ai-agents-for-beginners
(คลิกที่รูปภาพด้านบนเพื่อดูวิดีโอสำหรับบทเรียนนี้)
แนะนำเกี่ยวกับ AI Agents และกรณีการใช้งาน Agent
ยินดีต้อนรับสู่หลักสูตร AI Agents for Beginners! หลักสูตรนี้จะมอบความรู้พื้นฐาน — พร้อมโค้ดจริงที่ใช้งานได้ — เพื่อให้คุณเริ่มสร้าง AI Agents ตั้งแต่ต้น
มาทักทายใน ชุมชน Azure AI Discord — ที่เต็มไปด้วยผู้เรียนและผู้สร้าง AI ที่พร้อมตอบคำถามของคุณ
ก่อนที่เราจะเริ่มสร้าง มาตรวจสอบให้แน่ใจว่าเราเข้าใจจริง ๆ ว่า AI Agent คืออะไร และเมื่อไหร่ที่ควรใช้
บทนำ
บทเรียนนี้ครอบคลุม:
- AI Agents คืออะไร และประเภทต่าง ๆ ที่มีอยู่
- งานประเภทใดที่ AI Agents เหมาะสมที่สุด
- องค์ประกอบพื้นฐานที่คุณจะใช้เมื่อต้องออกแบบโซลูชันแบบ Agentic
เป้าหมายการเรียนรู้
เมื่อจบบทเรียนนี้ คุณควรจะสามารถ:
- อธิบายว่า AI Agent คืออะไร และแตกต่างจากโซลูชัน AI ธรรมดาอย่างไร
- รู้ว่าเมื่อไหร่ควรใช้ AI Agent (และเมื่อไหร่ไม่ควร)
- ร่างการออกแบบโซลูชันแบบ Agentic ขั้นพื้นฐานสำหรับปัญหาในโลกจริง
การนิยาม AI Agents และประเภทของ AI Agents
AI Agents คืออะไร?
นี่คือวิธีคิดง่าย ๆ:
AI Agents คือระบบที่ช่วยให้ Large Language Models (LLMs) สามารถ ทำสิ่งต่าง ๆ ได้จริง — โดยให้เครื่องมือและความรู้กับพวกเขาเพื่อดำเนินการกับโลก ไม่ใช่แค่ตอบกลับข้อความ
มาขยายความกันหน่อย:
- ระบบ — AI Agent ไม่ใช่แค่สิ่งเดียว มันคือชุดส่วนประกอบที่ทำงานร่วมกัน ที่แกนกลาง ทุกเอเจนต์มีสามส่วน:
- สภาพแวดล้อม — พื้นที่ที่เอเจนต์ทำงาน สำหรับเอเจนต์จองท่องเที่ยว นั่นคือแพลตฟอร์มการจองเอง
- เซนเซอร์ — วิธีที่เอเจนต์อ่านสถานะปัจจุบันของสภาพแวดล้อม ตัวอย่างเช่น เอเจนต์จองท่องเที่ยวอาจตรวจสอบห้องว่างของโรงแรมหรือราคาเที่ยวบิน
- อคชูเอเตอร์ — วิธีที่เอเจนต์ดำเนินการ เอเจนต์จองท่องเที่ยวอาจจองห้อง ส่งการยืนยัน หรือยกเลิกการจอง
-
Large Language Models — เอเจนต์มีมาก่อน LLMs แต่ LLMs คือสิ่งที่ทำให้เอเจนต์สมัยใหม่มีพลังมาก พวกเขาสามารถเข้าใจภาษาธรรมชาติ วิเคราะห์บริบท และเปลี่ยนคำขอที่กำกวมเป็นแผนการปฏิบัติที่ชัดเจน
-
ดำเนินการ — ถ้าไม่มีระบบเอเจนต์ LLM ก็แค่สร้างข้อความ แต่ในระบบเอเจนต์ LLM สามารถ ดำเนินการ ขั้นตอน — ค้นหาฐานข้อมูล เรียกใช้ API ส่งข้อความ
-
เข้าถึงเครื่องมือ — เครื่องมือที่เอเจนต์ใช้ขึ้นอยู่กับ (1) สภาพแวดล้อมที่มันทำงาน และ (2) สิ่งที่นักพัฒนาเลือกให้ เช่น เอเจนต์ท่องเที่ยวอาจค้นหาเที่ยวบินได้แต่ไม่สามารถแก้ไขข้อมูลลูกค้า — มันขึ้นอยู่กับสิ่งที่คุณสร้างเชื่อมต่อไว้
-
ความจำ + ความรู้ — เอเจนต์สามารถมีความจำระยะสั้น (บทสนทนาปัจจุบัน) และความจำระยะยาว (ฐานข้อมูลลูกค้า ประวัติการโต้ตอบ) เช่น เอเจนต์ท่องเที่ยวอาจ “จำ” ได้ว่าคุณชอบที่นั่งริมหน้าต่าง
ประเภทของ AI Agents
ไม่ใช่ทุกเอเจนต์ที่ถูกสร้างเหมือนกัน นี่คือรายละเอียดประเภทหลักใช้เอเจนต์จองท่องเที่ยวเป็นตัวอย่าง:
| ประเภทเอเจนต์ | สิ่งที่ทำ | ตัวอย่างเอเจนต์ท่องเที่ยว |
|---|---|---|
| Simple Reflex Agents | ทำตามกฎที่กำหนดไว้ล่วงหน้า — ไม่มีความจำ ไม่มีการวางแผน | เห็นอีเมลร้องเรียน → ส่งต่อให้ฝ่ายบริการลูกค้า เท่านั้น |
| Model-Based Reflex Agents | เก็บแบบจำลองภายในโลกและอัปเดตเมื่อมีการเปลี่ยนแปลง | ติดตามราคาตั๋วเครื่องบินในอดีตและแจ้งเตือนเส้นทางที่ราคาแพงขึ้นทันที |
| Goal-Based Agents | มีเป้าหมายในใจและวางแผนขั้นตอนเพื่อไปถึงเป้าหมายนั้น | จองทริปเต็มรูปแบบ (เที่ยวบิน รถ โรงแรม) จากที่ปัจจุบันของคุณไปยังจุดหมายปลายทาง |
| Utility-Based Agents | ไม่ใช่แค่หาทางแก้ไข ใด ๆ — แต่หาทางแก้ไขที่ ดีที่สุด โดยชั่งน้ำหนักข้อแลกเปลี่ยน | เปรียบเทียบราคาและความสะดวกสบายเพื่อหาทริปที่ตอบโจทย์การตั้งค่าของคุณมากที่สุด |
| Learning Agents | พัฒนาดีขึ้นตามเวลาโดยเรียนรู้จากข้อเสนอแนะ | ปรับคำแนะนำการจองในอนาคตตามผลสำรวจหลังทริป |
| Hierarchical Agents | เอเจนต์ระดับสูงแบ่งงานออกเป็นงานย่อยและมอบหมายให้เอเจนต์ระดับล่าง | คำขอ “ยกเลิกทริป” แบ่งเป็น: ยกเลิกเที่ยวบิน, ยกเลิกโรงแรม, ยกเลิกรถเช่า — แต่ละอันจัดการโดยเอเจนต์ย่อย |
| Multi-Agent Systems (MAS) | เอเจนต์หลายตัวที่ทำงานร่วมกัน (หรือแข่งขันกัน) | ร่วมมือ: เอเจนต์แยกดูแลโรงแรม เที่ยวบิน และความบันเทิง แข่งขัน: เอเจนต์หลายตัวแข่งกันหาห้องพักโรงแรมในราคาที่ดีที่สุด |
เมื่อไหร่ควรใช้ AI Agents
แค่คุณ สามารถ ใช้ AI Agent ไม่ได้หมายความว่าคุณควรใช้เสมอไป นี่คือสถานการณ์ที่เอเจนต์โชว์ศักยภาพได้ดี:
- ปัญหาที่เปิดกว้าง — เมื่อลำดับขั้นตอนการแก้ปัญหาไม่สามารถกำหนดไว้ล่วงหน้า คุณต้องการให้ LLM ค้นหาเส้นทางแบบไดนามิก
- กระบวนการหลายขั้นตอน — งานที่ต้องใช้เครื่องมือหลายรอบ ไม่ใช่แค่ค้นหาหรือสร้างครั้งเดียว
- พัฒนาได้ตามเวลา — เมื่อต้องการให้ระบบฉลาดขึ้นโดยอิงจากข้อเสนอแนะของผู้ใช้หรือตัวชี้วัดจากสภาพแวดล้อม
เราจะลงลึกว่าเมื่อไหร่ (และเมื่อไหร่ ไม่ควร) ใช้ AI Agents ในบทเรียน การสร้าง AI Agents ที่น่าเชื่อถือ ในภายหลังของหลักสูตรนี้
พื้นฐานของโซลูชันแบบ Agentic
การพัฒนาเอเจนต์
สิ่งแรกที่ต้องทำตอนสร้างเอเจนต์คือกำหนด สิ่งที่เอเจนต์ทำได้ — เครื่องมือ การกระทำ และพฤติกรรม
ในหลักสูตรนี้ เราใช้ Azure AI Agent Service เป็นแพลตฟอร์มหลัก รองรับ:
- โมเดลจากผู้ให้บริการอย่าง OpenAI, Mistral และ Meta (Llama)
- ข้อมูลมีลิขสิทธิ์จากผู้ให้บริการเช่น Tripadvisor
- นิยามเครื่องมือมาตรฐาน OpenAPI 3.0
รูปแบบ Agentic
คุณสื่อสารกับ LLM ผ่าน prompt กับเอเจนต์ คุณไม่สามารถสร้าง prompt ทุกอย่างด้วยมือได้เสมอ — เอเจนต์ต้องทำงานหลายขั้นตอน นั่นคือที่มาของ Agentic Patterns เป็นกลยุทธ์ที่ใช้ซ้ำได้สำหรับการคุม prompt และจัดการ LLM อย่างมีประสิทธิภาพและเชื่อถือได้มากขึ้น
หลักสูตรนี้ถูกจัดโครงสร้างรอบ ๆ รูปแบบ agentic ที่พบบ่อยและมีประโยชน์มากที่สุด
เฟรมเวิร์ก Agentic
Agentic Frameworks มอบแบบแม่แบบ เครื่องมือ และโครงสร้างพื้นฐานพร้อมให้กับนักพัฒนาเพื่อสร้างเอเจนต์ ทำให้สะดวกขึ้นในการ:
- เชื่อมต่อเครื่องมือและความสามารถ
- สังเกตสิ่งที่เอเจนต์ทำ (และแก้จุดบกพร่องเมื่อมีปัญหา)
- ร่วมมือกับเอเจนต์หลายตัว
ในหลักสูตรนี้ เรามุ่งเน้นที่ Microsoft Agent Framework (MAF) สำหรับการสร้างเอเจนต์ที่พร้อมใช้งานในระบบจริง
ตัวอย่างโค้ด
พร้อมดูตัวอย่างจริงไหม? นี่คือตัวอย่างโค้ดสำหรับบทเรียนนี้:
- 🐍 Python: Agent Framework
- 🔷 .NET: Agent Framework
มีคำถามไหม?
เข้าร่วม Microsoft Foundry Discord เพื่อเชื่อมต่อกับผู้เรียนอื่น ๆ เข้าร่วมชั่วโมงทำงาน และรับคำตอบสำหรับคำถาม AI Agent ของคุณจากชุมชน
บทเรียนก่อนหน้า
บทเรียนถัดไป
ปฏิเสธความรับผิดชอบ: เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator ขณะที่เราพยายามให้ความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้การแปลโดยมนุษย์มืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดที่เกิดขึ้นจากการใช้การแปลนี้