ai-agents-for-beginners
(คลิกที่ภาพด้านบนเพื่อดูวิดีโอสำหรับบทเรียนนี้)
บทนำเกี่ยวกับเอเยนต์ AI และกรณีการใช้งานเอเยนต์
ยินดีต้อนรับสู่หลักสูตร AI Agents for Beginners! หลักสูตรนี้มอบความรู้พื้นฐาน — และโค้ดทำงานจริง — เพื่อเริ่มต้นสร้างเอเยนต์ AI ตั้งแต่ต้น
มาSay สวัสดีใน ชุมชน Azure AI Discord — ซึ่งเต็มไปด้วยผู้เรียนและนักพัฒนา AI ที่ยินดีตอบคำถาม
ก่อนที่เราจะเริ่มสร้าง ให้แน่ใจว่าเราเข้าใจว่าเอเยนต์ AI คืออะไร และเมื่อไหร่จึงควรใช้
บทนำ
บทเรียนนี้ครอบคลุม:
- เอเยนต์ AI คืออะไร และประเภทต่าง ๆ ที่มีอยู่
- งานประเภทไหนเอเยนต์ AI เหมาะสมที่สุด
- ส่วนประกอบหลักที่ใช้เมื่อออกแบบโซลูชันแบบ Agentic
เป้าหมายการเรียนรู้
เมื่อจบบทเรียนนั้น คุณควรจะสามารถ:
- อธิบายว่าเอเยนต์ AI คืออะไรและแตกต่างจากโซลูชัน AI ปกติอย่างไร
- รู้ว่าเมื่อไหร่ควรใช้เอเยนต์ AI (และเมื่อไหร่ไม่ควรใช้)
- ร่างการออกแบบโซลูชัน Agentic พื้นฐานสำหรับปัญหาในโลกจริง
การกำหนดเอเยนต์ AI และประเภทของเอเยนต์ AI
เอเยนต์ AI คืออะไร?
นี่คือวิธีคิดง่าย ๆ:
เอเยนต์ AI คือระบบที่ให้ Large Language Models (LLMs) สามารถ ทำสิ่งต่าง ๆ — โดยการให้เครื่องมือและความรู้เพื่อกระทำต่อโลก ไม่ใช่แค่ตอบคำสั่ง
มาแยกแยะส่วนนี้กันหน่อย:
- ระบบ — เอเยนต์ AI ไม่ใช่แค่สิ่งเดียว แต่เป็นชุดส่วนประกอบที่ทำงานร่วมกัน ทุกเอเยนต์มีสามส่วนหลัก:
- สภาพแวดล้อม — พื้นที่ที่เอเยนต์ทำงาน เช่น สำหรับเอเยนต์จองท่องเที่ยว ก็จะเป็นแพลตฟอร์มการจองเอง
- เซ็นเซอร์ — วิธีที่เอเยนต์อ่านสถานะปัจจุบันของสภาพแวดล้อม เช่น เอเยนต์ท่องเที่ยวตรวจสอบห้องพักโรงแรมหรือราคาตั๋วเครื่องบิน
- อุปกรณ์ลงมือทำ — วิธีที่เอเยนต์ลงมือทำ เช่น เอเยนต์ท่องเที่ยวจองห้อง ส่งการยืนยัน หรือยกเลิกการจอง
-
Large Language Models — เอเยนต์มีมาก่อน LLMs แต่ LLMs ทำให้เอเยนต์ยุคใหม่มีพลังมาก พวกมันเข้าใจภาษาธรรมชาติ วิเคราะห์บริบท และแปลงคำขอที่คลุมเครือให้เป็นแผนปฏิบัติการ
-
การปฏิบัติการ — หากไม่มีระบบเอเยนต์ LLM ก็แค่สร้างข้อความ แต่ในระบบเอเยนต์ LLM สามารถ ดำเนินการ ขั้นตอนจริง เช่น ค้นหาฐานข้อมูล เรียกใช้ API ส่งข้อความ
-
การเข้าถึงเครื่องมือ — เครื่องมือที่เอเยนต์ใช้ขึ้นอยู่กับ (1) สภาพแวดล้อมที่มันรัน และ (2) สิ่งที่นักพัฒนาตั้งค่าให้ เอเยนต์ท่องเที่ยวอาจค้นหาตั๋วได้แต่แก้ไขข้อมูลลูกค้าไม่ได้ — ขึ้นอยู่กับสิ่งที่คุณเชื่อมโยง
-
หน่วยความจำ + ความรู้ — เอเยนต์อาจมีหน่วยความจำระยะสั้น (บทสนทนาปัจจุบัน) และระยะยาว (ฐานข้อมูลลูกค้า การปฏิสัมพันธ์ที่ผ่านมา) เช่น เอเยนต์ท่องเที่ยวอาจ “จดจำ” ว่าคุณชอบที่นั่งริมหน้าต่าง
ประเภทต่าง ๆ ของเอเยนต์ AI
ไม่ใช่เอเยนต์ทุกตัวจะสร้างเหมือนกัน นี่คือการแบ่งประเภทหลัก โดยใช้เอเยนต์จองท่องเที่ยวเป็นตัวอย่าง:
| ประเภทเอเยนต์ | หน้าที่ของมัน | ตัวอย่างเอเยนต์ท่องเที่ยว |
|---|---|---|
| Simple Reflex Agents | ปฏิบัติตามกฎที่เขียนไว้ล่วงหน้า — ไม่มีหน่วยความจำ ไม่มีการวางแผน | เห็นอีเมลร้องเรียน → ส่งต่อฝ่ายบริการลูกค้า เท่านั้น |
| Model-Based Reflex Agents | มีแบบจำลองโลกภายใน พร้อมอัปเดตเมื่อมีการเปลี่ยนแปลง | ติดตามราคาตั๋วเครื่องบินย้อนหลังและแจ้งเส้นทางที่ราคาแพงขึ้นทันที |
| Goal-Based Agents | มีเป้าหมายและหาวิธีไปถึงทีละขั้น | จองทริปเต็มรูปแบบ (ตั๋วเครื่องบิน รถ โรงแรม) เริ่มจากที่คุณอยู่ปัจจุบันไปยังจุดหมายปลายทาง |
| Utility-Based Agents | ไม่เพียงแค่หาทางออกแต่หา ดีที่สุด โดยชั่งน้ำหนักข้อแลกเปลี่ยน | สมดุลค่าใช้จ่ายกับความสะดวกสบายเพื่อหาทริปที่เหมาะกับความชอบของคุณที่สุด |
| Learning Agents | พัฒนาขึ้นตามเวลาโดยเรียนรู้จากข้อคิดเห็น | ปรับคำแนะนำการจองในอนาคตตามผลสำรวจหลังทริป |
| Hierarchical Agents | เอเยนต์ระดับสูงแบ่งงานเป็นงานย่อยและมอบหมายให้เอเยนต์ระดับต่ำกว่า | คำขอยกเลิกทริปถูกแบ่งเป็น: ยกเลิกตั๋วเครื่องบิน ยกเลิกโรงแรม ยกเลิกรถเช่า — แต่ละอย่างมีเอเยนต์ย่อยจัดการ |
| Multi-Agent Systems (MAS) | หลายเอเยนต์อิสระทำงานร่วมกัน (หรือแข่งขัน) | แบบร่วมมือ: เอเยนต์แยกจัดการโรงแรม ตั๋วเครื่องบิน และความบันเทิง แบบแข่ง: หลายเอเยนต์แข่งขันกันจองโรงแรมในราคาดีที่สุด |
เมื่อไหร่ควรใช้เอเยนต์ AI
ไม่ใช่แค่เพราะคุณ สามารถ ใช้เอเยนต์ AI ว่าคุณควรเสมอไป สถานการณ์เหล่านี้คือเวลาที่เอเยนต์จะทำงานได้ดีจริง ๆ:
- ปัญหาแบบเปิดกว้าง — เมื่อขั้นตอนแก้ปัญหาไม่สามารถตั้งโปรแกรมไว้ล่วงหน้าได้ คุณต้องให้ LLM ค้นหาเส้นทางอย่างไดนามิก
- กระบวนการหลายขั้นตอน — งานที่ต้องใช้เครื่องมือหลายขั้นตอน ไม่ใช่แค่การค้นหาหรือสร้างข้อความครั้งเดียว
- การปรับปรุงตามเวลา — เมื่อคุณต้องการให้ระบบฉลาดขึ้นจากข้อเสนอแนะของผู้ใช้หรือสัญญาณจากสภาพแวดล้อม
เราจะเจาะลึกว่าเมื่อไหร่ (และเมื่อไหร่ ไม่ควร) ใช้เอเยนต์ AI ในบทเรียน Building Trustworthy AI Agents ต่อไปในหลักสูตร
พื้นฐานของโซลูชันแบบ Agentic
การพัฒนาเอเยนต์
สิ่งแรกที่คุณทำเมื่อสร้างเอเยนต์คือกำหนด สิ่งที่มันทำได้ — เครื่องมือ การกระทำ และพฤติกรรมของมัน
ในหลักสูตรนี้ เราใช้ Microsoft Foundry Agent Service เป็นแพลตฟอร์มหลัก ที่สนับสนุน:
- โมเดลจากผู้ให้บริการเช่น OpenAI, Mistral, และ Meta (Llama)
- ข้อมูลที่มีใบอนุญาตจากผู้ให้บริการเช่น Tripadvisor
- คำจำกัดความเครื่องมือมาตรฐาน OpenAPI 3.0
รูปแบบ Agentic
คุณสื่อสารกับ LLM ผ่านพรอมต์ กับเอเยนต์ คุณไม่สามารถทำทุกพรอมต์ด้วยมือ — เอเยนต์ต้องดำเนินการหลายขั้นตอน นั่นคือที่มาของ Agentic Patterns ซึ่งเป็นกลยุทธ์ที่ใช้ซ้ำได้สำหรับการสร้างพรอมต์และจัดการ LLM ให้สเกลได้และเชื่อถือได้มากขึ้น
หลักสูตรนี้จัดโครงสร้างรอบรูปแบบ Agentic ที่ใช้บ่อยและมีประโยชน์สูงสุด
กรอบงาน Agentic
กรอบงาน Agentic ให้เทมเพลต เครื่องมือ และโครงสร้างพื้นฐานที่พร้อมใช้งานสำหรับนักพัฒนา เพื่อสร้างเอเยนต์ มันช่วยให้ง่ายขึ้นในการ:
- เชื่อมโยงเครื่องมือและความสามารถ
- สังเกตว่าเอเยนต์ทำอะไร (และดีบั๊กเมื่อผิดพลาด)
- ทำงานร่วมกันระหว่างเอเยนต์หลายตัว
ในหลักสูตรนี้ เราเน้นที่ Microsoft Agent Framework (MAF) สำหรับสร้างเอเยนต์ที่พร้อมใช้งานจริง
ตัวอย่างโค้ด
พร้อมเห็นมันทำงานแล้วหรือยัง? นี่คือตัวอย่างโค้ดสำหรับบทเรียนนี้:
- 🐍 Python: Agent Framework
- 🔷 .NET: Agent Framework
มีคำถามไหม?
เข้าร่วม Microsoft Foundry Discord เพื่อเชื่อมต่อกับผู้เรียนคนอื่น ๆ เข้าร่วม Office Hours และถามคำถามเกี่ยวกับเอเยนต์ AI ได้จากชุมชน
การทดสอบเบื้องต้นแก่เอเยนต์นี้ (ไม่บังคับ)
เมื่อคุณรู้จักวิธีปรับใช้เอเยนต์ใน บทเรียนที่ 16 คุณสามารถเพิ่มการตรวจสอบสุขภาพอย่างรวดเร็วหลังปรับใช้สำหรับ TravelAgent บทเรียนนี้ด้วยแคตาล็อกสำเร็จรูป tests/lesson-01-smoke-tests.json ดูวิธีรันได้ที่ tests/README.md
บทเรียนก่อนหน้า
บทเรียนถัดไป
ปฏิเสธความรับผิดชอบ: เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator ขณะที่เราพยายามให้ความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้การแปลโดยมนุษย์มืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดที่เกิดขึ้นจากการใช้การแปลนี้