ai-agents-for-beginners

Paggalugad ng mga Framework ng AI Agent

(I-click ang larawan sa itaas upang panoorin ang video ng araling ito)

Galugarin ang mga Framework ng AI Agent

Ang mga AI agent framework ay mga platform ng software na idinisenyo upang pasimplehin ang paglikha, pag-deploy, at pamamahala ng mga AI agent. Ang mga framework na ito ay nagbibigay sa mga developer ng mga pre-built na component, abstraksiyon, at mga tool na nagpapabilis sa pagbuo ng kumplikadong mga sistema ng AI.

Tinutulungan ng mga framework na ito ang mga developer na magpokus sa natatanging aspeto ng kanilang mga aplikasyon sa pamamagitan ng pagbibigay ng mga standardized na paraan sa pangkaraniwang mga hamon sa pag-develop ng AI agent. Pinahusay nila ang scalability, accessibility, at kahusayan sa pagbuo ng mga sistema ng AI.

Introduction

Tatalakayin sa araling ito ang:

Learning goals

Ang mga layunin ng araling ito ay tulungan kang maunawaan ang:

What are AI Agent Frameworks and what do they enable developers to do?

Makakatulong sa iyo ang mga tradisyunal na AI Framework na i-integrate ang AI sa iyong mga app at gawing mas maganda ang mga ito sa mga sumusunod na paraan:

That all sounds great right, so why do we need the AI Agent Framework?

Ang mga AI Agent framework ay kumakatawan sa higit pa kaysa sa mga simpleng AI framework. Idinisenyo ang mga ito upang payagan ang paglikha ng mga intelligent agent na maaaring makipag-ugnayan sa mga user, iba pang agent, at sa kapaligiran upang makamit ang partikular na mga layunin. Ang mga agent na ito ay maaaring magpakita ng autonomous na pag-uugali, gumawa ng mga desisyon, at umangkop sa mga nagbabagong kondisyon. Tingnan natin ang ilang pangunahing kakayahan na pinapagana ng mga AI Agent Framework:

Sa buod, pinapayagan ka ng mga agent na gawin ang higit pa, dalhin ang automation sa mas mataas na antas, at lumikha ng mas intelligent na mga sistema na maaaring umangkop at matuto mula sa kanilang kapaligiran.

How to quickly prototype, iterate, and improve the agent’s capabilities?

Mabilis ang pagbabago sa larangang ito, ngunit may ilang bagay na karaniwan sa karamihan ng mga AI Agent Framework na makakatulong sa iyo na mabilis na mag-prototype at mag-iterate — partikular ang mga module component, collaborative tools, at real-time learning. Talakayin natin ang mga ito:

Use Modular Components

Nag-aalok ang mga SDK tulad ng Microsoft Agent Framework ng mga pre-built na component tulad ng AI connectors, tool definitions, at agent management.

How teams can use these: Maaaring mabilis na buuin ng mga koponan ang mga component na ito upang lumikha ng functional na prototype nang hindi nagsisimula mula sa simula, na nagpapahintulot para sa mabilis na eksperimento at pag-iterate.

How it works in practice: Maaari mong gamitin ang pre-built na parser upang kunin ang impormasyon mula sa input ng user, isang memory module upang mag-imbak at kumuha ng data, at isang prompt generator upang makipag-ugnayan sa mga user, lahat nang hindi kailangang buuin ang mga component na ito mula sa simula.

Example code. Tingnan natin ang halimbawa kung paano mo magagamit ang Microsoft Agent Framework kasama ang AzureAIProjectAgentProvider upang mag-respond ang modelo sa input ng user gamit ang tool calling:

# Halimbawa ng Microsoft Agent Framework sa Python

import asyncio
import os
from typing import Annotated

from agent_framework.azure import AzureAIProjectAgentProvider
from azure.identity import AzureCliCredential


# Magtakda ng isang halimbawa ng tool function para mag-book ng biyahe
def book_flight(date: str, location: str) -> str:
    """Book travel given location and date."""
    return f"Travel was booked to {location} on {date}"


async def main():
    provider = AzureAIProjectAgentProvider(credential=AzureCliCredential())
    agent = await provider.create_agent(
        name="travel_agent",
        instructions="Help the user book travel. Use the book_flight tool when ready.",
        tools=[book_flight],
    )

    response = await agent.run("I'd like to go to New York on January 1, 2025")
    print(response)
    # Halimbawa ng output: Ang iyong flight papuntang New York sa Enero 1, 2025, ay matagumpay nang na-book. Maligayang paglalakbay! ✈️🗽


if __name__ == "__main__":
    asyncio.run(main())

Makikita mo mula sa halimbawang ito kung paano mo magagamit ang pre-built parser upang kunin ang mahahalagang impormasyon mula sa input ng user, tulad ng pinagmulan, destinasyon, at petsa ng request para sa booking ng flight. Pinapahintulutan ka ng modular na pamamaraang ito na mag-focus sa high-level na lohika.

Leverage Collaborative Tools

Pinapadali ng mga framework tulad ng Microsoft Agent Framework ang paglikha ng maraming agent na maaaring magtrabaho nang magkakasama.

How teams can use these: Maaaring magdisenyo ang mga koponan ng mga agent na may espesipikong mga tungkulin at gawain, na nagpapahintulot sa kanila na subukan at pinuhin ang collaborative workflows at pagbutihin ang kabuuang kahusayan ng sistema.

How it works in practice: Maaari kang lumikha ng isang koponan ng mga agent kung saan ang bawat agent ay may espesyal na tungkulin, tulad ng data retrieval, analysis, o decision-making. Ang mga agent na ito ay maaaring mag-komunika at magbahagi ng impormasyon upang makamit ang isang karaniwang layunin, tulad ng pagsagot sa isang query ng user o pagtapos ng isang gawain.

Example code (Microsoft Agent Framework):

# Lumilikha ng maraming ahente na nagtutulungan gamit ang Microsoft Agent Framework

import os
from agent_framework.azure import AzureAIProjectAgentProvider
from azure.identity import AzureCliCredential

provider = AzureAIProjectAgentProvider(credential=AzureCliCredential())

# Ahente ng Pagkuha ng Datos
agent_retrieve = await provider.create_agent(
    name="dataretrieval",
    instructions="Retrieve relevant data using available tools.",
    tools=[retrieve_tool],
)

# Ahente ng Pagsusuri ng Datos
agent_analyze = await provider.create_agent(
    name="dataanalysis",
    instructions="Analyze the retrieved data and provide insights.",
    tools=[analyze_tool],
)

# Patakbuhin ang mga ahente nang sunud-sunod sa isang gawain
retrieval_result = await agent_retrieve.run("Retrieve sales data for Q4")
analysis_result = await agent_analyze.run(f"Analyze this data: {retrieval_result}")
print(analysis_result)

Makikita sa naunang code kung paano ka makakalikha ng isang gawain na kinapapalooban ng maraming agent na nagtutulungan upang suriin ang data. Ang bawat agent ay gumaganap ng isang partikular na tungkulin, at ang gawain ay isinasagawa sa pamamagitan ng pag-koordina ng mga agent upang makamit ang inaasahang resulta. Sa pamamagitan ng paglikha ng nakatalagang mga agent na may espesyalisadong mga tungkulin, maaari mong pagbutihin ang kahusayan at pagganap ng gawain.

Learn in Real-Time

Nagbibigay ang mga advanced na framework ng kakayahan para sa real-time na pag-unawa sa konteksto at pag-aangkop.

How teams can use these: Maaaring magpatupad ang mga koponan ng mga feedback loop kung saan ang mga agent ay natututo mula sa mga interaksyon at inaayos ang kanilang pag-uugali nang dinamiko, na nagreresulta sa tuloy-tuloy na pagpapabuti at pagpinuhin ng mga kakayahan.

How it works in practice: Maaaring suriin ng mga agent ang feedback ng user, data ng kapaligiran, at mga resulta ng gawain upang i-update ang kanilang knowledge base, ayusin ang mga algorithm ng paggawa ng desisyon, at pagbutihin ang pagganap sa paglipas ng panahon. Pinapahintulutan ng prosesong ito ng paulit-ulit na pagkatuto ang mga agent na umangkop sa nagbabagong kondisyon at mga kagustuhan ng user, pinapahusay ang kabuuang pagiging epektibo ng sistema.

What are the differences between the Microsoft Agent Framework and Azure AI Agent Service?

Maraming paraan upang ihambing ang mga pamamaraang ito, ngunit tingnan natin ang ilang mahahalagang pagkakaiba sa mga tuntunin ng kanilang disenyo, kakayahan, at target na mga use case:

Microsoft Agent Framework (MAF)

Nagbibigay ang Microsoft Agent Framework ng isang streamlined na SDK para sa pagbuo ng mga AI agent gamit ang AzureAIProjectAgentProvider. Pinahihintulutan nito ang mga developer na lumikha ng mga agent na gumagamit ng Azure OpenAI models na may built-in na tool calling, conversation management, at enterprise-grade security sa pamamagitan ng Azure identity.

Use Cases: Pagbuo ng production-ready na mga AI agent na may tool use, multi-step workflows, at mga senaryong enterprise integration.

Narito ang ilang mahahalagang core concepts ng Microsoft Agent Framework:

Azure AI Agent Service

Ang Azure AI Agent Service ay isang mas bagong karagdagan, ipinakilala sa Microsoft Ignite 2024. Pinapayagan nito ang pag-develop at pag-deploy ng mga AI agent na may mas flexible na mga modelo, tulad ng direktang pagtawag sa open-source na LLMs gaya ng Llama 3, Mistral, at Cohere.

Nagbibigay ang Azure AI Agent Service ng mas matibay na enterprise security mechanisms at mga paraan ng pag-iimbak ng data, na ginagawa itong angkop para sa mga enterprise application.

Gumagana ito out-of-the-box kasama ang Microsoft Agent Framework para sa pagbuo at pag-deploy ng mga agent.

Kasulukuyan itong nasa Public Preview at sumusuporta sa Python at C# para sa pagbuo ng mga agent.

Gamit ang Azure AI Agent Service Python SDK, maaari tayong lumikha ng agent na may user-defined na tool:

import asyncio
from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient

# Tukuyin ang mga function ng tool
def get_specials() -> str:
    """Provides a list of specials from the menu."""
    return """
    Special Soup: Clam Chowder
    Special Salad: Cobb Salad
    Special Drink: Chai Tea
    """

def get_item_price(menu_item: str) -> str:
    """Provides the price of the requested menu item."""
    return "$9.99"


async def main() -> None:
    credential = DefaultAzureCredential()
    project_client = AIProjectClient.from_connection_string(
        credential=credential,
        conn_str="your-connection-string",
    )

    agent = project_client.agents.create_agent(
        model="gpt-4o-mini",
        name="Host",
        instructions="Answer questions about the menu.",
        tools=[get_specials, get_item_price],
    )

    thread = project_client.agents.create_thread()

    user_inputs = [
        "Hello",
        "What is the special soup?",
        "How much does that cost?",
        "Thank you",
    ]

    for user_input in user_inputs:
        print(f"# User: '{user_input}'")
        message = project_client.agents.create_message(
            thread_id=thread.id,
            role="user",
            content=user_input,
        )
        run = project_client.agents.create_and_process_run(
            thread_id=thread.id, agent_id=agent.id
        )
        messages = project_client.agents.list_messages(thread_id=thread.id)
        print(f"# Agent: {messages.data[0].content[0].text.value}")


if __name__ == "__main__":
    asyncio.run(main())

Core concepts

Mayroon ang Azure AI Agent Service ng mga sumusunod na core concepts:

Use Cases: Dinisenyo ang Azure AI Agent Service para sa mga enterprise application na nangangailangan ng secure, scalable, at flexible na pag-deploy ng mga AI agent.

What’s the difference between these approaches?

Mukhang may overlap, ngunit may ilang mahahalagang pagkakaiba sa mga tuntunin ng kanilang disenyo, kakayahan, at target na mga use case:

Hindi pa rin sigurado kung alin ang pipiliin?

Use Cases

Subukan nating tulungan ka sa pamamagitan ng pagdaan sa ilang mga karaniwang use case:

Q: Gumagawa ako ng production AI agent applications at gusto kong magsimula nang mabilis

A: Magandang pagpipilian ang Microsoft Agent Framework. Nagbibigay ito ng isang simple, Pythonic na API via AzureAIProjectAgentProvider na nagpapahintulot sa iyo na mag-defina ng mga agent na may mga tool at instructions sa ilang linya ng code.

Q: Kailangan ko ng enterprise-grade deployment na may Azure integrations tulad ng Search at code execution

A: Mas nababagay ang Azure AI Agent Service. Isa itong platform service na nagbibigay ng built-in na kakayahan para sa maraming modelo, Azure AI Search, Bing Search at Azure Functions. Pinapadali nito ang pagbuo ng iyong mga agent sa Foundry Portal at ang pag-deploy ng mga ito sa malakihang gamit.

Q: Nalilito pa rin ako, bigyan mo na lang ako ng isang opsyon

A: Magsimula sa Microsoft Agent Framework para buuin ang iyong mga agent, at pagkatapos ay gamitin ang Azure AI Agent Service kapag kailangan mong i-deploy at i-scale ang mga ito sa production. Pinahihintulutan ka ng pamamaraang ito na mag-iterate nang mabilis sa iyong agent logic habang may malinaw na landas patungo sa enterprise deployment.

Ibuod natin ang mga pangunahing pagkakaiba sa isang talahanayan:

Framework Focus Core Concepts Use Cases
Microsoft Agent Framework Streamlined agent SDK with tool calling Agents, Tools, Azure Identity Building AI agents, tool use, multi-step workflows
Azure AI Agent Service Flexible models, enterprise security, Code generation, Tool calling Modularity, Collaboration, Process Orchestration Secure, scalable, and flexible AI agent deployment

Can I integrate my existing Azure ecosystem tools directly, or do I need standalone solutions?

Ang sagot ay oo, maaari mong i-integrate nang direkta ang iyong kasalukuyang mga tool sa Azure ecosystem sa Azure AI Agent Service, lalo na dahil ito ay binuo upang gumana nang maayos kasama ang iba pang mga serbisyo ng Azure. Halimbawa, maaari mong i-integrate ang Bing, Azure AI Search, at Azure Functions. Mayroon ding malalim na integrasyon sa Microsoft Foundry.

Ang Microsoft Agent Framework ay nag-iintegrate din sa mga serbisyo ng Azure sa pamamagitan ng AzureAIProjectAgentProvider at Azure identity, na nagbibigay-daan sa iyo na tawagan ang mga serbisyo ng Azure nang direkta mula sa iyong mga tool ng agent.

Mga Halimbawang Code

May iba ka pa bang mga tanong tungkol sa AI Agent Frameworks?

Sumali sa Microsoft Foundry Discord para makipagkita sa iba pang mga nag-aaral, dumalo sa office hours, at masagot ang iyong mga tanong tungkol sa AI Agents.

Mga Sanggunian

Nakaraang Aralin

Panimula sa AI Agents at Mga Kaso ng Paggamit

Susunod na Aralin

Pag-unawa sa Agentic Design Patterns

Pagtanggi ng pananagutan: Ang dokumentong ito ay naisalin gamit ang serbisyong pagsasalin na pinapagana ng AI na Co-op Translator. Bagaman nagsusumikap kami para sa katumpakan, pakitandaan na ang mga awtomatikong salin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatumpak. Ang orihinal na dokumento sa orihinal nitong wika ang dapat ituring na pinagmumulan ng opisyal na impormasyon. Para sa mahahalagang impormasyon, inirerekomenda ang propesyonal na pagsasaling ginagawa ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na magmula sa paggamit ng pagsasaling ito.

This site is open source. Improve this page.