ai-agents-for-beginners
(Клікніть на зображення вище, щоб переглянути відео цього уроку)
Вступ до AI агентів і випадки використання агентів
Ласкаво просимо на курс AI агенти для початківців! Цей курс дає вам базові знання — і реальний робочий код — щоб почати будувати AI агентів з нуля.
Завітайте у спільноту Azure AI у Discord — там багато учнів і розробників AI, які радо відповідають на питання.
Перш ніж почати будувати, упевнимося, що ми справді розуміємо, що таке AI агент і коли доцільно його використовувати.
Вступ
Цей урок охоплює:
- Що таке AI агенти та які різні типи існують
- Для яких завдань AI агенти найбільш підходять
- Основні будівельні блоки, які ви використовуватимете при проєктуванні агентського рішення
Цілі навчання
Наприкінці цього уроку ви зможете:
- Пояснити, що таке AI агент і чим він відрізняється від звичайного AI рішення
- Знати, коли варто використовувати AI агента (а коли ні)
- Накреслити базовий дизайн агентського рішення для реальної проблеми
Визначення AI агентів і типи AI агентів
Що таке AI агенти?
Ось простий спосіб це уявити:
AI агенти — це системи, які дозволяють великим мовним моделям (LLM) реально робити речі — надаючи їм інструменти й знання для взаємодії зі світом, а не лише відповідаючи на запити.
Розглянемо детальніше:
- Система — AI агент — це не просто одна річ. Це збірка частин, що працюють разом. У основі кожного агента три складові:
- Середовище — Простір, у якому агент працює. Для агента з бронювання подорожей це буде сама платформа для бронювання.
- Сенсори — Як агент зчитує поточний стан свого середовища. Наш подорожній агент міг би перевіряти доступність готелів чи ціни на авіаквитки.
- Актуатори — Як агент виконує дії. Агент може забронювати номер, надіслати підтвердження або скасувати резервацію.
-
Великі мовні моделі — Агенти існували до появи LLM, але саме LLM роблять сучасних агентів такими потужними. Вони розуміють природну мову, аналізують контекст і можуть перетворювати розпливчасті запити користувача на конкретний план дій.
-
Виконувати дії — Без агентської системи LLM лише генерує текст. В агентській системі LLM може виконувати кроки — шукати в базі даних, викликати API, надсилати повідомлення.
-
Доступ до інструментів — Якими інструментами може користуватися агент залежить від (1) середовища, в якому він працює, і (2) що розробник вирішив йому надати. Подорожній агент може вміти шукати авіарейси, але не редагувати записи клієнтів — все залежить від підключених можливостей.
-
Пам’ять і знання — Агенти можуть мати короткострокову пам’ять (поточна розмова) та довгострокову пам’ять (база даних клієнтів, минулі взаємодії). Подорожній агент “пам’ятатиме”, що ви надаєте перевагу місцям біля вікна.
Різні типи AI агентів
Не всі агенти побудовані однаково. Ось розподіл основних типів, використовуючи приклад агента з бронювання подорожей:
| Тип агента | Що він робить | Приклад агента з бронювання подорожей |
|---|---|---|
| Агенти з простими рефлексами | Діє за жорстко закодованими правилами — без пам’яті, без планування. | Бачить скаргу в електронній пошті → переадресовує її в службу підтримки. І все. |
| Агенти з рефлексами на основі моделі | Має внутрішню модель світу і оновлює її при зміні умов. | Відслідковує історичні ціни на авіаквитки і відмічає маршрути, що раптово стали дорогими. |
| Агенти з цілями | Має мету і поступово планує, як її досягти. | Бронює повну подорож (рейси, авто, готель) від вашого поточного місця до місця призначення. |
| Агенти з корисністю | Шукає не просто рішення, а найкраще рішення, зважуючи компроміси. | Балансує вартість і зручність, щоб знайти поїздку, що найкраще відповідає вашим вподобанням. |
| Навчаючі агенти | Покращуються з часом, навчаючись за відгуками. | Коригує майбутні рекомендації бронювання на основі опитувань після подорожі. |
| Ієрархічні агенти | Старший агент розбиває роботу на підзадачі і делегує їх нижчестоящим агентам. | Запит “скасувати поїздку” ділиться на: скасування рейсу, готелю, оренди авто — кожен підзапит обробляє під-агент. |
| Системи з кількома агентами (MAS) | Кілька незалежних агентів, які працюють разом (або конкурують). | Співпраця: окремі агенти опікуються готелями, рейсами та розвагами. Конкуренція: агенти конкурують за заповнення номерів у готелях за найкращою ціною. |
Коли використовувати AI агентів
Просто тому, що ви можете використати AI агента, це не означає, що завжди потрібно. Ось випадки, коли агенти справді показують свою силу:
- Відкриті задачі — Коли кроки для розв’язання проблеми неможливо запрограмувати заздалегідь. Треба, щоб LLM динамічно шукала шлях.
- Багатокрокові процеси — Завдання, що вимагають використання інструментів у кілька етапів, а не лише одного запиту чи генерації.
- Покращення з часом — Коли ви хочете, щоб система ставала розумнішою на основі відгуків користувачів або сигналів із середовища.
Ми детальніше розглянемо, коли (і коли не) варто використовувати AI агентів у уроці Побудова надійних AI агентів пізніше на курсі.
Основи агентських рішень
Розробка агента
Найперше, що ви робите при створенні агента — визначаєте що він може робити — його інструменти, дії і поведінку.
На цьому курсі ми використовуємо Microsoft Foundry Agent Service як основну платформу. Вона підтримує:
- Моделі від провайдерів, таких як OpenAI, Mistral, і Meta (Llama)
- Ліцензовані дані від провайдерів, таких як Tripadvisor
- Стандартизовані визначення інструментів через OpenAPI 3.0
Агентські патерни
Ви взаємодієте з LLM через підказки (prompts). З агентами не завжди можна вручну створювати кожну підказку — агент має виконувати дії у кілька етапів. Ось тут і допомагають Агентські патерни. Це повторно використовувані стратегії для формування підказок і оркестрації LLM більш масштабовано і надійно.
Цей курс побудовано навколо найпоширеніших і найкорисніших агентських патернів.
Агентські фреймворки
Агентські фреймворки дають розробникам готові шаблони, інструменти та інфраструктуру для побудови агентів. Вони полегшують:
- Підключення інструментів і можливостей
- Спостереження за тим, що робить агент (і налагодження помилок)
- Співпрацю між кількома агентами
У цьому курсі ми зосереджуємося на Microsoft Agent Framework (MAF) для створення агентів, готових до виробничого застосування.
Приклади коду
Готові побачити це в дії? Ось приклади коду для цього уроку:
- 🐍 Python: Agent Framework
- 🔷 .NET: Agent Framework
Є питання?
Приєднуйтесь до Microsoft Foundry Discord, щоб спілкуватися з іншими учнями, відвідувати консультації та отримувати відповіді на питання про AI агентів від спільноти.
Перевірка роботи агента (необов’язково)
Коли ви навчитеся розгортати агентів у Уроці 16, ви зможете додати швидку перевірку працездатності після розгортання для TravelAgent з цього уроку, використавши готовий каталог tests/lesson-01-smoke-tests.json. Детальніше дивіться у tests/README.md.
Попередній урок
Наступний урок
Відмова від відповідальності: Цей документ було перекладено за допомогою сервісу штучного інтелекту для перекладу Co-op Translator. Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ рідною мовою слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу.