ai-agents-for-beginners

மைக்ரோசாஃப்ட் ஏஜென்ட் கட்டமைப்பை ஆராய்ச்சி செய்தல்

Agent Framework

அறிமுகம்

இந்த பாடத்தில் கீழ்க்கண்டவை உள்ளடக்கியுள்ளது:

கற்றல் குறிக்கோள்கள்

இந்த பாடத்தை முடித்த பின், நீங்கள் கீழ்காணும் செயல்களை எப்படி செய்வதென்பதை அறிந்து கொள்வீர்கள்:

குறியீட்டு உதாரணங்கள்

Microsoft Agent Framework (MAF) குறியீட்டு உதாரணங்கள் இந்த தொகுப்பில் xx-python-agent-framework மற்றும் xx-dotnet-agent-framework கோப்புகளின் கீழே காணப்படுகின்றன.

மைக்ரோசாஃப்ட் ஏஜென்ட் கட்டமைப்பை புரிந்துகொள்ளல்

Framework Intro

Microsoft Agent Framework (MAF) என்பது AI ஏஜென்ட்களை உருவாக்குவதற்கான மைக்ரோசாஃப்ட் ஒருங்கிணைந்த கட்டமைப்பாகும். இது தயாரிப்பு மற்றும் ஆராய்ச்சி சூழல்களில் காணப்படும் பலவகையான ஏஜென்டிக் பயன்பாட்டு வழிகளுக்கு தகுதியான வசதிகளை வழங்குகிறது, அதாவது:

தயாரிப்பில் AI ஏஜென்ட்களை வழங்குவதற்கு, MAF இல் இவ்வாறான அம்சங்களும் உள்ளன:

மைக்ரோசாஃப்ட் ஏஜென்ட் கட்டமைப்பு இத்துடன் இணக்கபடுத்தலுக்கு கவனம் செலுத்துகிறது:

இப்போது இந்த அம்சங்கள் மைக்ரோசாஃப்ட் ஏஜென்ட் கட்டமைப்பின் சில முக்கிய கருத்துக்களில் எப்படி பயன்படுத்தப்படுகின்றன என்று பார்ப்போம்.

மைக்ரோசாஃப்ட் ஏஜென்ட் கட்டமைப்பின் முக்கிய கருத்துக்கள்

ஏஜென்ட்கள்

Agent Framework

ஏஜென்ட்கள் உருவாக்குதல்

ஏஜென்ட் உருவாக்கல் என்பது கணிப்பு சேவை (LLM வழங்குநர்), AI ஏஜென்ட் பின்பற்ற வேண்டிய வழிமுறைகள் தொகுப்பு மற்றும் ஒதுக்கப்பட்ட name ஐ வரையறுப்பதாகும்:

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

மேலே Azure OpenAI பயன்பாட்டை பயன்படுத்துகிறது, ஆனால் ஏஜென்ட்கள் பல சேவைகளைக் கொண்டு உருவாக்கப்படலாம், அதாவது Microsoft Foundry Agent Service:

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

OpenAI Responses, ChatCompletion APIs

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.", )

அல்லது MiniMax, இது மிக நீளமான சூழலியல் சாளரங்களுடன்(OpenAI-க்கு இணங்கக்கூடிய API, 204K டோக்கன்கள் வரை):

agent = OpenAIChatClient(base_url="https://api.minimax.io/v1", api_key=os.environ["MINIMAX_API_KEY"], model_id="MiniMax-M2.7").create_agent( name="HelpfulAssistant", instructions="You are a helpful assistant.", )

அல்லது A2A புரோட்டோக்கால் மூலம் தொலைவன் ஏஜென்ட்கள்:

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

ஏஜென்ட்கள் இயக்கல்

ஏஜென்ட்கள் .run அல்லது .run_stream முறைகளைக் கொண்டு ஜனரஞ்சன் அல்லது ஸ்ட்ரீமிங் பதில்களுக்கு பயன்படுத்தப்படுகின்றன.

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)

ஒவ்வொரு ஏஜென்ட் இயக்கத்திற்கும் max_tokens, tools மற்றும் model போன்ற விருப்பங்கள் உள்ளன.

இது பயனர் பணியை முடிக்க குறிப்பிட்ட மாதிரிகள் அல்லது கருவிகள் தேவைப்படும் சூழல்களில் பயனுள்ளதாக இருக்கிறது.

கருவிகள்

கருவிகள் ஏஜென்டைப் பொறுத்த போது:

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." 


# நேரடியாக ஒரு ChatAgent உருவாக்கும் போது

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

அதன்பிறகு ஏஜென்ட் இயக்கும் போது:


result1 = await agent.run( "What's the best place to visit in Seattle?", tools=[get_attractions] # இந்த இயக்கத்திற்கான கருவி மட்டும் வழங்கப்பட்டது )

ஏஜென்ட் தந்திகள்

ஏஜென்ட் தந்திகள் பல சுழற்சி உரையாடல்களை கையாள பயன்படுத்தப்படுகின்றன. தந்திகள் உருவாக்கப்படும்:

தந்தி உருவாக்க குறியீடு:

# புதிய தலைப்பை உருவாக்கவும்.
thread = agent.get_new_thread() # தலைப்புடன் முகவரியை இயக்கவும்.
response = await agent.run("Hello, I am here to help you book travel. Where would you like to go?", thread=thread)

பிறகு அதனை சேமிக்கத் திரைமாற்றலாம்:

# புதிய தையலை உருவாக்கவும்.
thread = agent.get_new_thread() 

# அந்த தையலுடன் முகவரியை இயக்கவும்.

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

# சேமிப்பிற்காக தையலை வரிசைப்படுத்தவும்.

serialized_thread = await thread.serialize() 

# சேமிப்பிலிருந்து ஏற்றிய பிறகு தையல் நிலையை மறுவிசாரணை செய்யவும்.

resumed_thread = await agent.deserialize_thread(serialized_thread)

ஏஜென்ட் மிடில்வேர்

ஏஜென்ட்கள் கருவிகள் மற்றும் LLM-களை பயன்படுத்தி பயனர் பணிகளை முடிக்கின்றன. சில சூழல்களில், இந்த இடைநிலை தொடர்புகளை செயல்படுத்த அல்லது கண்காணிக்க வேண்டும். ஏஜென்ட் மிடில்வேர் இதற்குரிய திறன்களை தருகிறது:

செயல்முறை மிடில்வேர்

இந்த மிடில்வேர், ஏஜென்ட் மற்றும் அதற்கு அழைக்கும் செயல்முறை/கருவிக்கு இடையில் ஒரு நடவடிக்கையை செய்ய அனுமதிக்கிறது. உதாரணமாக, செயல்பாடு அழைப்பு போது பதிவு வைப்பது.

குறியீட்டில் next என்பது அடுத்த மிடில்வேர் அல்லது உண்மையான செயல்பாடின் அழைப்பு எடுக்கப்படும் என்பதை குறிக்கிறது.

async def logging_function_middleware(
    context: FunctionInvocationContext,
    next: Callable[[FunctionInvocationContext], Awaitable[None]],
) -> None:
    """Function middleware that logs function execution."""
    # முன் செயலாக்கம்: செயல்பாடு இயக்கத்திற்கு முன் பதிவு செய்க
    print(f"[Function] Calling {context.function.name}")

    # அடுத்த மிடில்வேர் அல்லது செயல்பாடு இயக்கத்தை தொடரவும்
    await next(context)

    # பிந்தைய செயலாக்கம்: செயல்பாடு இயக்கத்திற்கு பிறகு பதிவு செய்க
    print(f"[Function] {context.function.name} completed")

உரையாடல் மிடில்வேர்

இந்த மிடில்வேர், ஏஜென்ட் மற்றும் LLM இடையே உள்ள கோரிக்கைகளுக்கு இடையில் ஒரு நடவடிக்கையைக் செய்ய அல்லது பதிவு வைக்க அனுமதிக்கிறது.

இதில் messages போன்ற முக்கிய தகவல்கள் உள்ளன, அவை AI சேவைக்கு அனுப்பப்படுகின்றன.

async def logging_chat_middleware(
    context: ChatContext,
    next: Callable[[ChatContext], Awaitable[None]],
) -> None:
    """Chat middleware that logs AI interactions."""
    # முன் செயலாக்கம்: AI அழைப்பிற்கு முன் பதிவு செய்க
    print(f"[Chat] Sending {len(context.messages)} messages to AI")

    # அடுத்து உள்ள மிடில்வேர் அல்லது AI சேவையை தொடர்க
    await next(context)

    # பின் செயலாக்கம்: AI பதிலுக்கு பிறகு பதிவு செய்க
    print("[Chat] AI response received")

ஏஜென்ட் நினைவகம்

Agentic Memory பாடத்தில் கூறியபடி, நினைவகம் என்பது ஏஜென்ட் பல்வேறு சூழல்களை கையாள உதவும் முக்கிய கூறாகும். MAF பலவிதமான நினைவக வகைகளை வழங்குகிறது:

சூழல் நினைவகம்

இந்த நினைவகம் செயலி இயக்கத்தின் போது தந்திகளில் சேமிக்கப்பட்டது.

# புதிய திரெட்டை உருவாக்கவும்.
thread = agent.get_new_thread() # அந்த திரெட்டுடன் முகவரியை இயக்கவும்.
response = await agent.run("Hello, I am here to help you book travel. Where would you like to go?", thread=thread)

நிறைவேற்றப்பட்ட செய்திகள்

பல்வேறு அமர்வுகளுக்கு இடையேயான உரையாடல் வரலாற்றை சேமிப்பதில் இது பயன்படுகிறது. chat_message_store_factory மூலம் வரையறுக்கப்படுகிறது:

from agent_framework import ChatMessageStore

# ஒரு தனிப்பயன் செய்தி அங்காடி உருவாக்கவும்
def create_message_store():
    return ChatMessageStore()

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

தருண நினைவகம்

ஏஜென்ட்கள் இயக்கத்துக்கு முன் இந்த நினைவகம் சூழலில் சேர்க்கப்படுகிறது. mem0 போன்ற வெளிப்புற சேவைகளில் சேமிக்கலாம்:

from agent_framework.mem0 import Mem0Provider

# மேம்பட்ட நினைவக திறன்களுக்காக Mem0 ஐ பயன்படுத்துதல்
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
)

ஏஜென்ட் பார்வையிடல்

நம்பகமான மற்றும் பராமரிக்க கூடிய ஏஜென்டிக் அமைப்புகளை உருவாக்க பார்வையிடல் முக்கியம். MAF OpenTelemetry உடன் ஒருங்கிணைந்து கண்காணிப்பு மற்றும் அளவீடுகளை வழங்குகிறது.

from agent_framework.observability import get_tracer, get_meter

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

வேலைப்பாடுகள்

MAF predefined படிகள் கொண்ட வேலைப்பாடுகளை வழங்குகிறது, இடையில் AI ஏஜென்ட்கள் கூறுகளாக உள்ளன.

வேலைப்பாடுகள் பல கூறுகளைக் கொண்டவை, இது சிறந்த கட்டுப்பாட்டை வழங்குகிறது. இவை பல ஏஜென்ட் ஒழுங்கமைப்பு மற்றும் checkpointing மூலம் வேலைப்பாடு நிலைகளைக் காப்பதையும் அதனை மீண்டும் தொடர்வதையும் ஆதரிக்கின்றன.

வேலைப்பாடு கூறுகள்:

செயல்படுத்திகள்

செயல்படுத்திகள் உள்ளீடு செய்திகளை பெறவும், அவர்களுக்கு ஒதுக்கப்பட்ட பணிகளைச் செய்து முடித்து வெளியீடு செய்திகளை உருவாக்கும். இது வேலைப்பாடை முன்னெடுத்து பெரிய பணியை முடிவுசெய்ய உதவும். செயல்படுத்திகள் AI ஏஜென்ட் அல்லது தனிப்பட்ட தர்க்கமாக இருக்கலாம்.

அவ்வாறு(edge)கள்

வேலைப்பாடு செய்திகள் ஓடும் வழியை வரையறுக்க அவ்வாறு(edge)கள் பயன்படுத்தப்படுகின்றன. அவை:

நேரடி அவ்வாறு(edge)கள் - செயல்படுத்திகளுக்கு இடையேயான எளிய ஒன்றுக்கு ஒன்று தொடர்புகள்:

from agent_framework import WorkflowBuilder

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

நிபந்தனை அடிப்படையிலான அவ்வாறு(edge)கள் - குறிப்பிட்ட நிபந்தனை பூர்த்தியடைந்தவுடன் செயல்படுத்தப்படுகின்றன. உதாரணமாக, ஹோட்டல் அறைகள் கிடையாத போது, செயல்படுத்தி மற்ற விருப்பங்களைக் கூறலாம்.

மாற்று-வழி (Switch-case) அவ்வாறு(edge)கள் - நிபந்தனைகளுக்கு தகுந்த செயல்படுத்திகளுக்கு செய்திகள் வழிமாற்றப்படுகின்றன. உதாரணமாக, பயணக் கோரிக்கை கண Prioritiy உள்ளது என்றால், அவர்களின் பணிகள் வேறு வேலைப்பாடுகளின் மூலம் கையாளப்படும்.

பலவழி வெளியற்றல் (Fan-out) அவ்வாறு(edge)கள் - ஒரு செய்தியை பல இலக்குகளுக்கு அனுப்புதல்.

பலவழி கையெழுத்து (Fan-in) அவ்வாறு(edge)கள் - பல செயல்படுத்திகளில் இருந்து பல செய்திகள் சேகரிக்கப்பட, ஒரே இலக்குக்கு அனுப்புதல்.

நிகழ்வுகள்

வேலைப்பாட்டு முன்னேற்றத்தை மேம்படுத்துவதற்காக, MAF இல் வேலைப்பாட்டு நிகழ்வுகள் உள்ளன, அதாவது:

முன்னேற்றமான MAF மாதிரிகள்

மேலே கூறப்பட்ட பகுதிகள் மைக்ரோசாஃப்ட் ஏஜென்ட் கட்டமைப்பின் முக்கிய கருத்துக்களை உள்ளடக்கியவை. உங்கள் ஏஜென்ட்களை மேலும் சிக்கலாக கட்டும்போது, பின்வரும் முன்னேற்றமான மாதிரிகள் கவனிக்கப்பட வேண்டும்:

குறியீட்டு உதாரணங்கள்

Microsoft Agent Framework குறியீட்டு உதாரணங்கள் இந்த தொகுப்பில் xx-python-agent-framework மற்றும் xx-dotnet-agent-framework கோப்புகளின் கீழே காணப்படுகின்றன.

Microsoft Agent Framework பற்றி மேலும் கேள்விகள் உள்ளதா?

Microsoft Foundry Discord இல் இணைந்து மற்ற கற்றலாளர்களுடன் சந்திக்கவும், அலுவலக நேரங்களில் கலந்துகொண்டு உங்கள் AI ஏஜென்ட்கள் தொடர்பான கேள்விகளுக்கு பதில் பெறவும்.

எச்சரிக்கை:
இந்த ஆவணம் Co-op Translator என்ற AI மொழிபெயர்ப்புச் சேவையைப் பயன்படுத்தி மொழிமாற்றம் செய்யப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சிப்பது உண்மைதானும், தானாக செய்யப்பட்ட மொழிபெயர்ப்பில் பிழைகள் அல்லது தவறுகள் இருக்க வாய்ப்பு உள்ளது என்பதைக் கவனத்தில் கொள்ளவும். அசலை ஆவணத்தை அதன் உரிய மொழியில் பின்பற்றவேண்டும் என்பதை more
முக்கியமான தகவல்களுக்கு, தொழில்முறை மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதலுக்கும் அல்லது தவறான விளக்கங்களுக்கும் நாங்கள் பொறுப்புதாரர்களில்லை.

This site is open source. Improve this page.