ai-agents-for-beginners

مائیکروسافٹ ایجنٹ فریم ورک کا جائزہ

ایجنٹ فریم ورک

تعارف

اس سبق میں شامل ہے:

سیکھنے کے اہداف

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

کوڈ کے نمونے

مائیکروسافٹ ایجنٹ فریم ورک (MAF) کے کوڈ کے نمونے اس ریپوزٹری میں xx-python-agent-framework اور xx-dotnet-agent-framework فائلز کے تحت دستیاب ہیں۔

مائیکروسافٹ ایجنٹ فریم ورک کو سمجھنا

فریم ورک تعارف

مائیکروسافٹ ایجنٹ فریم ورک (MAF) سیمینٹک کرنل اور آٹو جن سے حاصل کردہ تجربات اور سیکھنے پر مبنی ہے۔ یہ پروڈکشن اور تحقیق کے ماحول میں مختلف ایجنٹک استعمال کے کیسز کو حل کرنے کے لیے لچک فراہم کرتا ہے، جن میں شامل ہیں:

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

مائیکروسافٹ ایجنٹ فریم ورک انٹرآپریبل ہونے پر بھی توجہ مرکوز کرتا ہے:

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

مائیکروسافٹ ایجنٹ فریم ورک کے بنیادی تصورات

ایجنٹس

ایجنٹ فریم ورک

ایجنٹس بنانا

ایجنٹ کی تخلیق انفرینس سروس (LLM پرووائیڈر)، AI ایجنٹ کے لیے ہدایات کا ایک سیٹ، اور ایک تفویض کردہ name کی وضاحت کے ذریعے کی جاتی ہے:

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

اوپر دی گئی مثال Azure OpenAI استعمال کر رہی ہے، لیکن ایجنٹس مختلف سروسز کے ذریعے بنائے جا سکتے ہیں، بشمول Azure AI 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 ریموٹ ایجنٹس A2A پروٹوکول کے ذریعے:

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

ایجنٹس چلانا

ایجنٹس کو .run یا .run_stream طریقوں کے ذریعے چلایا جاتا ہے، جو غیر اسٹریمنگ یا اسٹریمنگ جوابات کے لیے استعمال ہوتے ہیں۔

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 پیرامیٹرز کو حسب ضرورت بنانے کے اختیارات بھی ہو سکتے ہیں، جیسے max_tokens جو ایجنٹ استعمال کرتا ہے، tools جو ایجنٹ کال کر سکتا ہے، اور یہاں تک کہ ایجنٹ کے لیے استعمال ہونے والا model۔

یہ ان صورتوں میں مفید ہے جہاں مخصوص ماڈلز یا ٹولز صارف کے کام کو مکمل کرنے کے لیے ضروری ہوں۔

ٹولز

ٹولز ایجنٹ کی تعریف کرتے وقت بھی بیان 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." 


# When creating a ChatAgent directly 

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

اور ایجنٹ کو چلانے کے وقت بھی:


result1 = await agent.run( "What's the best place to visit in Seattle?", tools=[get_attractions] # Tool provided for this run only )

ایجنٹ تھریڈز

ایجنٹ تھریڈز کثیر موڑ گفتگو کو سنبھالنے کے لیے استعمال ہوتے ہیں۔ تھریڈز یا تو:

تھریڈ بنانے کے لیے کوڈ کچھ یوں ہوگا:

# Create a new thread. 
thread = agent.get_new_thread() # Run the agent with the thread. 
response = await agent.run("Hello, I am here to help you book travel. Where would you like to go?", thread=thread)

آپ تھریڈ کو بعد میں استعمال کے لیے محفوظ کرنے کے لیے سیریلائز بھی کر سکتے ہیں:

# Create a new thread. 
thread = agent.get_new_thread() 

# Run the agent with the thread. 

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

# Serialize the thread for storage. 

serialized_thread = await thread.serialize() 

# Deserialize the thread state after loading from storage. 

resumed_thread = await agent.deserialize_thread(serialized_thread)

ایجنٹ مڈل ویئر

ایجنٹس ٹولز اور LLMs کے ساتھ تعامل کرتے ہیں تاکہ صارف کے کام مکمل کر سکیں۔ کچھ منظرناموں میں، ہم ان تعاملات کے درمیان عملدرآمد یا ٹریک کرنا چاہتے ہیں۔ ایجنٹ مڈل ویئر ہمیں یہ کرنے کی اجازت دیتا ہے:

فنکشن مڈل ویئر

یہ مڈل ویئر ہمیں ایجنٹ اور فنکشن/ٹول کے درمیان ایک عمل انجام دینے کی اجازت دیتا ہے جسے وہ کال کرنے والا ہے۔ ایک مثال یہ ہو سکتی ہے کہ آپ فنکشن کال پر کچھ لاگنگ کرنا چاہتے ہیں۔

نیچے دیے گئے کوڈ میں next یہ طے کرتا ہے کہ آیا اگلا مڈل ویئر یا اصل فنکشن کال کیا جائے۔

async def logging_function_middleware(
    context: FunctionInvocationContext,
    next: Callable[[FunctionInvocationContext], Awaitable[None]],
) -> None:
    """Function middleware that logs function execution."""
    # Pre-processing: Log before function execution
    print(f"[Function] Calling {context.function.name}")

    # Continue to next middleware or function execution
    await next(context)

    # Post-processing: Log after function execution
    print(f"[Function] {context.function.name} completed")

چیٹ مڈل ویئر

یہ مڈل ویئر ہمیں ایجنٹ اور LLM کے درمیان درخواستوں کے درمیان ایک عمل انجام دینے یا لاگ کرنے کی اجازت دیتا ہے۔

یہ اہم معلومات پر مشتمل ہوتا ہے، جیسے 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."""
    # Pre-processing: Log before AI call
    print(f"[Chat] Sending {len(context.messages)} messages to AI")

    # Continue to next middleware or AI service
    await next(context)

    # Post-processing: Log after AI response
    print("[Chat] AI response received")

ایجنٹ میموری

جیسا کہ Agentic Memory سبق میں شامل کیا گیا ہے، میموری ایجنٹ کو مختلف سیاق و سباق میں کام کرنے کے قابل بنانے کے لیے ایک اہم عنصر ہے۔ MAF مختلف قسم کی میموریز پیش کرتا ہے:

ان-میموری اسٹوریج

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

# Create a new thread. 
thread = agent.get_new_thread() # Run the agent with the thread. 
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 دوران گفتگو کی تاریخ کو محفوظ کرنے کے لیے استعمال ہوتی ہے۔ یہ chat_message_store_factory کے ذریعے بیان کی جاتی ہے:

from agent_framework import ChatMessageStore

# Create a custom message store
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 کو چلانے سے پہلے سیاق و سباق میں شامل کی جاتی ہے۔ یہ میموریز بیرونی سروسز جیسے mem0 میں محفوظ کی جا سکتی ہیں:

from agent_framework.mem0 import Mem0Provider

# Using Mem0 for advanced memory capabilities
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 مشاہدہ پذیری

مشاہدہ پذیری قابل اعتماد اور قابل دیکھ بھال ایجنٹک سسٹمز بنانے کے لیے اہم ہے۔ MAF اوپن ٹیلیمیٹری کے ساتھ انضمام کرتا ہے تاکہ بہتر مشاہدہ پذیری کے لیے ٹریسنگ اور میٹرز فراہم کیے جا سکیں۔

from agent_framework.observability import get_tracer, get_meter

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

ورک فلو

MAF ایسے ورک فلو پیش کرتا ہے جو پہلے سے بیان کردہ مراحل پر مشتمل ہوتے ہیں تاکہ ایک کام مکمل کیا جا سکے اور ان مراحل میں AI ایجنٹس کو اجزاء کے طور پر شامل کیا جا سکے۔

ورک فلو مختلف اجزاء پر مشتمل ہوتے ہیں جو بہتر کنٹرول فلو کی اجازت دیتے ہیں۔ ورک فلو ملٹی ایجنٹ آرکیسٹریشن اور چیک پوائنٹنگ کو بھی فعال کرتے ہیں تاکہ ورک فلو کی حالت محفوظ کی جا سکے۔

ورک فلو کے بنیادی اجزاء ہیں:

ایگزیکیوٹرز

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

ایجز

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

براہ راست ایجز - ایگزیکیوٹرز کے درمیان سادہ ایک سے ایک کنکشن:

from agent_framework import WorkflowBuilder

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

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

سوئچ-کیس ایجز - پیغامات کو بیان کردہ شرائط کی بنیاد پر مختلف ایگزیکیوٹرز کی طرف بھیجتے ہیں۔ مثال کے طور پر، اگر سفر کرنے والے صارف کو ترجیحی رسائی حاصل ہو، تو ان کے کام کو دوسرے ورک فلو کے ذریعے سنبھالا جائے گا۔

فین-آؤٹ ایجز - ایک پیغام کو متعدد اہداف پر بھیجتے ہیں۔

فین-ان ایجز - مختلف ایگزیکیوٹرز سے متعدد پیغامات جمع کرتے ہیں اور ایک ہدف پر بھیجتے ہیں۔

ایونٹس

ورک فلو میں بہتر مشاہدہ پذیری فراہم کرنے کے لیے، MAF ایگزیکیوشن کے لیے بلٹ ان ایونٹس پیش کرتا ہے، جن میں شامل ہیں:

دیگر فریم ورکس سے منتقلی (سیمینٹک کرنل اور آٹو جن)

MAF اور سیمینٹک کرنل کے درمیان فرق

ایجنٹ تخلیق کو آسان بنانا

سیمینٹک کرنل ہر ایجنٹ کے لیے ایک کرنل انسٹینس بنانے پر انحصار کرتا ہے۔ MAF ایک آسان طریقہ استعمال کرتا ہے، جو اہم پرووائیڈرز کے لیے ایکسٹینشنز استعمال کرتا ہے۔

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

ایجنٹ تھریڈ تخلیق

سیمینٹک کرنل میں تھریڈز کو دستی طور پر تخلیق کرنا ضروری ہوتا ہے۔ MAF میں، ایجنٹ کو براہ راست ایک تھریڈ تفویض کیا جاتا ہے۔

thread = agent.get_new_thread() # Run the agent with the thread.

ٹول رجسٹریشن

سیمینٹک کرنل میں، ٹولز کرنل میں رجسٹر کیے جاتے ہیں اور پھر کرنل کو ایجنٹ کے پاس منتقل کیا جاتا ہے۔ MAF میں، ٹولز ایجنٹ کی تخلیق کے عمل کے دوران براہ راست رجسٹر کیے جاتے ہیں۔

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

MAF اور آٹو جن کے درمیان فرق

ٹیمز بمقابلہ ورک فلو

Teams آٹو جن میں ایجنٹس کے ساتھ ایونٹ ڈرائیون سرگرمی کے لیے ایونٹ اسٹرکچر ہیں۔ MAF Workflows استعمال کرتا ہے، جو ڈیٹا کو ایگزیکیوٹرز کے لیے گراف پر مبنی آرکیٹیکچر کے ذریعے روٹ کرتا ہے۔

ٹول تخلیق

آٹو جن FunctionTool استعمال کرتا ہے تاکہ ایجنٹس کے لیے فنکشنز کو کال کرنے کے لیے لپیٹ سکے۔ MAF @ai_function استعمال کرتا ہے، جو اسی طرح کام کرتا ہے لیکن ہر فنکشن کے لیے اسکیمز کو خود بخود اخذ بھی کرتا ہے۔

ایجنٹ رویہ

آٹو جن میں ایجنٹس ڈیفالٹ کے طور پر سنگل-ٹرن ایجنٹس ہوتے ہیں، جب تک کہ max_tool_iterations کو زیادہ نہ سیٹ کیا جائے۔ MAF میں ChatAgent ڈیفالٹ کے طور پر ملٹی-ٹرن ہوتا ہے، یعنی یہ صارف کے کام مکمل ہونے تک ٹولز کو کال کرتا رہے گا۔

کوڈ کے نمونے

مائیکروسافٹ ایجنٹ فریم ورک کے کوڈ کے نمونے اس ریپوزٹری میں xx-python-agent-framework اور xx-dotnet-agent-framework فائلز کے تحت دستیاب ہیں۔

مائیکروسافٹ ایجنٹ فریم ورک کے بارے میں مزید سوالات ہیں؟

Azure AI Foundry Discord میں شامل ہوں تاکہ دیگر سیکھنے والوں سے ملاقات کریں، آفس آورز میں شرکت کریں، اور اپنے AI ایجنٹس کے سوالات کے جوابات حاصل کریں۔

ڈسکلیمر:
یہ دستاویز AI ترجمہ سروس Co-op Translator کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا غیر درستیاں ہو سکتی ہیں۔ اصل دستاویز کو اس کی اصل زبان میں مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ ہم اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے ذمہ دار نہیں ہیں۔

This site is open source. Improve this page.