ai-agents-for-beginners

Paggalugad sa mga AI Agent Framework

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

Galugarin ang mga AI Agent Framework

Ang mga AI agent framework ay mga plataporma ng software na dinisenyo upang gawing mas madali ang paggawa, pag-deploy, at pamamahala ng mga AI agent. Nagbibigay ang mga framework na ito sa mga developer ng mga pre-built na bahagi, abstraction, at mga kasangkapan na nagpapadali sa pagbuo ng mga komplikadong AI system.

Tinutulungan ng mga framework na ito ang mga developer na magpokus sa mga natatanging aspeto ng kanilang mga aplikasyon sa pamamagitan ng pagbibigay ng standardized na mga pamamaraan sa mga karaniwang hamon sa AI agent development. Pinapahusay nila ang scalability, accessibility, at kahusayan sa pagbuo ng mga AI system.

Panimula

Saklaw ng araling ito:

Mga Layunin sa Pagkatuto

Layunin ng araling ito na tulungan kang maunawaan:

Ano ang mga AI Agent Framework at ano ang kaya nitong gawin ng mga developer?

Maaaring makatulong ang mga tradisyunal na AI Framework upang maisama ang AI sa iyong mga app at pagandahin ang mga ito sa mga sumusunod na paraan:

Maganda ang lahat ng iyon, bakit nga ba kailangan natin ang AI Agent Framework?

Ang mga AI Agent framework ay higit pa sa mga AI framework lamang. Dinisenyo ang mga ito upang magpayagan ng paglikha ng matatalinong agent na maaaring makipag-ugnayan sa mga user, ibang agent, at sa kapaligiran upang makamit ang mga tiyak na layunin. Maaari silang magpakita ng autonomous na pag-uugali, gumawa ng mga desisyon, at mag-adapt sa pagbabago ng kalagayan. Tingnan natin ang ilang pangunahing kakayahan na pinapayagan ng AI Agent Frameworks:

Sa kabuuan, pinapayagan ka ng mga agent na gawin ang higit pa, dalhin ang automation sa mas mataas na antas, at lumikha ng mas matatalinong sistema na kayang mag-adapt at matuto mula sa kanilang kapaligiran.

Paano mabilis na makapag-prototype, mag-iterate, at pahusayin ang kakayahan ng agent?

Mabilis ang pagbabago sa larangang ito, ngunit may ilang mga bagay na karaniwan sa karamihan ng AI Agent Frameworks na makakatulong sa mabilisang pag-prototype at pag-iterate tulad ng module components, collaborative tools, at real-time learning. Talakayin natin ang mga ito:

Gamitin ang Modular na mga Bahagi

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

Paano ito magagamit ng mga koponan: Maaaring mabilis na pagsamahin ng mga koponan ang mga bahagi upang makabuo ng isang functional prototype nang hindi nagsisimula mula sa wala, na nagpapahintulot sa mabilisang eksperimento at pag-iterate.

Paano ito gumagana sa praktis: Maaari kang gumamit ng pre-built parser upang mag-extract ng 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 kinakailangang buuin ang mga bahaging ito mula sa simula.

Halimbawa ng code. Tingnan natin ang isang halimbawa kung paano mo magagamit ang Microsoft Agent Framework gamit ang FoundryChatClient upang tumugon ang model sa input ng user gamit ang tool calling:

# Microsoft Agent Framework Halimbawa sa Python

import asyncio
import os

from agent_framework import tool
from agent_framework.foundry import FoundryChatClient
from azure.identity import AzureCliCredential


# Tukuyin ang isang halimbawa ng tool function para mag-book ng biyahe
@tool(approval_mode="never_require")
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 = FoundryChatClient(
        project_endpoint=os.environ["AZURE_AI_PROJECT_ENDPOINT"],
        model=os.environ["AZURE_AI_MODEL_DEPLOYMENT_NAME"],
        credential=AzureCliCredential(),
    )
    agent = provider.as_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 sa halimbawang ito kung paano mo nagagamit ang pre-built parser upang kunin ang mahahalagang impormasyon mula sa input ng user, tulad ng pinagmulan, destinasyon, at petsa ng flight booking request. Pinapayagan ka ng modular na paraan na ito na magpokus sa high-level na lohika.

Gamitin ang mga Collaborative Tool

Pinapadali ng mga framework tulad ng Microsoft Agent Framework ang paglikha ng maramihang agent na maaaring magtulungan.

Paano ito magagamit ng mga koponan: Maaaring magdisenyo ang mga koponan ng mga agent na may tiyak na papel at mga gawain, na nagbibigay-daan upang matest at mapino ang mga collaborative workflow at mapabuti ang kabuuang kahusayan ng sistema.

Paano ito gumagana sa praktis: Maaari kang lumikha ng isang grupo ng mga agent kung saan bawat isa ay may espesyal na tungkulin, tulad ng data retrieval, analysis, o paggawa ng desisyon. Maaaring magkomunikasyon ang mga agent at magbahagi ng impormasyon upang makamit ang isang pangkalahatang layunin, tulad ng pagsagot sa tanong ng user o pagtapos ng isang gawain.

Halimbawa ng code (Microsoft Agent Framework):

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

import os
from agent_framework.foundry import FoundryChatClient
from azure.identity import AzureCliCredential

provider = FoundryChatClient(
    project_endpoint=os.environ["AZURE_AI_PROJECT_ENDPOINT"],
    model=os.environ["AZURE_AI_MODEL_DEPLOYMENT_NAME"],
    credential=AzureCliCredential(),
)

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

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

# Patakbuhin ang mga ahente nang sunod-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 mo sa naunang code kung paano gumawa ng isang gawain na humihingi ng pagtutulungan ng maramihang agent upang suriin ang data. Bawat agent ay gumaganap ng isang tiyak na tungkulin, at ang gawain ay isinasagawa sa pamamagitan ng koordinasyon ng mga agent upang makamit ang nais na resulta. Sa paggawa ng dedicated agents na may mga espesyal na papel, mapapabuti mo ang kahusayan at performance ng gawain.

Matuto nang Real-Time

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

Paano ito magagamit ng mga koponan: Maaaring magpatupad ang mga koponan ng mga feedback loop kung saan natututo ang mga agent mula sa mga interaksyon at inaayos ang kanilang pag-uugali nang dinamiko, na nagreresulta sa tuloy-tuloy na pagpapabuti at pagpino ng kakayahan.

Paano ito gumagana sa praktis: Maaaring suriin ng mga agent ang feedback ng user, data ng kapaligiran, at mga kinalabasan ng gawain upang i-update ang kanilang knowledge base, ayusin ang mga decision-making algorithm, at pahusayin ang performance sa paglipas ng panahon. Pinapayagan ng iteratibong prosesong ito sa pagkatuto ang mga agent na mag-adapt sa mga nagbabagong kalagayan at kagustuhan ng user, na nagpapahusay ng kabuuang epektibidad ng sistema.

Ano ang mga pagkakaiba ng Microsoft Agent Framework at Microsoft Foundry Agent Service?

Maraming paraan upang ihambing ang mga pamamaraang ito, ngunit tingnan natin ang ilang pangunahing pagkakaiba sa kanilang disenyo, kakayahan, at mga target na gamit:

Microsoft Agent Framework (MAF)

Nagbibigay ang Microsoft Agent Framework ng isang pinasimpleng SDK para sa paggawa ng AI agent gamit ang FoundryChatClient. Pinapayagan nito ang mga developer na gumawa ng mga agent na gumagamit ng Azure OpenAI models na may built-in na tool calling, conversation management, at enterprise-grade na seguridad sa pamamagitan ng Azure identity.

Mga Gamit: Pagbuo ng mga production-ready AI agent na may tool use, multi-step workflows, at mga senaryo ng enterprise integration.

Narito ang ilang mahahalagang pangunahing konsepto ng Microsoft Agent Framework:

Microsoft Foundry Agent Service

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

Nagbibigay ang Microsoft Foundry Agent Service ng mas malakas na mekanismo ng enterprise security at mga pamamaraan ng pag-iimbak ng data, kaya angkop ito para sa mga aplikasyon ng enterprise.

Gumagana ito kaagad sa Microsoft Agent Framework para sa pagbuo at pag-deploy ng mga agent.

Nasa Public Preview pa ang serbisyong ito at sumusuporta sa Python at C# para sa paggawa ng mga agent.

Sa paggamit ng Microsoft Foundry Agent Service Python SDK, maaari tayong gumawa 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 kasangkapan
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-5-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())

Mga Pangunahing Konsepto

May mga sumusunod na pangunahing konsepto ang Microsoft Foundry Agent Service:

Mga Gamit: Ang Microsoft Foundry Agent Service ay dinisenyo para sa mga enterprise application na nangangailangan ng secure, scalable, at flexible na pag-deploy ng AI agent.

Ano ang pagkakaiba ng mga pamamaraang ito?

Tunog parang magkakatulad sila, ngunit may ilang mahahalagang pagkakaiba sa kanilang disenyo, kakayahan, at mga target na gamit:

Hindi ka pa rin sigurado kung alin ang pipiliin?

Mga Gamit

Tingnan natin kung matutulungan ka namin sa pamamagitan ng pagdaan sa mga karaniwang gamit:

Q: Gumagawa ako ng production AI agent applications at gusto ko agad magsimula

A: Magandang pagpipilian ang Microsoft Agent Framework. Nagbibigay ito ng simple, Pythonic API sa pamamagitan ng FoundryChatClient na nagpapahintulot sa iyong magtakda ng mga agent na may mga tool at tagubilin sa loob ng ilang linya ng code lang.

Q: Kailangan ko ng enterprise-grade na pag-deploy na may mga Azure integration tulad ng Search at code execution

A: Ang Microsoft Foundry Agent Service ang pinakaangkop. Isa itong platform service na may built-in na kakayahan para sa maraming modelo, Azure AI Search, Bing Search, at Azure Functions. Pinapadali nito ang paggawa ng mga agent sa Foundry Portal at pag-deploy sa malaking sukat.

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

A: Magsimula ka sa Microsoft Agent Framework para gumawa ng mga agent, at gamitin ang Microsoft Foundry Agent Service kapag kailangan mong i-deploy at i-scale sa production. Pinapahintulutan ka nitong mabilis na mag-iterate sa iyong agent logic habang may malinaw na landas sa enterprise deployment.

Balikan natin ang mga pangunahing pagkakaiba sa isang talahanayan:

Framework Pokus Pangunahing Konsepto Mga Gamit
Microsoft Agent Framework Pinasimpleng agent SDK na may tool calling Mga Agent, Tool, Azure Identity Pagbuo ng AI agent, paggamit ng tool, multi-step workflow
Microsoft Foundry Agent Service Flexible na mga modelo, seguridad sa enterprise, code generation, tool calling Modularity, Pakikipagtulungan, Pag-oorganisa ng Proseso Secure, scalable, at flexible na pag-deploy ng AI agent

Maaari ko bang direktang gamitin ang mga kasangkapang Azure na meron na ako, o kailangan ko ba ng mga standalone na solusyon?

Ang sagot ay oo, maaari mong direktang isama ang iyong umiiral na Azure ecosystem tools sa Microsoft Foundry Agent Service lalo na, dahil ito ay ginawa upang gumana nang maayos kasama ang iba pang mga serbisyo ng Azure. Maaari mong isama ang Bing, Azure AI Search, at Azure Functions bilang halimbawa. Mayroon ding malalim na integrasyon sa Microsoft Foundry.

Ang Microsoft Agent Framework ay nag-iintegrate din sa Azure services sa pamamagitan ng FoundryChatClient at Azure identity, na nagpapahintulot sa iyo na tawagan ang mga Azure services nang direkta mula sa iyong mga tool ng ahente.

Mga Halimbawang Code

May Ibang Tanong Tungkol sa AI Agent Frameworks?

Sumali sa Microsoft Foundry Discord para makipagkita sa ibang mga nag-aaral, dumalo sa office hours, at makuha ang mga sagot sa iyong mga tanong tungkol sa AI Agents.

Mga Sanggunian

Nakaraang Aralin

Introduction to AI Agents and Agent Use Cases

Susunod na Aralin

Understanding Agentic Design Patterns

Pagtatanggi: Ang dokumentong ito ay isinalin gamit ang serbisyo ng AI translation na Co-op Translator. Bagama’t nagsusumikap kami para sa katumpakan, pakatandaan na ang awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa orihinal nitong wika ang dapat ituring na pangunahing sanggunian. Para sa mahahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang maling pagkakaintindi o maling interpretasyon na nagmula sa paggamit ng pagsasaling ito.

This site is open source. Improve this page.