ai-agents-for-beginners

مائیکروسافٹ ایجنٹ فریم ورک کا جائزہ

ایجنٹ فریم ورک

تعارف

یہ سبق درج ذیل موضوعات کا احاطہ کرے گا:

تعلیمی مقاصد

اس سبق کو مکمل کرنے کے بعد، آپ جان سکیں گے کہ:

کوڈ کے نمونے

اس ریپوزیٹری میں Microsoft Agent Framework (MAF) کے کوڈ کے نمونے xx-python-agent-framework اور xx-dotnet-agent-framework فائلوں کے تحت مل سکتے ہیں۔

مائیکروسافٹ ایجنٹ فریم ورک کو سمجھنا

فریم ورک کا تعارف

مائیکروسافٹ ایجنٹ فریم ورک (MAF) AI ایجنٹس بنانے کے لیے مائیکروسافٹ کا متحد فریم ورک ہے۔ یہ پیداوار اور تحقیق کے دونوں ماحول میں دیکھی جانے والی ایجنٹک استعمال کے معاملات کی وسیع اقسام کو حل کرنے کی لچک فراہم کرتا ہے جن میں شامل ہیں:

پیداوار میں AI ایجنٹس فراہم کرنے کے لیے، MAF میں درج ذیل خصوصیات بھی شامل ہیں:

مائیکروسافٹ ایجنٹ فریم ورک بین الاعملیت (interoperability) پر بھی مرکوز ہے، بشمول:

آئیے دیکھتے ہیں کہ یہ خصوصیات مائیکروسافٹ ایجنٹ فریم ورک کے کچھ بنیادی تصورات پر کیسے لاگو ہوتی ہیں۔

مائیکروسافٹ ایجنٹ فریم ورک کے کلیدی تصورات

ایجنٹس

ایجنٹ فریم ورک

ایجنٹس بنانا

ایجنٹ کی تخلیق اس طرح کی جاتی ہے کہ استنتاجی سروس (LLM Provider)، AI ایجنٹ کے اتباع کے لیے ہدایات کا مجموعہ، اور تفویض کردہ name کی تعریف کی جائے:

agent = AzureOpenAIChatClient(credential=AzureCliCredential()).create_agent( instructions="You are good at recommending trips to customers based on their preferences.", name="TripRecommender" )

مذکورہ بالا Azure OpenAI استعمال کر رہا ہے لیکن ایجنٹس مختلف سروسز استعمال کرتے ہوئے بنائے جا سکتے ہیں بشمول Microsoft Foundry Agent Service:

AzureAIAgentClient(async_credential=credential).create_agent( name="HelperAgent", instructions="You are a helpful assistant." ) as agent

OpenAI Responses, ChatCompletion APIs

agent = OpenAIResponsesClient().create_agent( name="WeatherBot", instructions="You are a helpful weather assistant.", )

agent = OpenAIChatClient().create_agent( name="HelpfulAssistant", instructions="You are a helpful assistant.", )

یا A2A پروٹوکول استعمال کرتے ہوئے ریموٹ ایجنٹس:

agent = A2AAgent( name=agent_card.name, description=agent_card.description, agent_card=agent_card, url="https://your-a2a-agent-host" )

ایجنٹس چلانا

ایجنٹس کو غیر-اسٹریمنگ یا اسٹریمنگ جوابات کے لیے .run یا .run_stream میتھڈز کے ذریعے چلایا جاتا ہے۔

result = await agent.run("What are good places to visit in Amsterdam?")
print(result.text)

async for update in agent.run_stream("What are the good places to visit in Amsterdam?"):
    if update.text:
        print(update.text, end="", flush=True)

ہر ایجنٹ رن میں اختیارات بھی ہوسکتے ہیں تاکہ ایسے پیرامیٹرز کو حسبِ ضرورت بنایا جا سکے جیسے ایجنٹ کے ذریعہ استعمال ہونے والا max_tokens, وہ tools جو ایجنٹ کال کر سکتا ہے، اور یہاں تک کہ خود model جو ایجنٹ کے لیے استعمال ہوتا ہے۔

یہ اُن صورتوں میں مفید ہے جہاں مخصوص ماڈلز یا ٹولز ضروری ہوں کسی صارف کے ٹاسک کو مکمل کرنے کے لیے۔

ٹولز

ٹولز ایجنٹ کی تعریف کرتے وقت بھی متعین کیے جا سکتے ہیں:

def get_attractions( location: Annotated[str, Field(description="The location to get the top tourist attractions for")], ) -> str: """Get the top tourist attractions for a given location.""" return f"The top attractions for {location} are." 


# جب براہِ راست ChatAgent بنایا جائے

agent = ChatAgent( chat_client=OpenAIChatClient(), instructions="You are a helpful assistant", tools=[get_attractions]

اور ایجنٹ چلانے کے وقت بھی:


result1 = await agent.run( "What's the best place to visit in Seattle?", tools=[get_attractions] # صرف اس رن کے لیے فراہم کردہ ٹول )

ایجنٹ تھریڈز

ایجنٹ تھریڈز کو ملٹی ٹرن گفتگوؤں کو سنبھالنے کے لیے استعمال کیا جاتا ہے۔ تھریڈز درج ذیل طریقوں سے بنائے جا سکتے ہیں:

تھریڈ بنانے کے لیے کوڈ کچھ یوں دکھائی دیتا ہے:

# ایک نیا تھریڈ بنائیں۔
thread = agent.get_new_thread() # ایجنٹ کو تھریڈ کے ساتھ چلائیں۔
response = await agent.run("Hello, I am here to help you book travel. Where would you like to go?", thread=thread)

آپ پھر تھریڈ کو بعد میں استعمال کے لیے محفوظ کرنے کے لیے سیریئلائز کر سکتے ہیں:

# ایک نیا تھریڈ بنائیں۔
thread = agent.get_new_thread() 

# ایجنٹ کو اس تھریڈ کے ساتھ چلائیں۔

response = await agent.run("Hello, how are you?", thread=thread) 

# تھریڈ کو ذخیرہ کرنے کے لیے سیریلائز کریں۔

serialized_thread = await thread.serialize() 

# ذخیرہ سے لوڈ کرنے کے بعد تھریڈ کی حالت کو ڈیسریلائز کریں۔

resumed_thread = await agent.deserialize_thread(serialized_thread)

ایجنٹ مڈل ویئر

ایجنٹس صارف کے کام مکمل کرنے کے لیے ٹولز اور LLMs کے ساتھ تعامل کرتے ہیں۔ بعض حالات میں، ہم ان تعاملات کے درمیان کچھ کارروائی انجام دینا یا ان کا سراغ لگانا چاہتے ہیں۔ ایجنٹ مڈل ویئر ہمیں یہ کرنے کے قابل بناتا ہے:

فنکشن مڈل ویئر

یہ مڈل ویئر ایجنٹ اور کسی فنکشن/ٹول کے درمیان ایکشن انجام دینے کی اجازت دیتا ہے جو وہ کال کریگا۔ جب آپ فنکشن کال پر لاگنگ کرنا چاہیں تو اس کا استعمال مفید ہوتا ہے۔

ذیل کے کوڈ میں next بتاتا ہے کہ اگلا مڈل ویئر کال ہونا چاہیے یا حقیقی فنکشن کو کال کیا جانا چاہیے۔

async def logging_function_middleware(
    context: FunctionInvocationContext,
    next: Callable[[FunctionInvocationContext], Awaitable[None]],
) -> None:
    """Function middleware that logs function execution."""
    # پری پروسیسنگ: فنکشن کے اجرا سے پہلے لاگ کریں
    print(f"[Function] Calling {context.function.name}")

    # اگلے مڈل ویئر یا فنکشن کے اجرا کی طرف جاری رکھیں
    await next(context)

    # پوسٹ پروسیسنگ: فنکشن کے اجرا کے بعد لاگ کریں
    print(f"[Function] {context.function.name} completed")

چیٹ مڈل ویئر

یہ مڈل ویئر ہمیں ایجنٹ اور LLM کے درمیان درخواستوں کے درمیان کوئی کارروائی انجام دینے یا لاگ کرنے کے قابل بناتا ہے۔

اس میں اہم معلومات شامل ہوتی ہیں جیسے وہ messages جو AI سروس کو بھیجے جا رہے ہیں۔

async def logging_chat_middleware(
    context: ChatContext,
    next: Callable[[ChatContext], Awaitable[None]],
) -> None:
    """Chat middleware that logs AI interactions."""
    # پری پروسیسنگ: اے آئی کال سے پہلے لاگ کریں
    print(f"[Chat] Sending {len(context.messages)} messages to AI")

    # اگلے مڈل ویئر یا اے آئی سروس پر جاری رکھیں
    await next(context)

    # پوسٹ پروسیسنگ: اے آئی کے جواب کے بعد لاگ کریں
    print("[Chat] AI response received")

ایجنٹ میموری

جیسا کہ Agentic Memory سبق میں بیان کیا گیا، میموری ایجنٹ کو مختلف سیاق و سباق میں کام کرنے کے قابل بنانے کا ایک اہم عنصر ہے۔ MAF مختلف اقسام کی میموری فراہم کرتا ہے:

ان-میموری اسٹوریج

یہ وہ میموری ہے جو ایپلیکیشن رن ٹائم کے دوران تھریڈز میں محفوظ ہوتی ہے۔

# ایک نیا تھریڈ بنائیں۔
thread = agent.get_new_thread() # ایجنٹ کو تھریڈ کے ساتھ چلائیں۔
response = await agent.run("Hello, I am here to help you book travel. Where would you like to go?", thread=thread)

مستقل پیغامات

یہ میموری مختلف سیشنز کے درمیان گفتگو کی تاریخ محفوظ کرنے کے لیے استعمال ہوتی ہے۔ اسے chat_message_store_factory کا استعمال کرکے تعریف کیا جاتا ہے:

from agent_framework import ChatMessageStore

# ایک حسبِ ضرورت پیغام اسٹور بنائیں
def create_message_store():
    return ChatMessageStore()

agent = ChatAgent(
    chat_client=OpenAIChatClient(),
    instructions="You are a Travel assistant.",
    chat_message_store_factory=create_message_store
)

ڈائنامک میموری

یہ میموری ایجنٹس چلانے سے پہلے سیاق و سباق میں شامل کی جاتی ہے۔ یہ میموری بیرونی سروسز جیسے mem0 میں محفوظ کی جا سکتی ہے:

from agent_framework.mem0 import Mem0Provider

# جدید میموری صلاحیتوں کے لیے Mem0 کا استعمال
memory_provider = Mem0Provider(
    api_key="your-mem0-api-key",
    user_id="user_123",
    application_id="my_app"
)

agent = ChatAgent(
    chat_client=OpenAIChatClient(),
    instructions="You are a helpful assistant with memory.",
    context_providers=memory_provider
)

ایجنٹ آبزروبیلیٹی

قابلِ اعتماد اور قابلِ دیکھ بھال ایجنٹک سسٹمز بنانے کے لیے آبزروبیلیٹی ضروری ہے۔ MAF بہتر آبزروبیلیٹی کے لیے ٹریسنگ اور میٹرز فراہم کرنے کے لیے OpenTelemetry کے ساتھ مربوط ہوتا ہے۔

from agent_framework.observability import get_tracer, get_meter

tracer = get_tracer()
meter = get_meter()
with tracer.start_as_current_span("my_custom_span"):
    # کچھ کریں
    pass
counter = meter.create_counter("my_custom_counter")
counter.add(1, {"key": "value"})

ورک فلو

MAF ایسے ورک فلو فراہم کرتا ہے جو کسی ٹاسک کو مکمل کرنے کے لیے پہلے سے متعین مراحل ہوتے ہیں اور ان مراحل میں AI ایجنٹس کو اجزاء کے طور پر شامل کیا جاتا ہے۔

ورک فلو مختلف اجزاء پر مشتمل ہوتے ہیں جو بہتر کنٹرول فلو کی اجازت دیتے ہیں۔ ورک فلو کثیر ایجنٹ آرکسٹریشن اور چیک پوائنٹنگ کو بھی ممکن بناتے ہیں تاکہ ورک فلو اسٹیٹس محفوظ کیے جا سکیں۔

ورک فلو کے بنیادی اجزاء ہیں:

ایگزیکیوٹرز

ایگزیکیوٹرز ان پٹ پیغامات وصول کرتے ہیں، اپنے تفویض کردہ کام انجام دیتے ہیں، اور پھر ایک آؤٹ پٹ پیغام پیدا کرتے ہیں۔ یہ ورک فلو کو بڑے ٹاسک کی تکمیل کی سمت آگے بڑھاتا ہے۔ ایگزیکیوٹرز AI ایجنٹ یا کسٹم لاجک ہو سکتے ہیں۔

ایجز

ایجز ورک فلو میں پیغامات کے بہاؤ کی تعریف کرنے کے لیے استعمال ہوتے ہیں۔ یہ ہو سکتے ہیں:

ڈائریکٹ ایجز - ایگزیکیوٹرز کے درمیان سادہ ایک سے ایک کنیکشنز:

from agent_framework import WorkflowBuilder

builder = WorkflowBuilder()
builder.add_edge(source_executor, target_executor)
builder.set_start_executor(source_executor)
workflow = builder.build()

کنڈیشنل ایجز - مخصوص شرط پوری ہونے کے بعد فعال ہوتے ہیں۔ مثال کے طور پر، جب ہوٹل کے کمرے دستیاب نہ ہوں، ایک ایگزیکیوٹر دوسرے اختیارات تجویز کر سکتا ہے۔

سوئچ-کیس ایجز - متعین شرائط کی بنیاد پر پیغامات کو مختلف ایگزیکیوٹرز کی طرف بھیجتے ہیں۔ مثال کے طور پر، اگر سفر کا صارف ترجیحی رسائی رکھتا ہے تو ان کے ٹاسکس کسی دوسرے ورک فلو کے ذریعے سنبھالے جائیں گے۔

فین-آؤٹ ایجز - ایک پیغام کو متعدد ہدفوں کو بھیجیں۔

فین-ان ایجز - مختلف ایگزیکیوٹرز سے متعدد پیغامات جمع کریں اور ایک ہدف کو بھیجیں۔

ایونٹس

ورک فلو میں بہتر آبزروبیلیٹی فراہم کرنے کے لیے، MAF عملدرآمد کے لیے بلٹ اِن ایونٹس پیش کرتا ہے جن میں شامل ہیں:

ایڈوانسڈ MAF پیٹرنز

اوپر کے حصے مائیکروسافٹ ایجنٹ فریم ورک کے کلیدی تصورات کا احاطہ کرتے ہیں۔ جیسے جیسے آپ مزید پیچیدہ ایجنٹس بنائیں گے، ذیل میں کچھ ایڈوانسڈ پیٹرنز ہیں جن پر غور کیا جا سکتا ہے:

کوڈ کے نمونے

اس ریپوزیٹری میں مائیکروسافٹ ایجنٹ فریم ورک کے کوڈ کے نمونے xx-python-agent-framework اور xx-dotnet-agent-framework فائلوں کے تحت مل سکتے ہیں۔

کیا آپ کو مائیکروسافٹ ایجنٹ فریم ورک کے بارے میں مزید سوالات ہیں؟

دیگر سیکھنے والوں سے ملنے، آفس آور میں شرکت کرنے اور اپنے AI ایجنٹس کے سوالات کے جواب حاصل کرنے کے لیے Microsoft Foundry Discord میں شامل ہوں۔

دستبرداری: یہ دستاویز AI ترجمہ سروس Co-op Translator کے ذریعے ترجمہ کی گئی ہے۔ اگرچہ ہم درستگی کی کوشش کرتے ہیں، براہِ کرم نوٹ کریں کہ خودکار تراجم میں غلطیاں یا عدمِ درستی ہو سکتی ہے۔ اصل دستاویز کو اس کی مادری زبان میں مستند ماخذ سمجھا جانا چاہیے۔ اہم معلومات کے لیے پیشہ ورانہ انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تعبیر کے لیے ہم ذمہ دار نہیں ہیں۔

This site is open source. Improve this page.