ai-agents-for-beginners
(คลิกที่ภาพด้านบนเพื่อดูวิดีโอของบทเรียนนี้)
การแนะนำ AI Agents และกรณีการใช้งานของ Agent
ยินดีต้อนรับสู่คอร์ส “AI Agents สำหรับผู้เริ่มต้น”! คอร์สนี้จะให้ความรู้พื้นฐานและตัวอย่างการใช้งานจริงสำหรับการสร้าง AI Agents
เข้าร่วมเพื่อพบปะกับผู้เรียนคนอื่นๆ และผู้สร้าง AI Agent และถามคำถามที่คุณมีเกี่ยวกับคอร์สนี้
เพื่อเริ่มต้นคอร์สนี้ เราจะเริ่มต้นด้วยการทำความเข้าใจว่า AI Agents คืออะไร และเราสามารถใช้มันในแอปพลิเคชันและกระบวนการทำงานที่เราสร้างขึ้นได้อย่างไร
บทนำ
บทเรียนนี้ครอบคลุม:
- AI Agents คืออะไร และมีประเภทของ Agent อะไรบ้าง?
- กรณีการใช้งานใดที่เหมาะสมที่สุดสำหรับ AI Agents และมันช่วยเราได้อย่างไร?
- องค์ประกอบพื้นฐานบางอย่างในการออกแบบ Agentic Solutions คืออะไร?
เป้าหมายการเรียนรู้
หลังจากจบบทเรียนนี้ คุณควรสามารถ:
- เข้าใจแนวคิดของ AI Agent และความแตกต่างจากโซลูชัน AI อื่นๆ
- ใช้ AI Agents อย่างมีประสิทธิภาพ
- ออกแบบ Agentic Solutions อย่างสร้างสรรค์สำหรับทั้งผู้ใช้และลูกค้า
การนิยาม AI Agents และประเภทของ AI Agents
AI Agents คืออะไร?
AI Agents คือ ระบบ ที่ช่วยให้ Large Language Models (LLMs) สามารถ ดำเนินการ ได้โดยการขยายความสามารถของ LLMs ผ่านการให้ เข้าถึงเครื่องมือ และ ความรู้
มาทำความเข้าใจคำจำกัดความนี้ในส่วนย่อย:
- ระบบ - สิ่งสำคัญคือต้องคิดว่า Agent ไม่ใช่แค่ส่วนประกอบเดียว แต่เป็นระบบที่มีหลายส่วนประกอบ ในระดับพื้นฐาน ส่วนประกอบของ AI Agent ได้แก่:
- สภาพแวดล้อม - พื้นที่ที่กำหนดไว้ซึ่ง AI Agent กำลังทำงานอยู่ ตัวอย่างเช่น หากเรามี AI Agent สำหรับการจองการเดินทาง สภาพแวดล้อมอาจเป็นระบบการจองการเดินทางที่ AI Agent ใช้ในการทำงาน
- เซ็นเซอร์ - สภาพแวดล้อมมีข้อมูลและให้ผลตอบกลับ AI Agent ใช้เซ็นเซอร์เพื่อรวบรวมและตีความข้อมูลเกี่ยวกับสถานะปัจจุบันของสภาพแวดล้อม ในตัวอย่าง AI Agent การจองการเดินทาง ระบบการจองสามารถให้ข้อมูล เช่น ความพร้อมของโรงแรมหรือราคาตั๋วเครื่องบิน
- แอคชูเอเตอร์ - เมื่อ AI Agent ได้รับสถานะปัจจุบันของสภาพแวดล้อม สำหรับงานปัจจุบัน Agent จะกำหนดว่าควรดำเนินการอะไรเพื่อเปลี่ยนแปลงสภาพแวดล้อม ในตัวอย่าง AI Agent การจองการเดินทาง อาจเป็นการจองห้องพักที่ว่างสำหรับผู้ใช้
Large Language Models - แนวคิดของ Agent มีอยู่ก่อนการสร้าง LLMs ข้อได้เปรียบของการสร้าง AI Agents ด้วย LLMs คือความสามารถในการตีความภาษามนุษย์และข้อมูล ความสามารถนี้ช่วยให้ LLMs ตีความข้อมูลจากสภาพแวดล้อมและกำหนดแผนการเปลี่ยนแปลงสภาพแวดล้อม
การดำเนินการ - นอกเหนือจากระบบ AI Agent LLMs ถูกจำกัดในสถานการณ์ที่การดำเนินการคือการสร้างเนื้อหาหรือข้อมูลตามคำสั่งของผู้ใช้ ในระบบ AI Agent LLMs สามารถทำงานได้โดยการตีความคำขอของผู้ใช้และใช้เครื่องมือที่มีอยู่ในสภาพแวดล้อมของพวกเขา
การเข้าถึงเครื่องมือ - เครื่องมือที่ LLM สามารถเข้าถึงได้ถูกกำหนดโดย 1) สภาพแวดล้อมที่มันทำงานอยู่ และ 2) นักพัฒนาของ AI Agent สำหรับตัวอย่าง Agent การจองการเดินทาง เครื่องมือของ Agent ถูกจำกัดโดยการดำเนินการที่มีอยู่ในระบบการจอง และ/หรือ นักพัฒนาสามารถจำกัดการเข้าถึงเครื่องมือของ Agent เฉพาะเที่ยวบิน
ความจำ+ความรู้ - ความจำสามารถเป็นระยะสั้นในบริบทของการสนทนาระหว่างผู้ใช้และ Agent ในระยะยาว นอกเหนือจากข้อมูลที่ให้โดยสภาพแวดล้อม AI Agents ยังสามารถดึงความรู้จากระบบอื่นๆ บริการ เครื่องมือ และแม้กระทั่ง Agent อื่นๆ ในตัวอย่าง Agent การจองการเดินทาง ความรู้นี้อาจเป็นข้อมูลเกี่ยวกับความชอบในการเดินทางของผู้ใช้ที่อยู่ในฐานข้อมูลลูกค้า
ประเภทต่างๆ ของ Agent
ตอนนี้เรามีคำจำกัดความทั่วไปของ AI Agents แล้ว มาดูประเภทของ Agent เฉพาะและวิธีการนำไปใช้กับ AI Agent การจองการเดินทาง
| ประเภทของ Agent | คำอธิบาย | ตัวอย่าง |
|---|---|---|
| Simple Reflex Agents | ดำเนินการทันทีตามกฎที่กำหนดไว้ล่วงหน้า | Agent การเดินทางตีความบริบทของอีเมลและส่งต่อข้อร้องเรียนเกี่ยวกับการเดินทางไปยังฝ่ายบริการลูกค้า |
| Model-Based Reflex Agents | ดำเนินการตามแบบจำลองของโลกและการเปลี่ยนแปลงในแบบจำลองนั้น | Agent การเดินทางจัดลำดับความสำคัญของเส้นทางที่มีการเปลี่ยนแปลงราคาสำคัญโดยอ้างอิงจากข้อมูลราคาประวัติ |
| Goal-Based Agents | สร้างแผนเพื่อบรรลุเป้าหมายเฉพาะโดยตีความเป้าหมายและกำหนดการดำเนินการเพื่อไปถึงเป้าหมาย | Agent การเดินทางจองการเดินทางโดยกำหนดการจัดการการเดินทางที่จำเป็น (รถยนต์, ขนส่งสาธารณะ, เที่ยวบิน) จากตำแหน่งปัจจุบันไปยังจุดหมายปลายทาง |
| Utility-Based Agents | พิจารณาความชอบและชั่งน้ำหนักการแลกเปลี่ยนเชิงตัวเลขเพื่อกำหนดวิธีการบรรลุเป้าหมาย | Agent การเดินทางเพิ่มประโยชน์สูงสุดโดยชั่งน้ำหนักความสะดวกสบายเทียบกับค่าใช้จ่ายเมื่อจองการเดินทาง |
| Learning Agents | ปรับปรุงเมื่อเวลาผ่านไปโดยตอบสนองต่อผลตอบรับและปรับการดำเนินการตามนั้น | Agent การเดินทางปรับปรุงโดยใช้ผลตอบรับจากลูกค้าจากแบบสำรวจหลังการเดินทางเพื่อปรับปรุงการจองในอนาคต |
| Hierarchical Agents | มี Agent หลายตัวในระบบแบบลำดับชั้น โดย Agent ระดับสูงแบ่งงานออกเป็นงานย่อยสำหรับ Agent ระดับต่ำกว่าเพื่อดำเนินการให้เสร็จสิ้น | Agent การเดินทางยกเลิกการเดินทางโดยแบ่งงานออกเป็นงานย่อย (เช่น การยกเลิกการจองเฉพาะ) และให้ Agent ระดับต่ำกว่าดำเนินการให้เสร็จสิ้น พร้อมรายงานกลับไปยัง Agent ระดับสูง |
| Multi-Agent Systems (MAS) | Agent ดำเนินการงานอย่างอิสระ ไม่ว่าจะร่วมมือกันหรือแข่งขันกัน | ร่วมมือกัน: Agent หลายตัวจองบริการการเดินทางเฉพาะ เช่น โรงแรม เที่ยวบิน และความบันเทิง แข่งขันกัน: Agent หลายตัวจัดการและแข่งขันกันในปฏิทินการจองโรงแรมที่ใช้ร่วมกันเพื่อจองลูกค้าเข้าพักในโรงแรม |
เมื่อใดควรใช้ AI Agents
ในส่วนก่อนหน้า เราใช้กรณีการใช้งาน Agent การเดินทางเพื่ออธิบายว่าประเภทต่างๆ ของ Agent สามารถใช้ในสถานการณ์ต่างๆ ของการจองการเดินทางได้อย่างไร เราจะใช้แอปพลิเคชันนี้ต่อไปตลอดคอร์ส
มาดูประเภทของกรณีการใช้งานที่ AI Agents เหมาะสมที่สุด:
- ปัญหาที่ไม่มีคำตอบชัดเจน - ให้ LLM กำหนดขั้นตอนที่จำเป็นในการทำงานให้เสร็จ เนื่องจากไม่สามารถกำหนดไว้ล่วงหน้าในกระบวนการทำงานได้เสมอไป
- กระบวนการหลายขั้นตอน - งานที่ต้องการความซับซ้อนในระดับที่ AI Agent ต้องใช้เครื่องมือหรือข้อมูลในหลายรอบแทนที่จะดึงข้อมูลเพียงครั้งเดียว
- การปรับปรุงเมื่อเวลาผ่านไป - งานที่ Agent สามารถปรับปรุงเมื่อเวลาผ่านไปโดยรับผลตอบรับจากสภาพแวดล้อมหรือผู้ใช้เพื่อให้บริการที่มีประโยชน์มากขึ้น
เราจะครอบคลุมข้อควรพิจารณาเพิ่มเติมเกี่ยวกับการใช้ AI Agents ในบทเรียน Building Trustworthy AI Agents
พื้นฐานของ Agentic Solutions
การพัฒนา Agent
ขั้นตอนแรกในการออกแบบระบบ AI Agent คือการกำหนดเครื่องมือ การดำเนินการ และพฤติกรรม ในคอร์สนี้ เรามุ่งเน้นการใช้ Azure AI Agent Service เพื่อกำหนด Agent ของเรา ซึ่งมีฟีเจอร์ดังนี้:
- การเลือกโมเดลเปิด เช่น OpenAI, Mistral และ Llama
- การใช้ข้อมูลที่ได้รับอนุญาตผ่านผู้ให้บริการ เช่น Tripadvisor
- การใช้เครื่องมือ OpenAPI 3.0 ที่ได้มาตรฐาน
รูปแบบ Agentic
การสื่อสารกับ LLMs ทำผ่านคำสั่ง เนื่องจากลักษณะกึ่งอัตโนมัติของ AI Agents จึงไม่สามารถหรือไม่จำเป็นต้องเปลี่ยนคำสั่ง LLM ด้วยตนเองหลังจากการเปลี่ยนแปลงในสภาพแวดล้อมเสมอไป เราใช้ Agentic Patterns ที่ช่วยให้เราสั่ง LLM ในหลายขั้นตอนได้ในวิธีที่ปรับขนาดได้มากขึ้น
คอร์สนี้แบ่งออกเป็นรูปแบบ Agentic ที่ได้รับความนิยมในปัจจุบัน
เฟรมเวิร์ก Agentic
เฟรมเวิร์ก Agentic ช่วยให้นักพัฒนาสามารถนำรูปแบบ Agentic ไปใช้ผ่านโค้ด เฟรมเวิร์กเหล่านี้มีเทมเพลต ปลั๊กอิน และเครื่องมือสำหรับการทำงานร่วมกันของ AI Agent ที่ดีขึ้น ประโยชน์เหล่านี้ช่วยให้มีความสามารถในการสังเกตและแก้ไขปัญหาระบบ AI Agent ได้ดีขึ้น
ในคอร์สนี้ เราจะสำรวจเฟรมเวิร์ก AutoGen ที่ขับเคลื่อนด้วยการวิจัย และเฟรมเวิร์ก Agent ที่พร้อมใช้งานจริงจาก Semantic Kernel
มีคำถามเพิ่มเติมเกี่ยวกับ AI Agents?
เข้าร่วม Azure AI Foundry Discord เพื่อพบปะกับผู้เรียนคนอื่นๆ เข้าร่วมชั่วโมงทำการ และรับคำตอบสำหรับคำถามเกี่ยวกับ AI Agents ของคุณ
บทเรียนก่อนหน้า
บทเรียนถัดไป
ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่แม่นยำ เอกสารต้นฉบับในภาษาต้นทางควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้บริการแปลภาษามนุษย์ที่เป็นมืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดซึ่งเกิดจากการใช้การแปลนี้