ai-agents-for-beginners
(點擊上方圖片觀看本課程教學影片)
AI Agents 介紹及應用案例
歡迎來到「AI Agents 入門」課程！本課程提供構建 AI Agents 的基本知識及應用範例。
加入Azure AI Discord 社區，認識其他學習者及 AI Agent 開發者，並隨時提出關於本課程的任何問題。
要開始這個課程，我們先從更了解什麼是 AI Agents，以及如何在應用程式與工作流程中使用它們開始。
介紹
本課程內容涵蓋：
- 什麼是 AI Agents，以及不同類型的 Agents？
- 哪些使用案例最適合 AI Agents，它們如何幫助我們？
- 設計智能代理解決方案時的一些基本組成要素？
學習目標
完成本課程後，你應能：
- 理解 AI Agent 的概念及其與其他 AI 解決方案的差異。
- 更有效地應用 AI Agents。
- 為用戶和客戶高效設計智能代理解決方案。
定義 AI Agents 及 AI Agent 類型
什麼是 AI Agents？
AI Agents 是系統，使大型語言模型（LLMs）能夠透過為 LLMs 提供存取工具和知識來執行動作，從而擴展它們的能力。
讓我們將定義拆解成更小的部分：
- 系統 - 重要的是將 Agents 視為由多個組件構成的系統，而非單一元件。AI Agent 的基本組件包括：
- 環境 - AI Agent 運作的特定空間。舉例而言，若我們有一個旅遊訂票 AI Agent，環境可以是該 AI Agent 用以完成任務的旅遊訂票系統。
- 感測器 - 環境具備資訊並提供反饋。AI Agent 透過感測器蒐集並解讀目前環境狀態的資訊。在旅遊訂票 Agent 的例子中，旅遊訂票系統會提供如飯店房態或機票價格的資訊。
- 執行器 - 當 AI Agent 接收到當前環境狀態後，針對當前任務決定該執行何種動作以改變環境。旅遊訂票 Agent 可能會為使用者訂出可用的房間。
大型語言模型 - Agents 的概念早於 LLMs 出現。使用 LLMs 建構 AI Agents 的好處在於它們能理解人類語言與資料。這使 LLMs 能解讀環境資訊並擬定改變環境的計劃。
執行動作 - 在 AI Agent 系統外，LLMs 僅限於根據用戶提示產生內容或資訊。在 AI Agent 系統內，LLMs 能理解用戶需求，並運用環境中的工具完成任務。
存取工具 - LLM 可存取的工具受限於 1) 它所在的環境，2) AI Agent 的開發者。以旅遊 Agent 為例，其工具受限於訂票系統提供的操作，且開發者可限制 Agent 只能存取訂機票的工具。
記憶與知識 - 記憶可用於短期（用戶與 Agent 的對話上下文）。長期來看，除了環境提供資訊外，AI Agents 亦可從其他系統、服務、工具甚至其他 Agents 擷取知識。在旅遊 Agent 的例子中，這類知識可能是儲存在客戶資料庫中使用者的旅遊偏好。
AI Agent 的不同類型
現在我們已有 AI Agents 的基本定義，讓我們看看一些具體的代理類型，以及它們如何用於旅遊訂票 AI Agent。
| 代理類型 | 說明 | 範例 |
|---|---|---|
| 簡單反射代理 | 根據預定規則即時執行動作。 | 旅遊代理解讀郵件內容並將旅遊投訴轉交客服。 |
| 基於模型的反射代理 | 根據世界模型及該模型的變更執行動作。 | 旅遊代理根據歷史價格資料判定重要價錢變動的路線優先處理。 |
| 目標導向代理 | 透過解讀目標並判斷達成方法，制定計劃以實現具體目標。 | 旅遊代理根據起點與目的地，訂出所需的交通安排（車輛、大眾運輸、機票）。 |
| 效用導向代理 | 考慮偏好並用數值評估優劣取捨，以決定如何達成目標。 | 旅遊代理在訂票時衡量便利性與成本，最大化效用。 |
| 學習型代理 | 根據反饋持續改進並調整行動。 | 旅遊代理根據旅客回饋調查結果調整未來訂票策略。 |
| 階層型代理 | 由多個代理組成分層系統，較高層代理將任務拆分成子任務交由低層代理執行。 | 旅遊代理取消行程，將任務拆為子任務（例如取消各項預訂），並由低層代理完成後回報給高層代理。 |
| 多代理系統 (MAS) | 代理獨立完成任務，可合作或競爭。 | 合作：多個代理分別負責訂酒店、機票、娛樂等服務。競爭：多個代理管理並競爭共享飯店訂房日曆，爭取為客戶訂房。 |
何時使用 AI Agents
之前部分使用旅遊代理案例，說明不同代理類型如何應用於旅遊訂票中的各情境。課程將持續圍繞此應用。
我們來看看哪些使用案例最適合 AI Agents：
- 開放式問題 - 讓 LLM 決定完成任務所需的步驟，無法完全透過工作流程硬編碼。
- 多步程序 - 複雜任務需代理在多回合中運用工具或資訊，而非一次性取得。
- 持續改進 - 代理可透過來自環境或用戶的反饋持續優化，提供更佳效用。
我們在「建立值得信賴的 AI Agents」課程中，將更深入探討使用 AI Agents 的其他考量。
智能代理解決方案基礎
代理開發
設計 AI Agent 系統的首步是定義工具、行動與行為。本課程重點採用 Azure AI Agent Service 定義我們的 Agents。此服務具備功能如：
- 可選擇開放模型（OpenAI、Mistral、Llama）
- 使用授權資料，透過 Tripadvisor 等供應商
- 使用標準化 OpenAPI 3.0 工具
智能代理模式
與 LLMs 的溝通是透過提示詞。由於 AI Agents 半自動化特性，環境變動後並非總需或可人工重新提示 LLM。我們使用能讓 LLM 在多步驟中以更具擴展性方式被提示的智能代理模式。
本課程將介紹部分當前熱門的智能代理模式。
智能代理框架
智能代理框架讓開發者透過程式碼實作智能代理模式。這些框架提供範本、插件與工具，促進 AI Agents 更佳協作。此優勢帶來更強的觀察性及 AI Agent 系統故障排除能力。
本課程將探索微軟智能代理框架 (Microsoft Agent Framework, MAF)，用於建構可投入生產的 AI Agents。
範例程式碼
- Python: Agent Framework
- .NET: Agent Framework
有更多 AI Agents 問題？
加入 Microsoft Foundry Discord 與其他學習者交流，參加辦公時間，並取得 AI Agents 問題的解答。
上一課程
下一課程
免責聲明：
本文件使用 AI 翻譯服務 Co-op Translator 進行翻譯。雖然我們致力於確保準確性，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件的原文版本應被視為權威來源。對於重要資訊，建議尋求專業人工翻譯。我們對因使用本翻譯而引致的任何誤解或誤譯概不負責。