_generate(user_input)
        return response

travel_agent = Travel_Agent()
museums = travel_agent.get_museums_in_paris()
print("Top Museums in Paris:", museums)

Utvärdera Relevans

Att utvärdera relevans är en avgörande aspekt för AI-agenters prestanda. Det säkerställer att informationen som hämtas och genereras av agenten är lämplig, korrekt och användbar för användaren. Låt oss utforska hur man kan utvärdera relevans i AI-agenter, inklusive praktiska exempel och tekniker.

Viktiga begrepp i relevansutvärdering

  1. Kontekstmedvetenhet:
    • Agenten måste förstå kontexten i användarens fråga för att kunna hämta och generera relevant information.
    • Exempel: Om en användare frågar efter “bästa restaurangerna i Paris” bör agenten ta hänsyn till användarens preferenser, såsom matkön och budget.
  2. Noggrannhet:
    • Informationen som agenten förmedlar ska vara faktamässigt korrekt och uppdaterad.
    • Exempel: Rekommendera restauranger som är öppna nu och har bra recensioner istället för föråldrade eller stängda alternativ.
  3. Användarens avsikt:
    • Agenten bör dra slutsatser om användarens avsikt bakom frågan för att ge den mest relevanta informationen.
    • Exempel: Om en användare frågar efter “budgetvänliga hotell” ska agenten prioritera prisvärda alternativ.
  4. Feedback-loop:
    • Kontinuerlig insamling och analys av användarfeedback hjälper agenten att förbättra dess relevansbedömning.
    • Exempel: Inkorporera användarbetyg och feedback på tidigare rekommendationer för att förbättra framtida svar.

Praktiska tekniker för relevansutvärdering

  1. Relevanspoängsättning:
    • Tilldela varje hämtat objekt en relevanspoäng baserat på hur väl det matchar användarens fråga och preferenser.

    • Exempel:

      def relevance_score(item, query):
    score = 0
    if item['category'] in query['interests']:
        score += 1
    if item['price'] <= query['budget']:
        score += 1
    if item['location'] == query['destination']:
        score += 1
    return score
  2. Filtrering och Rangordning:
    • Filtrera bort irrelevanta objekt och rangordna de återstående baserat på deras relevanspoäng.

    • Exempel:

      def filter_and_rank(items, query):
    ranked_items = sorted(items, key=lambda item: relevance_score(item, query), reverse=True)
    return ranked_items[:10]  # Returnera topp 10 relevanta objekt
  3. Natural Language Processing (NLP):
    • Använd NLP-tekniker för att förstå användarens fråga och hämta relevant information.

    • Exempel:

      def process_query(query):
    # Använd NLP för att extrahera nyckelinformation från användarens fråga
    processed_query = nlp(query)
    return processed_query
  4. Integrering av Användarfeedback:
    • Samla in användarfeedback på de givna rekommendationerna och använd den för att justera framtida relevansbedömningar.

    • Exempel:

      def adjust_based_on_feedback(feedback, items):
    for item in items:
        if item['name'] in feedback['liked']:
            item['relevance'] += 1
        if item['name'] in feedback['disliked']:
            item['relevance'] -= 1
    return items

Exempel: Utvärdera relevans i Travel Agent

Här är ett praktiskt exempel på hur Travel Agent kan utvärdera relevansen av rese-rekommendationer:

class Travel_Agent:
    def __init__(self):
        self.user_preferences = {}
        self.experience_data = []

    def gather_preferences(self, preferences):
        self.user_preferences = preferences

    def retrieve_information(self):
        flights = search_flights(self.user_preferences)
        hotels = search_hotels(self.user_preferences)
        attractions = search_attractions(self.user_preferences)
        return flights, hotels, attractions

    def generate_recommendations(self):
        flights, hotels, attractions = self.retrieve_information()
        ranked_hotels = self.filter_and_rank(hotels, self.user_preferences)
        itinerary = create_itinerary(flights, ranked_hotels, attractions)
        return itinerary

    def filter_and_rank(self, items, query):
        ranked_items = sorted(items, key=lambda item: self.relevance_score(item, query), reverse=True)
        return ranked_items[:10]  # Returnera topp 10 relevanta objekt

    def relevance_score(self, item, query):
        score = 0
        if item['category'] in query['interests']:
            score += 1
        if item['price'] <= query['budget']:
            score += 1
        if item['location'] == query['destination']:
            score += 1
        return score

    def adjust_based_on_feedback(self, feedback, items):
        for item in items:
            if item['name'] in feedback['liked']:
                item['relevance'] += 1
            if item['name'] in feedback['disliked']:
                item['relevance'] -= 1
        return items

# Exempel på användning
travel_agent = Travel_Agent()
preferences = {
    "destination": "Paris",
    "dates": "2025-04-01 to 2025-04-10",
    "budget": "moderate",
    "interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
itinerary = travel_agent.generate_recommendations()
print("Suggested Itinerary:", itinerary)
feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
updated_items = travel_agent.adjust_based_on_feedback(feedback, itinerary['hotels'])
print("Updated Itinerary with Feedback:", updated_items)

Sökning med Avsikt

Att söka med avsikt innebär att förstå och tolka det bakomliggande syftet eller målet bakom en användares fråga för att hämta och generera den mest relevanta och användbara informationen. Detta tillvägagångssätt går bortom att bara matcha nyckelord och fokuserar på att greppa användarens faktiska behov och kontext.

Viktiga begrepp i sökning med avsikt

  1. Förstå Användarens Avsikt:
    • Användarens avsikt kan delas in i tre huvudtyper: informativ, navigations- och transaktionsavsikt.
      • Informativ Avsikt: Användaren söker information om ett ämne (t.ex. “Vilka är de bästa museerna i Paris?”).
      • Navigationsavsikt: Användaren vill navigera till en specifik webbplats eller sida (t.ex. “Louvre-museets officiella webbplats”).
      • Transaktionsavsikt: Användaren vill genomföra en transaktion, såsom boka en flygning eller göra ett köp (t.ex. “Boka flyg till Paris”).
  2. Kontekstmedvetenhet:
    • Att analysera kontexten i användarens fråga hjälper till att korrekt identifiera deras avsikt. Det inkluderar att ta hänsyn till tidigare interaktioner, användarpreferenser och detaljer i den aktuella frågan.
  3. Natural Language Processing (NLP):
    • NLP-tekniker används för att förstå och tolka naturliga språkfrågor från användare. Detta inkluderar uppgifter som entity recognition, sentimentanalys och frågeparsing.
  4. Personalisering:
    • Att anpassa sökresultaten baserat på användarens historik, preferenser och feedback förbättrar relevansen av den hämtade informationen.

Praktiskt exempel: Söka med avsikt i Travel Agent

Låt oss ta Travel Agent som exempel för att se hur sökning med avsikt kan implementeras.

  1. Samla in användarpreferenser

    class Travel_Agent:
    def __init__(self):
        self.user_preferences = {}

    def gather_preferences(self, preferences):
        self.user_preferences = preferences

  2. Förstå användarens avsikt

    def identify_intent(query):
    if "book" in query or "purchase" in query:
        return "transactional"
    elif "website" in query or "official" in query:
        return "navigational"
    else:
        return "informational"
  3. Kontekstmedvetenhet 
    def analyze_context(query, user_history):
    # Kombinera aktuella förfrågan med användarens historik för att förstå kontext
    context = {
        "current_query": query,
        "user_history": user_history
    }
    return context

  4. Sök och anpassa resultat

    def search_with_intent(query, preferences, user_history):
    intent = identify_intent(query)
    context = analyze_context(query, user_history)
    if intent == "informational":
        search_results = search_information(query, preferences)
    elif intent == "navigational":
        search_results = search_navigation(query)
    elif intent == "transactional":
        search_results = search_transaction(query, preferences)
    personalized_results = personalize_results(search_results, user_history)
    return personalized_results

def search_information(query, preferences):
    # Exempel på söklogik för informationssyfte
    results = search_web(f"best {preferences['interests']} in {preferences['destination']}")
    return results

def search_navigation(query):
    # Exempel på söklogik för navigeringssyfte
    results = search_web(query)
    return results

def search_transaction(query, preferences):
    # Exempel på söklogik för transaktionssyfte
    results = search_web(f"book {query} to {preferences['destination']}")
    return results

def personalize_results(results, user_history):
    # Exempel på personaliseringslogik
    personalized = [result for result in results if result not in user_history]
    return personalized[:10]  # Returnera topp 10 personligt anpassade resultat

  5. Exempel på användning

    travel_agent = Travel_Agent()
preferences = {
    "destination": "Paris",
    "interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
user_history = ["Louvre Museum website", "Book flight to Paris"]
query = "best museums in Paris"
results = search_with_intent(query, preferences, user_history)
print("Search Results:", results)

4. Generera kod som ett verktyg

Kodgenererande agenter använder AI-modeller för att skriva och köra kod, lösa komplexa problem och automatisera uppgifter.

Kodgenererande agenter

Kodgenererande agenter använder generativa AI-modeller för att skriva och köra kod. Dessa agenter kan lösa komplexa problem, automatisera uppgifter och ge värdefulla insikter genom att generera och köra kod i olika programmeringsspråk.

Praktiska tillämpningar

  1. Automatisk kodgenerering: Generera kodsnuttar för specifika uppgifter, såsom dataanalys, webbscraping eller maskininlärning.
  2. SQL som RAG: Använd SQL-frågor för att hämta och manipulera data från databaser.
  3. Problemlösning: Skapa och kör kod för att lösa specifika problem, som att optimera algoritmer eller analysera data.

Exempel: Kodgenererande agent för dataanalys

Föreställ dig att du designar en kodgenererande agent. Så här kan det fungera:

  1. Uppgift: Analysera en dataset för att identifiera trender och mönster.
  2. Steg:
    • Ladda datasetet i ett dataanalysverktyg.
    • Generera SQL-frågor för att filtrera och aggregera data.
    • Kör frågorna och hämta resultaten.
    • Använd resultaten för att generera visualiseringar och insikter.
  3. Nödvändiga resurser: Tillgång till datasetet, dataanalysverktyg och SQL-funktioner.
  4. Erfarenhet: Använd tidigare analysresultat för att förbättra precision och relevans i framtida analyser.

Exempel: Kodgenererande agent för resebyrå

I detta exempel designar vi en kodgenererande agent, Resebyrå, för att hjälpa användare planera sina resor genom att generera och köra kod. Denna agent kan hantera uppgifter som att hämta resealternativ, filtrera resultat och sammanställa en resplan med generativ AI.

Översikt av kodgenererande agent

  1. Samla användarpreferenser: Samlar in användarinput som destination, resedatum, budget och intressen.
  2. Generera kod för datainhämtning: Genererar kodsnuttar för att hämta data om flyg, hotell och sevärdheter.
  3. Köra genererad kod: Kör den genererade koden för att hämta realtidsinformation.
  4. Generera resplan: Sammanställer den hämtade datan till en personlig reseplan.
  5. Justera baserat på feedback: Tar emot användarfeedback och genererar kod på nytt vid behov för att förbättra resultaten.

Steg-för-steg-implementering

  1. Samla användarpreferenser

    class Travel_Agent:
    def __init__(self):
        self.user_preferences = {}

    def gather_preferences(self, preferences):
        self.user_preferences = preferences

  2. Generera kod för datainhämtning

    def generate_code_to_fetch_data(preferences):
    # Exempel: Generera kod för att söka efter flyg baserat på användarens preferenser
    code = f"""
    def search_flights():
        import requests
        response = requests.get('https://api.example.com/flights', params={preferences})
        return response.json()
    """
    return code

def generate_code_to_fetch_hotels(preferences):
    # Exempel: Generera kod för att söka efter hotell
    code = f"""
    def search_hotels():
        import requests
        response = requests.get('https://api.example.com/hotels', params={preferences})
        return response.json()
    """
    return code

  3. Köra genererad kod

    def execute_code(code):
    # Kör den genererade koden med exec
    exec(code)
    result = locals()
    return result

travel_agent = Travel_Agent()
preferences = {
    "destination": "Paris",
    "dates": "2025-04-01 to 2025-04-10",
    "budget": "moderate",
    "interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
   
flight_code = generate_code_to_fetch_data(preferences)
hotel_code = generate_code_to_fetch_hotels(preferences)
   
flights = execute_code(flight_code)
hotels = execute_code(hotel_code)

print("Flight Options:", flights)
print("Hotel Options:", hotels)

  4. Generera resplan

    def generate_itinerary(flights, hotels, attractions):
    itinerary = {
        "flights": flights,
        "hotels": hotels,
        "attractions": attractions
    }
    return itinerary

attractions = search_attractions(preferences)
itinerary = generate_itinerary(flights, hotels, attractions)
print("Suggested Itinerary:", itinerary)

  5. Justera baserat på feedback

    def adjust_based_on_feedback(feedback, preferences):
    # Justera inställningar baserat på användarfeedback
    if "liked" in feedback:
        preferences["favorites"] = feedback["liked"]
    if "disliked" in feedback:
        preferences["avoid"] = feedback["disliked"]
    return preferences

feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
updated_preferences = adjust_based_on_feedback(feedback, preferences)
   
# Generera om och kör kod med uppdaterade inställningar
updated_flight_code = generate_code_to_fetch_data(updated_preferences)
updated_hotel_code = generate_code_to_fetch_hotels(updated_preferences)
   
updated_flights = execute_code(updated_flight_code)
updated_hotels = execute_code(updated_hotel_code)
   
updated_itinerary = generate_itinerary(updated_flights, updated_hotels, attractions)
print("Updated Itinerary:", updated_itinerary)

Utnyttja miljömedvetenhet och resonemang

Baserat på schemat för tabellen kan faktisk förbättra processen för frågegenerering genom att utnyttja miljömedvetenhet och resonemang.

Här är ett exempel på hur detta kan göras:

  1. Förstå schemat: Systemet kommer att förstå schemat för tabellen och använda denna information för att förankra frågegenereringen.
  2. Justera baserat på feedback: Systemet justerar användarpreferenser baserat på feedback och resonerar kring vilka fält i schemat som behöver uppdateras.
  3. Generera och köra frågor: Systemet genererar och kör frågor för att hämta uppdaterade flyg- och hotelluppgifter baserat på de nya preferenserna.

Här är ett uppdaterat Python-kodexempel som innehåller dessa koncept:

def adjust_based_on_feedback(feedback, preferences, schema):
    # Justera preferenser baserat på användarfeedback
    if "liked" in feedback:
        preferences["favorites"] = feedback["liked"]
    if "disliked" in feedback:
        preferences["avoid"] = feedback["disliked"]
    # Resonemang baserat på schema för att justera andra relaterade preferenser
    for field in schema:
        if field in preferences:
            preferences[field] = adjust_based_on_environment(feedback, field, schema)
    return preferences

def adjust_based_on_environment(feedback, field, schema):
    # Anpassad logik för att justera preferenser baserat på schema och feedback
    if field in feedback["liked"]:
        return schema[field]["positive_adjustment"]
    elif field in feedback["disliked"]:
        return schema[field]["negative_adjustment"]
    return schema[field]["default"]

def generate_code_to_fetch_data(preferences):
    # Generera kod för att hämta flygdata baserat på uppdaterade preferenser
    return f"fetch_flights(preferences={preferences})"

def generate_code_to_fetch_hotels(preferences):
    # Generera kod för att hämta hotelldata baserat på uppdaterade preferenser
    return f"fetch_hotels(preferences={preferences})"

def execute_code(code):
    # Simulera körning av kod och returnera simuldata
    return {"data": f"Executed: {code}"}

def generate_itinerary(flights, hotels, attractions):
    # Generera resplan baserat på flyg, hotell och attraktioner
    return {"flights": flights, "hotels": hotels, "attractions": attractions}

# Exempelschema
schema = {
    "favorites": {"positive_adjustment": "increase", "negative_adjustment": "decrease", "default": "neutral"},
    "avoid": {"positive_adjustment": "decrease", "negative_adjustment": "increase", "default": "neutral"}
}

# Exempel på användning
preferences = {"favorites": "sightseeing", "avoid": "crowded places"}
feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
updated_preferences = adjust_based_on_feedback(feedback, preferences, schema)

# Generera om och kör kod med uppdaterade preferenser
updated_flight_code = generate_code_to_fetch_data(updated_preferences)
updated_hotel_code = generate_code_to_fetch_hotels(updated_preferences)

updated_flights = execute_code(updated_flight_code)
updated_hotels = execute_code(updated_hotel_code)

updated_itinerary = generate_itinerary(updated_flights, updated_hotels, feedback["liked"])
print("Updated Itinerary:", updated_itinerary)

Förklaring - Bokning baserat på feedback

  1. Schema-medvetenhet: schema-ordboken definierar hur preferenser ska justeras baserat på feedback. Den innehåller fält som favorites och avoid med motsvarande justeringar.
  2. Justera preferenser (adjust_based_on_feedback-metod): Denna metod justerar preferenser baserat på användarfeedback och schemat.
  3. Miljöbaserade justeringar (adjust_based_on_environment-metod): Denna metod anpassar justeringarna baserat på schema och feedback.
  4. Generera och köra frågor: Systemet genererar kod för att hämta uppdaterad flyg- och hotellinformation baserat på de justerade preferenserna och simulerar körning av frågorna.
  5. Generera resplan: Systemet skapar en uppdaterad resplan baserat på den nya flyg-, hotell- och sevärdhetsdatan.

Genom att göra systemet miljömedvetet och resonera baserat på schema kan det generera mer precisa och relevanta frågor, vilket leder till bättre reseförslag och en mer personlig användarupplevelse.

Använda SQL som Retrieval-Augmented Generation (RAG)-teknik

SQL (Structured Query Language) är ett kraftfullt verktyg för att interagera med databaser. När det används som en del av en Retrieval-Augmented Generation (RAG)-metod kan SQL hämta relevant data från databaser för att informera och generera svar eller åtgärder i AI-agenter. Låt oss utforska hur SQL kan användas som en RAG-teknik i kontexten av Resebyrån.

Nyckelkoncept

  1. Databasinteraktion:
    • SQL används för att fråga databaser, hämta relevant information och manipulera data.
    • Exempel: Hämta flyginformation, hotellinformation och sevärdheter från en rese-databas.
  2. Integration med RAG:
    • SQL-frågor genereras baserat på användarinmatning och preferenser.
    • Den hämtade datan används sedan för att generera personliga rekommendationer eller åtgärder.
  3. Dynamisk frågegenerering:
    • AI-agenten genererar dynamiska SQL-frågor baserat på kontext och användarbehov.
    • Exempel: Anpassa SQL-frågor för att filtrera resultat baserat på budget, datum och intressen.

Tillämpningar

Exempel: En dataanalysagent:

  1. Uppgift: Analysera en dataset för att hitta trender.
  2. Steg:
    • Ladda datasetet.
    • Generera SQL-frågor för att filtrera data.
    • Kör frågor och hämta resultat.
    • Generera visualiseringar och insikter.
  3. Resurser: Tillgång till dataset, SQL-funktioner.
  4. Erfarenhet: Använd tidigare resultat för att förbättra framtida analyser.

Praktiskt exempel: Använda SQL i Resebyrån

  1. Samla användarpreferenser

    class Travel_Agent:
    def __init__(self):
        self.user_preferences = {}

    def gather_preferences(self, preferences):
        self.user_preferences = preferences

  2. Generera SQL-frågor

    def generate_sql_query(table, preferences):
    query = f"SELECT * FROM {table} WHERE "
    conditions = []
    for key, value in preferences.items():
        conditions.append(f"{key}='{value}'")
    query += " AND ".join(conditions)
    return query

  3. Köra SQL-frågor

    import sqlite3

def execute_sql_query(query, database="travel.db"):
    connection = sqlite3.connect(database)
    cursor = connection.cursor()
    cursor.execute(query)
    results = cursor.fetchall()
    connection.close()
    return results

  4. Generera rekommendationer

    def generate_recommendations(preferences):
    flight_query = generate_sql_query("flights", preferences)
    hotel_query = generate_sql_query("hotels", preferences)
    attraction_query = generate_sql_query("attractions", preferences)
       
    flights = execute_sql_query(flight_query)
    hotels = execute_sql_query(hotel_query)
    attractions = execute_sql_query(attraction_query)
       
    itinerary = {
        "flights": flights,
        "hotels": hotels,
        "attractions": attractions
    }
    return itinerary

travel_agent = Travel_Agent()
preferences = {
    "destination": "Paris",
    "dates": "2025-04-01 to 2025-04-10",
    "budget": "moderate",
    "interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
itinerary = generate_recommendations(preferences)
print("Suggested Itinerary:", itinerary)

Exempel SQL-frågor

  1. Flygfråga

    SELECT * FROM flights WHERE destination='Paris' AND dates='2025-04-01 to 2025-04-10' AND budget='moderate';

  2. Hotellfråga

    SELECT * FROM hotels WHERE destination='Paris' AND budget='moderate';

  3. Sevärdhetsfråga

    SELECT * FROM attractions WHERE destination='Paris' AND interests='museums, cuisine';

Genom att använda SQL som del av Retrieval-Augmented Generation (RAG)-tekniken kan AI-agenter som Resebyrån dynamiskt hämta och använda relevant data för att ge exakta och personliga rekommendationer.

Exempel på metakognition

För att demonstrera en implementation av metakognition, låt oss skapa en enkel agent som reflekterar över sin beslutsprocess medan den löser ett problem. I detta exempel bygger vi ett system där en agent försöker optimera valet av hotell, men sedan utvärderar sitt eget resonemang och justerar sin strategi när den gör fel eller mindre bra val.

Vi simulerar detta med ett enkelt exempel där agenten väljer hotell baserat på en kombination av pris och kvalitet, men den kommer att “reflektera” över sina beslut och justera därefter.

Hur detta illustrerar metakognition:

  1. Initialt beslut: Agenten väljer det billigaste hotellet utan att förstå kvalitetsaspekten.
  2. Reflektion och utvärdering: Efter det initiala valet kontrollerar agenten om hotellet var ett “dåligt” val med hjälp av användarfeedback. Om det upptäcks att kvaliteten var för låg reflekterar agenten över sitt resonemang.
  3. Justera strategi: Agenten justerar sin strategi baserat på sin reflektion och byter från “billigaste” till “högsta kvalitet”, vilket förbättrar beslutsprocessen vid framtida val.

Här är ett exempel:

class HotelRecommendationAgent:
    def __init__(self):
        self.previous_choices = []  # Sparar de hotell som valts tidigare
        self.corrected_choices = []  # Sparar de korrigerade valen
        self.recommendation_strategies = ['cheapest', 'highest_quality']  # Tillgängliga strategier

    def recommend_hotel(self, hotels, strategy):
        """
        Recommend a hotel based on the chosen strategy.
        The strategy can either be 'cheapest' or 'highest_quality'.
        """
        if strategy == 'cheapest':
            recommended = min(hotels, key=lambda x: x['price'])
        elif strategy == 'highest_quality':
            recommended = max(hotels, key=lambda x: x['quality'])
        else:
            recommended = None
        self.previous_choices.append((strategy, recommended))
        return recommended

    def reflect_on_choice(self):
        """
        Reflect on the last choice made and decide if the agent should adjust its strategy.
        The agent considers if the previous choice led to a poor outcome.
        """
        if not self.previous_choices:
            return "No choices made yet."

        last_choice_strategy, last_choice = self.previous_choices[-1]
        # Låt oss anta att vi har viss användarfeedback som talar om huruvida det senaste valet var bra eller inte
        user_feedback = self.get_user_feedback(last_choice)

        if user_feedback == "bad":
            # Justera strategi om det tidigare valet var otillfredsställande
            new_strategy = 'highest_quality' if last_choice_strategy == 'cheapest' else 'cheapest'
            self.corrected_choices.append((new_strategy, last_choice))
            return f"Reflecting on choice. Adjusting strategy to {new_strategy}."
        else:
            return "The choice was good. No need to adjust."

    def get_user_feedback(self, hotel):
        """
        Simulate user feedback based on hotel attributes.
        For simplicity, assume if the hotel is too cheap, the feedback is "bad".
        If the hotel has quality less than 7, feedback is "bad".
        """
        if hotel['price'] < 100 or hotel['quality'] < 7:
            return "bad"
        return "good"

# Simulera en lista med hotell (pris och kvalitet)
hotels = [
    {'name': 'Budget Inn', 'price': 80, 'quality': 6},
    {'name': 'Comfort Suites', 'price': 120, 'quality': 8},
    {'name': 'Luxury Stay', 'price': 200, 'quality': 9}
]

# Skapa en agent
agent = HotelRecommendationAgent()

# Steg 1: Agenten rekommenderar ett hotell med hjälp av strategin "billigast"
recommended_hotel = agent.recommend_hotel(hotels, 'cheapest')
print(f"Recommended hotel (cheapest): {recommended_hotel['name']}")

# Steg 2: Agenten reflekterar över valet och justerar strategin om nödvändigt
reflection_result = agent.reflect_on_choice()
print(reflection_result)

# Steg 3: Agenten rekommenderar igen, denna gång med den justerade strategin
adjusted_recommendation = agent.recommend_hotel(hotels, 'highest_quality')
print(f"Adjusted hotel recommendation (highest_quality): {adjusted_recommendation['name']}")

Agentens metakognitiva förmågor

Den viktiga aspekten är agentens förmåga att:

Detta är en enkel form av metakognition där systemet kan anpassa sitt resonemang baserat på intern feedback.

Slutsats

Metakognition är ett kraftfullt verktyg som kan avsevärt förbättra AI-agenters kapabiliteter. Genom att integrera metakognitiva processer kan du designa agenter som är mer intelligenta, anpassningsbara och effektiva. Använd de ytterligare resurserna för att fördjupa dig i den fascinerande världen av metakognition i AI-agenter.

Fler frågor om metakognitionsdesignmönstret?

Gå med i Microsoft Foundry Discord för att träffa andra som lär sig, delta i office hours och få svar på dina frågor om AI-agenter.

Föregående lektion

Multi-Agent Design Pattern

Nästa lektion

AI Agents in Production

Ansvarsfriskrivning: Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet bör du vara medveten om att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på dess ursprungliga språk ska betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för några missförstånd eller feltolkningar som uppstår vid användning av denna översättning.

This site is open source. Improve this page.