ai-agents-for-beginners

(இந்த பாடத்தின் வீடியோவை பார்வையிட மேலே உள்ள படத்தை கிளிக் செய்யவும்)

திட்டமிடல் வடிவமைப்பு

அறிமுகம்

இந்த பாடத்தில் கொள்ளப்படும் விஷயங்கள்

• தெளிவான ஒரு மொத்த இலக்கை வரையறுத்து ஒரு சிக்கலான பணியை நிர்வகிக்கக்கூடிய பணிகளாக உடைத்தல்.
• நம்பகமானதும் இயந்திரம் வாசிக்கக்கூடிய பதில்களுக்கு கட்டமைக்கப்பட்ட வெளிப்பாடுகளை பயன்படுதுதல்.
• நிகழ்வுகளின்படி செயலாற்றும் முறையை செயல்படுத்தி தானாக நிகழும் பணிகள் மற்றும் எதிர்பாராத உள்ளீடுகளை கையாள்தல்.

கற்கும் குறிக்கோள்கள்

இந்த பாடத்தை முடித்த பிறகு, நீங்கள் பற்றி புரிந்து கொள்ளுவீர்கள்:

• ஒரு AI முகவர்க்கு மொத்த இலக்கை கண்டறிந்து அமைத்தல், அது என்ன அடைய வேண்டும் என்பதை தெளிவாக அறிந்து கொள்வது.
• சிக்கலான பணியை நிர்வகிக்கக்கூடிய துணைப் பணிகளாக உடைத்தல் மற்றும் அவற்றை தார்க்கிக்கமான செய்முறைமையில் ஒழுங்குபடுத்துதல்.
• முகவர்களுக்கு சரியான கருவிகள் (எ.கா. தேடல் கருவிகள் அல்லது தரவு பகுப்பாய்வு கருவிகள்) கொடுத்து, அவற்றை எப்போது மற்றும் எவ்வாறு பயன்படுத்துவது என்பதை தீர்மானித்து, எதிர்பாராத சூழ்நிலைகளை கையாள்தல்.
• துணைப் பணிகளின் முடிவுகளை மதிப்பிடுதல், செயல்திறனை அளவிடுதல் மற்றும் இறுதி வெளியீட்டை மேம்படுத்த மேலும் செயல்பாடுகளை திரும்பச் செய்யுதல்.

மொத்த இலக்கை வரையறுத்தல் மற்றும் பணியை உடைத்தல்

மிகவும் திட்டமிட் வேலைகள் ஒரே கட்டத்தில் சமாளிக்க மிகவும் சிக்கலானவையாக இருக்கும். ஒரு AI முகவர் அதன் திட்டமிடலும் செயல்பாடுகளையும் வழிநடத்த ஒரு தெளிவான குறிக்கோளை தேவைப்படுத்தும். உதாரணமாக, இந்த இலக்கை கவனியுங்கள்:

"3 நாள் சுற்றுலா பயணத் திட்டத்தை உருவாக்கு."

இது எளிதானது என்றாலும், இன்னும் மேம்படுத்தப்பட வேண்டும். குறிக்கோள் எவ்வளவு தெளிவாக இருக்கும், முகவரும் (மற்றும் மனித ஒத்துழைபாளர்களும்) சரியான முடிவை அடைய எவ்வளவு கவனம் செலுத்துவார்கள் என்பதிலும் அது உதவும், உதாரணமாக விமான விருப்பங்கள், ஹோட்டல் பரிந்துரைகள் மற்றும் செயல்பாடுகள் பரிந்துரைகள் உள்ள ஒரு முழுமையான பயணத்திட்டம் உருவாக்குதல்.

பணியை உடைத்தல்

பெரிய அல்லது சிக்கலான பணிகள் சிறிய, இலக்கு சார்ந்த துணைப் பணிகளாகப் பிரிக்கப்பட்டால் அவைகள் நிர்வகிக்க எளிதாகும். பயணத் திட்ட உதாரணத்தில், இலக்கை பின்வருமாறு உடைக்கலாம்:

• விமான முன்பதிவு
• ஹோட்டல் முன்பதிவு
• கார் வாடகை
• தனிப்பயனாக்கல்

ஒவ்வொரு துணைப் பணியையும் பிரத்தியேக முகவர்கள் அல்லது செயல்முறைகள் மேற்கொள்ளலாம். ஒரு முகவர் சிறந்த விமான ஒப்பந்தங்களை தேடுவதில் தன்னை சிறப்பிப்பதாக இருக்கலாம், மற்றொன்று ஹோட்டல் முன்பதிவில் கவனம் செலுத்தலாம். பின்னர் ஒருங்கிணைப்பாளி அல்லது “அடுத்த நிலையில்” இருக்கும் முகவர் இந்த முடிவுகளை சேர்த்து இறுதி பயணத் திட்டமாக முடிவு பயனருக்கு வழங்கலாம்.

இந்த தொகுதியான அணுகுமுறை தொடர்ச்சியான மேம்பாடுகளுக்கும் அனுமதிக்கிறது. உதாரணமாக, உணவு பரிந்துரைகள் அல்லது உள்ளூர் செயல்பாடுகள் பரிந்துரைகள் வழங்கும் சிறப்பு முகவர்களை சேர்த்து, பயணத் திட்டத்தை காலத்துக்கு ஏற்றவாறு பரிசீலித்து மேம்படுத்தலாம்.

கட்டமைக்கப்பட்ட வெளியீடு

பெரிய மொழி மாதிரிகள் (LLMs) கட்டமைக்கப்பட்ட வெளியீட்டை (எ.கா. JSON) உருவாக்க முடியும், இது அடுத்த நிலை முகவர்களுக்கும் சேவைகளுக்கும் பகுப்பாய்வு செய்யவும் செயலாக்கவும் எளிமையாகும். இது பல முகவர் சூழலில் மிகவும் பயனாக இருக்கும், ஏனெனில் திட்டமிடல் வெளியீடு கிடைத்தவுடன் இப்பணிகளை செயல்படுத்த முடியும்.

பின்வரும் Python குறியீடு எளிய திட்டமிடல் முகவர்னர் ஒரு இலக்கை துணைப் பணிகளாக உடைத்து கட்டமைக்கப்பட்ட திட்டத்தை உருவாக்குவதைக் காட்டுகிறது:

from pydantic import BaseModel
from enum import Enum
from typing import List, Optional, Union
import json
import os
from typing import Optional
from pprint import pprint
from agent_framework.azure import AzureAIProjectAgentProvider
from azure.identity import AzureCliCredential

class AgentEnum(str, Enum):
    FlightBooking = "flight_booking"
    HotelBooking = "hotel_booking"
    CarRental = "car_rental"
    ActivitiesBooking = "activities_booking"
    DestinationInfo = "destination_info"
    DefaultAgent = "default_agent"
    GroupChatManager = "group_chat_manager"

# பயணம் துணைபணி மாதிரி
class TravelSubTask(BaseModel):
    task_details: str
    assigned_agent: AgentEnum  # நாங்கள் அந்த பணியை முகவர் க்கு ஒதுக்க விரும்புகிறோம்

class TravelPlan(BaseModel):
    main_task: str
    subtasks: List[TravelSubTask]
    is_greeting: bool

provider = AzureAIProjectAgentProvider(credential=AzureCliCredential())

# பயனர் செய்தியை வரையறுக்கவும்
system_prompt = """You are a planner agent.
    Your job is to decide which agents to run based on the user's request.
    Provide your response in JSON format with the following structure:
{'main_task': 'Plan a family trip from Singapore to Melbourne.',
 'subtasks': [{'assigned_agent': 'flight_booking',
               'task_details': 'Book round-trip flights from Singapore to '
                               'Melbourne.'}
    Below are the available agents specialised in different tasks:
    - FlightBooking: For booking flights and providing flight information
    - HotelBooking: For booking hotels and providing hotel information
    - CarRental: For booking cars and providing car rental information
    - ActivitiesBooking: For booking activities and providing activity information
    - DestinationInfo: For providing information about destinations
    - DefaultAgent: For handling general requests"""

user_message = "Create a travel plan for a family of 2 kids from Singapore to Melbourne"

response = client.create_response(input=user_message, instructions=system_prompt)

response_content = response.output_text
pprint(json.loads(response_content))

பல-முகவர் ஒருங்கிணைப்புடன் திட்டமிடல் முகவர்

இந்த எடுத்துக்காட்டில், Semantic Router முகவர் பயனர் கோரிக்கையை பெறுகிறது (எ.கா., “என் பயணத்திற்கு ஒரு ஹோட்டல் திட்டம் வேண்டும்.”).

திட்டமிடுபவர் பின்வருமாறு செயல் படுத்துகிறார்:

• ஹோட்டல் திட்டத்தை பெறுதல்: பயனரின் செய்தியையும் ஒரு அமைப்பு குறிப்பையும் (ஒளிபரப்பு முகவரின் விவரங்கள் உட்பட) அடிப்படையாக கொண்டு கட்டமைக்கப்பட்ட பயணத் திட்டத்தை உருவாக்குதல்.
• முகவர்களும் அவர்களுடைய கருவிகளும் பட்டியலிடுதல்: முகவர் பதிவேடு (registry) ஒரு பட்டியலை வைத்திருக்கும், அதில் விமானம், ஹோட்டல், கார் வாடகை மற்றும் செயல்பாடுகளுக்கான முகவர்களும் அவர்கள் வழங்கும் செயல்பாடுகள் அல்லது கருவிகளும் இருக்கின்றன.
• திட்டத்தை தொடர்புடைய முகவர்களுக்குக் கடத்தல்: துணைப் பணிகளின் எண்ணிக்கையின்படி, திட்டமிடுபவர் ஒரு தனித்துறை முகவருக்கு நேரடியாக செய்தியனுப்பலாம் (ஒரு பணிக்கும் முறைகளுக்கு) அல்லது பல முகவர்கள் இணைந்து செயலாக்க குழு அளவில் ஒருங்கிணைப்பாளரிடம் அனுப்பலாம்.
• முடிவை ஒருங்கிணைத்து சுருக்கம் செய்தல்: கடைசியில், திட்டமிடுபவர் உருவாக்கியுள்ள திட்டத்தை தெளிவாக சுருக்கி வழங்குகிறார். பின்வரும் Python குறியீடு இந்த படிகளை விவரிக்கிறது:

from pydantic import BaseModel

from enum import Enum
from typing import List, Optional, Union

class AgentEnum(str, Enum):
    FlightBooking = "flight_booking"
    HotelBooking = "hotel_booking"
    CarRental = "car_rental"
    ActivitiesBooking = "activities_booking"
    DestinationInfo = "destination_info"
    DefaultAgent = "default_agent"
    GroupChatManager = "group_chat_manager"

# பயண துணைப் பணிப் modeli

class TravelSubTask(BaseModel):
    task_details: str
    assigned_agent: AgentEnum # பணியை ஏஜெண்டுக்கு ஒதுக்க விரும்புகிறோம்

class TravelPlan(BaseModel):
    main_task: str
    subtasks: List[TravelSubTask]
    is_greeting: bool
import json
import os
from typing import Optional

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

# கிளையண்டை உருவாக்கவும்

provider = AzureAIProjectAgentProvider(credential=AzureCliCredential())

from pprint import pprint

# பயனர் செய்தியை வரையறுக்கவும்

system_prompt = """You are a planner agent.
    Your job is to decide which agents to run based on the user's request.
    Below are the available agents specialized in different tasks:
    - FlightBooking: For booking flights and providing flight information
    - HotelBooking: For booking hotels and providing hotel information
    - CarRental: For booking cars and providing car rental information
    - ActivitiesBooking: For booking activities and providing activity information
    - DestinationInfo: For providing information about destinations
    - DefaultAgent: For handling general requests"""

user_message = "Create a travel plan for a family of 2 kids from Singapore to Melbourne"

response = client.create_response(input=user_message, instructions=system_prompt)

response_content = response.output_text

# JSON ஆக ஏற்றிய பிறகு பதில்தரும் உள்ளடக்கத்தை அச்சிடவும்

pprint(json.loads(response_content))

முன்னின்ன கூறிய குறியீட்டின் வெளியீடு பின்வருமாறு இருக்கும், இதனைப் பயன்படுத்தி assigned_agent க்கு திட்டத்தை அனுப்பி பயணத் திட்டத்தை பயனருக்கு சுருக்கமாக வழங்கலாம்.

{
    "is_greeting": "False",
    "main_task": "Plan a family trip from Singapore to Melbourne.",
    "subtasks": [
        {
            "assigned_agent": "flight_booking",
            "task_details": "Book round-trip flights from Singapore to Melbourne."
        },
        {
            "assigned_agent": "hotel_booking",
            "task_details": "Find family-friendly hotels in Melbourne."
        },
        {
            "assigned_agent": "car_rental",
            "task_details": "Arrange a car rental suitable for a family of four in Melbourne."
        },
        {
            "assigned_agent": "activities_booking",
            "task_details": "List family-friendly activities in Melbourne."
        },
        {
            "assigned_agent": "destination_info",
            "task_details": "Provide information about Melbourne as a travel destination."
        }
    ]
}

முந்தைய குறியீடு எடுத்துக்காட்டுடன் ஒரு உதாரண நோட்புக் இங்கே கிடைக்கிறது.

மீளுருவாக்கும் திட்டமிடல்

சில பணிகள் ஒருவருக்கொருவர் பதிலளித்து அல்லது மீண்டும் திட்டமிடலை தேவைப்படும், இதில் ஒரு துணைப் பணியின் முடிவு அடுத்த செயல்பாட்டை பாதிக்கும். உதாரணமாக, விமான முன்பதிவில் எதிர்பாராத தரவு வடிவம் కనப்படுகிறது என்றால், முகவருக்கு ஹோட்டல் முன்பதிவுக்குப் போக முன்பாக தன் திட்டத்தை மாற்றி அமைக்கி கொள்ள வேண்டியிருக்கும்.

இதனுடன் சேர்த்து, பயனர் கருத்தும் (எ.கா., ஒருவர் முன்னிருந்த விமானத்தை விரும்பினால்) ஒரு பகுதி மீளுருவாக்கத்தை தூண்டும். இந்த மாற்ற உடைய திட்டமிடல் இறுதி தீர்வு என்பது உண்மை உலகின் கட்டுப்பாடுகள் மற்றும் பயனர் விருப்பங்களுடன் ஒத்துப்போகும்.

எ.கா., மாதிரிக் குறியீடு

from agent_framework.azure import AzureAIProjectAgentProvider
from azure.identity import AzureCliCredential
#.. முந்தைய குறியீட்டைப் போலவே பயனர் வரலாறு, தற்போதைய திட்டத்தை பாஸ் செய்க

system_prompt = """You are a planner agent to optimize the
    Your job is to decide which agents to run based on the user's request.
    Below are the available agents specialized in different tasks:
    - FlightBooking: For booking flights and providing flight information
    - HotelBooking: For booking hotels and providing hotel information
    - CarRental: For booking cars and providing car rental information
    - ActivitiesBooking: For booking activities and providing activity information
    - DestinationInfo: For providing information about destinations
    - DefaultAgent: For handling general requests"""

user_message = "Create a travel plan for a family of 2 kids from Singapore to Melbourne"

response = client.create_response(
    input=user_message,
    instructions=system_prompt,
    context=f"Previous travel plan - {TravelPlan}",
)
# .. மறுதிட்டமிடுக மற்றும் பணிகளை தொடர்புடைய முகவர்களுக்கு அனுப்பு

மேலும் விரிவான திட்டமிடலுக்கு Magnetic One வலைப்பதிவு பார்வையிடவும்.

சுருக்கம்

இந்த கட்டுரையில் நாம் எப்படி ஒரு பணிச்சூழலில் கிடைக்கும் முகவர்களை தானாகத் தேர்வு செய்யும் திட்டமிடி உருவாக்கலாம் என்பதற்கான ஒரு உதாரணத்தை ஆராய்ந்தோம். திட்டமிடல் வெளியீடு பணிகளை உடைத்து, அவற்றை முகவர்களுக்கு ஒப்படைக்கிறது, அதன் மூலம் அவை செயல்படுத்தப்படலாம். இந்த முகவர்கள் தேவையான செயல்பாடுகள்/கருவிகள் அணுகல் கொண்டிருக்க வேண்டும் எனக் கருதப்படுகிறது. முகவர்களோடு கூடுதல் வடிவங்கள், உள்ளோர் பரிசீலனை, சுருக்கப்படல் மற்றும் சுற்றும் உரையாடல் போன்றவை சேர்க்கப்படலாம்.

மேலதிக ஆதாரங்கள்

Magentic One – சிக்கலான பணிகளை தீர்க்க ஒரு பொதுவான பல-முகவர் அமைப்பு மற்றும் பல சவாலான முகவர் தரவுத்தளங்களில் சிறந்த முடிவுகளை பெற்றுள்ளது. குறிப்பு: Magentic One. இந்த செயல்பாட்டில் ஒருங்கிணைப்பாளர் பணிச்சிறப்பு திட்டங்கள் உருவாக்கி அவற்றை கிடைக்கும் முகவர்களுக்கு ஒப்படைக்கிறார். மேலும் ஒருங்கிணைப்பாளர் பணியின் முன்னேற்றத்தை கண்காணிப்பதற்கான முறையை பயன்படுத்தி தேவையானால் மீண்டும் திட்டமிடுகிறார்.

திட்டமிடல் வடிவமைப்பு தொடர்பான கூடுதல் கேள்விகள் உண்டா?

Microsoft Foundry Discord இல் சேர்ந்து மற்ற கற்றல் ஆர்வலர்களுடன் சந்தித்து, அலுவலக நேரங்களில் பங்கேற்று உங்கள் AI முகவர் தொடர்பான கேள்விகளுக்கு பதில்கள் பெறுங்கள்.

முந்தைய பாடம்

நம்பகமான AI முகவர்களை உருவாக்குதல்

அடுத்த பாடம்

பல-முகவர் வடிவமைப்பு

---

குறிப்பு:
இந்த ஆவணம் Co-op Translator என்ற AI மொழிபெயர்ப்பு சேவையை பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்துக்கு முயன்றாலும், தானியங்கி மொழிபெயர்ப்புகளில் தவறுகள் அல்லது அசுத்தங்கள் இருக்கக்கூடும் என்பதை தயவுசெய்து கவனியுங்கள். உள்ளூர் மொழியில் இருக்கும் அடிப்படை ஆவணம் அதிகாரபூர்வ மூலமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்முறை மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பின் காரணமாக ஏற்பட்ட எந்த தவறான புரிதலும் அல்லது தவறான விளக்கங்களுக்கும் நாங்கள் பொறுப்பேற்கவில்லை.

This site is open source. Improve this page.