ai-agents-for-beginners
เอเจนต์ AI ในการใช้งานจริง: การสังเกตและการประเมินผล
เมื่อเอเจนต์ AI เปลี่ยนจากต้นแบบทดลองไปสู่การใช้งานจริง ความสามารถในการเข้าใจพฤติกรรมของพวกเขา ตรวจสอบประสิทธิภาพ และประเมินผลลัพธ์อย่างเป็นระบบกลายเป็นสิ่งสำคัญ
เป้าหมายการเรียนรู้
หลังจากจบบทเรียนนี้ คุณจะสามารถ:
- เข้าใจแนวคิดหลักเกี่ยวกับการสังเกตและการประเมินผลของเอเจนต์
- ใช้เทคนิคในการปรับปรุงประสิทธิภาพ ค่าใช้จ่าย และความสามารถของเอเจนต์
- รู้วิธีและสิ่งที่ควรประเมินสำหรับเอเจนต์ AI ของคุณอย่างเป็นระบบ
- ควบคุมค่าใช้จ่ายเมื่อใช้งานเอเจนต์ AI ในการผลิต
- ใช้เครื่องมือในการติดตามเอเจนต์ที่สร้างด้วย AutoGen
เป้าหมายคือการให้ความรู้ที่ช่วยเปลี่ยนเอเจนต์แบบ “กล่องดำ” ให้กลายเป็นระบบที่โปร่งใส จัดการได้ และเชื่อถือได้
หมายเหตุ: การใช้งานเอเจนต์ AI ที่ปลอดภัยและน่าเชื่อถือเป็นสิ่งสำคัญ ดูบทเรียน การสร้างเอเจนต์ AI ที่น่าเชื่อถือ เพื่อข้อมูลเพิ่มเติม
ร่องรอยและช่วงเวลา
เครื่องมือการสังเกต เช่น Langfuse หรือ Azure AI Foundry มักแสดงการทำงานของเอเจนต์ในรูปแบบร่องรอยและช่วงเวลา
- ร่องรอย (Trace) แสดงงานของเอเจนต์ตั้งแต่ต้นจนจบ (เช่น การจัดการคำถามของผู้ใช้)
- ช่วงเวลา (Span) คือขั้นตอนย่อยภายในร่องรอย (เช่น การเรียกใช้โมเดลภาษา หรือการดึงข้อมูล)
หากไม่มีการสังเกต เอเจนต์ AI อาจดูเหมือน “กล่องดำ” ซึ่งสถานะภายในและเหตุผลของมันไม่ชัดเจน ทำให้ยากต่อการวิเคราะห์ปัญหาหรือปรับปรุงประสิทธิภาพ แต่ด้วยการสังเกต เอเจนต์จะกลายเป็น “กล่องแก้ว” ที่ให้ความโปร่งใส ซึ่งเป็นสิ่งสำคัญสำหรับการสร้างความไว้วางใจและการทำงานที่ถูกต้องตามที่ตั้งใจไว้
ทำไมการสังเกตจึงสำคัญในสภาพแวดล้อมการผลิต
การเปลี่ยนเอเจนต์ AI ไปสู่สภาพแวดล้อมการผลิตนำมาซึ่งความท้าทายและข้อกำหนดใหม่ การสังเกตไม่ใช่แค่ “สิ่งที่ควรมี” แต่เป็นความสามารถที่สำคัญ:
- การแก้ไขข้อผิดพลาดและการวิเคราะห์สาเหตุ: เมื่อเอเจนต์ล้มเหลวหรือให้ผลลัพธ์ที่ไม่คาดคิด เครื่องมือการสังเกตจะให้ร่องรอยที่จำเป็นในการระบุแหล่งที่มาของข้อผิดพลาด ซึ่งสำคัญอย่างยิ่งในเอเจนต์ที่ซับซ้อนที่อาจเกี่ยวข้องกับการเรียกใช้ LLM หลายครั้ง การโต้ตอบกับเครื่องมือ และตรรกะตามเงื่อนไข
- การจัดการเวลาและค่าใช้จ่าย: เอเจนต์ AI มักพึ่งพา LLM และ API ภายนอกที่มีค่าใช้จ่ายตามจำนวนโทเค็นหรือการเรียกใช้ การสังเกตช่วยติดตามการเรียกใช้เหล่านี้อย่างแม่นยำ ช่วยระบุการดำเนินการที่ช้าเกินไปหรือมีค่าใช้จ่ายสูงเกินไป ซึ่งช่วยให้ทีมสามารถปรับปรุงคำสั่ง เลือกโมเดลที่มีประสิทธิภาพมากขึ้น หรือออกแบบเวิร์กโฟลว์ใหม่เพื่อจัดการค่าใช้จ่ายและให้ประสบการณ์ที่ดีแก่ผู้ใช้
- ความไว้วางใจ ความปลอดภัย และการปฏิบัติตามข้อกำหนด: ในหลายแอปพลิเคชัน การรับรองว่าเอเจนต์ทำงานอย่างปลอดภัยและมีจริยธรรมเป็นสิ่งสำคัญ การสังเกตให้เส้นทางการตรวจสอบการกระทำและการตัดสินใจของเอเจนต์ ซึ่งสามารถใช้ตรวจจับและลดปัญหา เช่น การฉีดคำสั่ง การสร้างเนื้อหาที่เป็นอันตราย หรือการจัดการข้อมูลส่วนบุคคล (PII) อย่างไม่เหมาะสม ตัวอย่างเช่น คุณสามารถตรวจสอบร่องรอยเพื่อเข้าใจว่าเหตุใดเอเจนต์จึงให้คำตอบหรือใช้เครื่องมือเฉพาะ
- วงจรการปรับปรุงอย่างต่อเนื่อง: ข้อมูลการสังเกตเป็นพื้นฐานของกระบวนการพัฒนาแบบวนซ้ำ โดยการติดตามว่าเอเจนต์ทำงานอย่างไรในโลกจริง ทีมสามารถระบุพื้นที่ที่ต้องปรับปรุง รวบรวมข้อมูลสำหรับการปรับแต่งโมเดล และตรวจสอบผลกระทบของการเปลี่ยนแปลง สิ่งนี้สร้างวงจรป้อนกลับที่ข้อมูลการผลิตจากการประเมินออนไลน์แจ้งการทดลองและการปรับปรุงออฟไลน์ นำไปสู่ประสิทธิภาพของเอเจนต์ที่ดีขึ้นอย่างต่อเนื่อง
ตัวชี้วัดสำคัญที่ควรติดตาม
เพื่อการตรวจสอบและเข้าใจพฤติกรรมของเอเจนต์ ควรติดตามตัวชี้วัดและสัญญาณหลากหลายประเภท แม้ว่าตัวชี้วัดเฉพาะอาจแตกต่างกันไปตามวัตถุประสงค์ของเอเจนต์ แต่บางตัวชี้วัดมีความสำคัญในทุกกรณี
นี่คือตัวชี้วัดที่เครื่องมือการสังเกตมักติดตาม:
เวลาในการตอบสนอง (Latency): เอเจนต์ตอบสนองเร็วแค่ไหน? การรอคอยนานส่งผลเสียต่อประสบการณ์ของผู้ใช้ คุณควรวัดเวลาในการตอบสนองสำหรับงานและขั้นตอนย่อยโดยการติดตามการทำงานของเอเจนต์ ตัวอย่างเช่น เอเจนต์ที่ใช้เวลา 20 วินาทีในการเรียกใช้โมเดลทั้งหมดสามารถเร่งความเร็วได้โดยใช้โมเดลที่เร็วขึ้นหรือเรียกใช้โมเดลแบบขนาน
ค่าใช้จ่าย (Costs): ค่าใช้จ่ายต่อการทำงานของเอเจนต์คือเท่าไหร่? เอเจนต์ AI พึ่งพาการเรียกใช้ LLM ที่มีค่าใช้จ่ายตามจำนวนโทเค็นหรือ API ภายนอก การใช้เครื่องมือบ่อยครั้งหรือคำสั่งหลายครั้งสามารถเพิ่มค่าใช้จ่ายได้อย่างรวดเร็ว ตัวอย่างเช่น หากเอเจนต์เรียกใช้ LLM ห้าครั้งเพื่อปรับปรุงคุณภาพเพียงเล็กน้อย คุณต้องประเมินว่าค่าใช้จ่ายนั้นคุ้มค่าหรือไม่ หรือคุณสามารถลดจำนวนการเรียกใช้หรือใช้โมเดลที่ถูกกว่า การติดตามแบบเรียลไทม์ยังช่วยระบุการเพิ่มขึ้นที่ไม่คาดคิด (เช่น ข้อผิดพลาดที่ทำให้เกิดการวนลูป API มากเกินไป)
ข้อผิดพลาดในการร้องขอ (Request Errors): เอเจนต์ล้มเหลวในการร้องขอจำนวนเท่าไหร่? ซึ่งรวมถึงข้อผิดพลาดของ API หรือการเรียกใช้เครื่องมือที่ล้มเหลว เพื่อทำให้เอเจนต์ของคุณมีความทนทานมากขึ้นในสภาพแวดล้อมการผลิต คุณสามารถตั้งค่าการสำรองข้อมูลหรือการลองใหม่ได้ เช่น หากผู้ให้บริการ LLM A ไม่สามารถใช้งานได้ คุณสามารถเปลี่ยนไปใช้ผู้ให้บริการ LLM B เป็นตัวสำรอง
ความคิดเห็นจากผู้ใช้ (User Feedback): การประเมินโดยตรงจากผู้ใช้ให้ข้อมูลเชิงลึกที่มีค่า ซึ่งรวมถึงการให้คะแนนโดยตรง (👍/👎, ⭐1-5 ดาว) หรือความคิดเห็นเป็นข้อความ การได้รับความคิดเห็นเชิงลบอย่างต่อเนื่องควรเป็นสัญญาณเตือนว่าเอเจนต์ไม่ได้ทำงานตามที่คาดหวัง
ความคิดเห็นโดยอ้อมจากผู้ใช้ (Implicit User Feedback): พฤติกรรมของผู้ใช้ให้ความคิดเห็นโดยอ้อมแม้ไม่มีการให้คะแนนโดยตรง ซึ่งรวมถึงการแก้ไขคำถามทันที การถามคำถามซ้ำ หรือการคลิกปุ่มลองใหม่ ตัวอย่างเช่น หากคุณเห็นว่าผู้ใช้ถามคำถามเดิมซ้ำๆ นี่เป็นสัญญาณว่าเอเจนต์ไม่ได้ทำงานตามที่คาดหวัง
ความถูกต้อง (Accuracy): เอเจนต์ให้ผลลัพธ์ที่ถูกต้องหรือเป็นที่ต้องการบ่อยแค่ไหน? คำจำกัดความของความถูกต้องอาจแตกต่างกัน (เช่น ความถูกต้องในการแก้ปัญหา ความถูกต้องในการดึงข้อมูล ความพึงพอใจของผู้ใช้) ขั้นตอนแรกคือการกำหนดว่า “ความสำเร็จ” สำหรับเอเจนต์ของคุณคืออะไร คุณสามารถติดตามความถูกต้องผ่านการตรวจสอบอัตโนมัติ คะแนนการประเมิน หรือป้ายกำกับการทำงานที่สำเร็จ ตัวอย่างเช่น การทำเครื่องหมายร่องรอยว่า “สำเร็จ” หรือ “ล้มเหลว”
ตัวชี้วัดการประเมินอัตโนมัติ (Automated Evaluation Metrics): คุณสามารถตั้งค่าการประเมินอัตโนมัติได้ ตัวอย่างเช่น คุณสามารถใช้ LLM เพื่อให้คะแนนผลลัพธ์ของเอเจนต์ เช่น ว่ามีประโยชน์ ถูกต้อง หรือไม่ นอกจากนี้ยังมีไลบรารีโอเพ่นซอร์สหลายตัวที่ช่วยให้คุณให้คะแนนแง่มุมต่างๆ ของเอเจนต์ เช่น RAGAS สำหรับเอเจนต์ RAG หรือ LLM Guard เพื่อตรวจจับภาษาที่เป็นอันตรายหรือการฉีดคำสั่ง
ในทางปฏิบัติ การรวมตัวชี้วัดเหล่านี้ให้การครอบคลุมที่ดีที่สุดเกี่ยวกับสุขภาพของเอเจนต์ AI ใน สมุดบันทึกตัวอย่าง ของบทนี้ เราจะแสดงให้คุณเห็นว่าตัวชี้วัดเหล่านี้มีลักษณะอย่างไรในตัวอย่างจริง แต่ก่อนอื่นเราจะเรียนรู้ว่ากระบวนการประเมินทั่วไปมีลักษณะอย่างไร
การติดตั้งเครื่องมือในเอเจนต์ของคุณ
เพื่อรวบรวมข้อมูลร่องรอย คุณจะต้องติดตั้งเครื่องมือในโค้ดของคุณ เป้าหมายคือการติดตั้งโค้ดเอเจนต์เพื่อส่งข้อมูลร่องรอยและตัวชี้วัดที่สามารถจับ ประมวลผล และแสดงผลโดยแพลตฟอร์มการสังเกต
OpenTelemetry (OTel): OpenTelemetry ได้กลายเป็นมาตรฐานอุตสาหกรรมสำหรับการสังเกต LLM โดยให้ชุด API, SDK และเครื่องมือสำหรับการสร้าง รวบรวม และส่งออกข้อมูลการตรวจสอบ
มีไลบรารีการติดตั้งหลายตัวที่ครอบคลุมเฟรมเวิร์กเอเจนต์ที่มีอยู่และทำให้ง่ายต่อการส่งออกช่วงเวลา OpenTelemetry ไปยังเครื่องมือการสังเกต ด้านล่างนี้คือตัวอย่างการติดตั้งเอเจนต์ AutoGen ด้วย ไลบรารีการติดตั้ง OpenLit:
import openlit
openlit.init(tracer = langfuse._otel_tracer, disable_batch = True)
สมุดบันทึกตัวอย่าง ในบทนี้จะแสดงวิธีการติดตั้งเอเจนต์ AutoGen ของคุณ
การสร้างช่วงเวลาแบบแมนนวล: แม้ว่าไลบรารีการติดตั้งจะให้พื้นฐานที่ดี แต่บ่อยครั้งที่ต้องการข้อมูลที่ละเอียดหรือกำหนดเองมากขึ้น คุณสามารถสร้างช่วงเวลาแบบแมนนวลเพื่อเพิ่มตรรกะของแอปพลิเคชันที่กำหนดเองได้ สิ่งสำคัญคือคุณสามารถเพิ่มข้อมูลที่กำหนดเองลงในช่วงเวลาที่สร้างโดยอัตโนมัติหรือแมนนวลได้ เช่น user_id, session_id หรือ model_version
ตัวอย่างการสร้างร่องรอยและช่วงเวลาแบบแมนนวลด้วย Langfuse Python SDK:
from langfuse import get_client
langfuse = get_client()
span = langfuse.start_span(name="my-span")
span.end()
การประเมินเอเจนต์
การสังเกตให้ตัวชี้วัด แต่การประเมินคือกระบวนการวิเคราะห์ข้อมูลนั้น (และการทดสอบ) เพื่อกำหนดว่าเอเจนต์ AI ทำงานได้ดีเพียงใดและสามารถปรับปรุงได้อย่างไร กล่าวอีกนัยหนึ่ง เมื่อคุณมีร่องรอยและตัวชี้วัดเหล่านั้น คุณจะใช้มันเพื่อประเมินเอเจนต์และตัดสินใจอย่างไร?
การประเมินผลเป็นประจำมีความสำคัญเพราะเอเจนต์ AI มักไม่แน่นอนและสามารถเปลี่ยนแปลงได้ (ผ่านการอัปเดตหรือพฤติกรรมโมเดลที่เปลี่ยนไป) – หากไม่มีการประเมิน คุณจะไม่รู้ว่า “เอเจนต์อัจฉริยะ” ของคุณทำงานได้ดีจริงหรือไม่ หรือถ้ามันถอยหลัง
มีการประเมินผลสองประเภทสำหรับเอเจนต์ AI: การประเมินออนไลน์ และ การประเมินออฟไลน์ ทั้งสองมีคุณค่าและเสริมกัน เรามักเริ่มต้นด้วยการประเมินออฟไลน์ เนื่องจากนี่เป็นขั้นตอนขั้นต่ำที่จำเป็นก่อนการใช้งานเอเจนต์ใดๆ
การประเมินออฟไลน์
การประเมินนี้เกี่ยวข้องกับการประเมินเอเจนต์ในสภาพแวดล้อมที่ควบคุมได้ โดยทั่วไปใช้ชุดข้อมูลทดสอบ ไม่ใช่คำถามจากผู้ใช้จริง คุณใช้ชุดข้อมูลที่คัดสรรมา ซึ่งคุณรู้ว่าผลลัพธ์ที่คาดหวังหรือพฤติกรรมที่ถูกต้องคืออะไร จากนั้นจึงทดสอบเอเจนต์ของคุณกับชุดข้อมูลนั้น
ตัวอย่างเช่น หากคุณสร้างเอเจนต์แก้ปัญหาคณิตศาสตร์ คุณอาจมี ชุดข้อมูลทดสอบ ที่มีปัญหา 100 ข้อพร้อมคำตอบที่ทราบ การประเมินออฟไลน์มักทำในระหว่างการพัฒนา (และสามารถเป็นส่วนหนึ่งของกระบวนการ CI/CD) เพื่อตรวจสอบการปรับปรุงหรือป้องกันการถอยหลัง ข้อดีคือมัน ทำซ้ำได้และคุณสามารถรับตัวชี้วัดความถูกต้องที่ชัดเจนเนื่องจากคุณมีข้อมูลจริง คุณอาจจำลองคำถามของผู้ใช้และวัดการตอบสนองของเอเจนต์เทียบกับคำตอบที่เหมาะสม หรือใช้ตัวชี้วัดอัตโนมัติที่กล่าวถึงข้างต้น
ความท้าทายหลักของการประเมินออฟไลน์คือการรับรองว่าชุดข้อมูลทดสอบของคุณครอบคลุมและยังคงเกี่ยวข้อง – เอเจนต์อาจทำงานได้ดีในชุดทดสอบที่กำหนด แต่พบคำถามที่แตกต่างกันมากในสภาพแวดล้อมการผลิต ดังนั้นคุณควรอัปเดตชุดทดสอบด้วยกรณีขอบใหม่และตัวอย่างที่สะท้อนสถานการณ์จริง การผสมผสานระหว่างกรณี “การทดสอบเบื้องต้น” ขนาดเล็กและชุดการประเมินขนาดใหญ่มีประโยชน์: ชุดเล็กสำหรับการตรวจสอบอย่างรวดเร็วและชุดใหญ่สำหรับตัวชี้วัดประสิทธิภาพที่กว้างขึ้น
การประเมินออนไลน์
การประเมินนี้หมายถึงการประเมินเอเจนต์ในสภาพแวดล้อมจริง ซึ่งหมายถึงการใช้งานจริงในสภาพแวดล้อมการผลิต การประเมินออนไลน์เกี่ยวข้องกับการติดตามประสิทธิภาพของเอเจนต์ในปฏิสัมพันธ์ของผู้ใช้จริงและวิเคราะห์ผลลัพธ์อย่างต่อเนื่อง
ตัวอย่างเช่น คุณอาจติดตามอัตราความสำเร็จ คะแนนความพึงพอใจของผู้ใช้ หรือตัวชี้วัดอื่นๆ ในการใช้งานจริง ข้อดีของการประเมินออนไลน์คือมัน จับสิ่งที่คุณอาจไม่คาดคิดในสภาพแวดล้อมทดลอง – คุณสามารถสังเกตการเปลี่ยนแปลงของโมเดลเมื่อเวลาผ่านไป (หากประสิทธิภาพของเอเจนต์ลดลงเมื่อรูปแบบการป้อนข้อมูลเปลี่ยนไป) และจับคำถามหรือสถานการณ์ที่ไม่คาดคิดซึ่งไม่ได้อยู่ในชุดทดสอบของคุณ มันให้ภาพที่แท้จริงว่าเอเจนต์ทำงานอย่างไรในสภาพแวดล้อมจริง
การประเมินออนไลน์มักเกี่ยวข้องกับการรวบรวมความคิดเห็นโดยอ้อมและโดยตรงจากผู้ใช้ตามที่กล่าวถึง และอาจรวมถึงการทดสอบเงาหรือการทดสอบ A/B (ที่
-
สำหรับงานที่ซับซ้อนที่ต้องการการวิเคราะห์และการวางแผน ให้ใช้โมเดลขนาดใหญ่ที่เชี่ยวชาญในงานที่ต้องใช้การวิเคราะห์
| เครื่องมือ AI Agent ทำงานได้ไม่ดี | - ทดสอบและตรวจสอบผลลัพธ์ของเครื่องมือภายนอกระบบเอเจนต์ - ปรับแต่งพารามิเตอร์ คำสั่ง และการตั้งชื่อเครื่องมือให้เหมาะสม |
| ระบบ Multi-Agent ทำงานไม่สม่ำเสมอ | - ปรับแต่งคำสั่งที่ให้กับแต่ละเอเจนต์เพื่อให้มีความเฉพาะเจาะจงและแตกต่างกัน - สร้างระบบแบบลำดับชั้นโดยใช้ “routing” หรือเอเจนต์ควบคุมเพื่อกำหนดว่าเอเจนต์ใดเหมาะสมที่สุด |
ปัญหาหลายอย่างเหล่านี้สามารถระบุได้อย่างมีประสิทธิภาพมากขึ้นเมื่อมีระบบการสังเกตการณ์ (observability) ในระบบ การติดตามและตัวชี้วัดที่เราได้พูดถึงก่อนหน้านี้ช่วยระบุจุดที่เกิดปัญหาในกระบวนการทำงานของเอเจนต์ได้อย่างแม่นยำ ทำให้การแก้ไขและการปรับปรุงมีประสิทธิภาพมากขึ้น
การจัดการต้นทุน
นี่คือกลยุทธ์บางอย่างในการจัดการต้นทุนสำหรับการนำ AI Agents ไปใช้งานในระบบการผลิต:
การใช้โมเดลขนาดเล็ก: Small Language Models (SLMs) สามารถทำงานได้ดีในบางกรณีการใช้งานของเอเจนต์ และช่วยลดต้นทุนได้อย่างมาก ดังที่ได้กล่าวไว้ก่อนหน้านี้ การสร้างระบบประเมินผลเพื่อวัดและเปรียบเทียบประสิทธิภาพกับโมเดลขนาดใหญ่เป็นวิธีที่ดีที่สุดในการทำความเข้าใจว่า SLM จะทำงานได้ดีเพียงใดในกรณีการใช้งานของคุณ พิจารณาใช้ SLM สำหรับงานที่ง่าย เช่น การจัดหมวดหมู่เจตนา (intent classification) หรือการดึงพารามิเตอร์ (parameter extraction) และใช้โมเดลขนาดใหญ่สำหรับงานที่ต้องการการวิเคราะห์ที่ซับซ้อน
การใช้ Router Model: กลยุทธ์ที่คล้ายกันคือการใช้โมเดลที่หลากหลายและมีขนาดต่างกัน คุณสามารถใช้ LLM/SLM หรือฟังก์ชันแบบ serverless เพื่อกำหนดเส้นทางคำขอโดยอิงตามความซับซ้อนให้กับโมเดลที่เหมาะสมที่สุด วิธีนี้จะช่วยลดต้นทุนในขณะที่ยังคงรักษาประสิทธิภาพในงานที่เหมาะสม ตัวอย่างเช่น กำหนดเส้นทางคำถามง่าย ๆ ไปยังโมเดลขนาดเล็กที่เร็วกว่า และใช้โมเดลขนาดใหญ่ที่มีต้นทุนสูงสำหรับงานที่ต้องการการวิเคราะห์ที่ซับซ้อนเท่านั้น
การแคชคำตอบ: การระบุคำขอและงานที่พบบ่อย และจัดเตรียมคำตอบไว้ล่วงหน้าก่อนที่จะผ่านระบบเอเจนต์ของคุณ เป็นวิธีที่ดีในการลดปริมาณคำขอที่คล้ายกัน คุณยังสามารถสร้างกระบวนการเพื่อระบุว่าคำขอมีความคล้ายคลึงกับคำขอที่แคชไว้มากน้อยเพียงใดโดยใช้โมเดล AI ที่พื้นฐานมากขึ้น กลยุทธ์นี้สามารถลดต้นทุนได้อย่างมากสำหรับคำถามที่พบบ่อยหรือกระบวนการทำงานที่เป็นที่นิยม
มาดูตัวอย่างการทำงานในทางปฏิบัติ
ใน ตัวอย่างโน้ตบุ๊กของส่วนนี้ เราจะเห็นตัวอย่างของการใช้เครื่องมือสังเกตการณ์เพื่อติดตามและประเมินผลเอเจนต์ของเรา
มีคำถามเพิ่มเติมเกี่ยวกับ AI Agents ในระบบการผลิตหรือไม่?
เข้าร่วม Azure AI Foundry Discord เพื่อพบปะกับผู้เรียนคนอื่น ๆ เข้าร่วมชั่วโมงให้คำปรึกษา และรับคำตอบสำหรับคำถามเกี่ยวกับ AI Agents ของคุณ
บทเรียนก่อนหน้า
บทเรียนถัดไป
ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่แม่นยำ เอกสารต้นฉบับในภาษาต้นทางควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามนุษย์มืออาชีพ เราจะไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดซึ่งเกิดจากการใช้การแปลนี้