Agentes de IA representam um desenvolvimento empolgante na IA Generativa, permitindo que Modelos de Linguagem de Grande Escala (LLMs) evoluam de assistentes para agentes capazes de tomar ações. Frameworks de Agentes de IA permitem que desenvolvedores criem aplicações que dão aos LLMs acesso a ferramentas e gerenciamento de estado. Esses frameworks também aumentam a visibilidade, permitindo que usuários e desenvolvedores monitorem as ações planejadas pelos LLMs, melhorando assim o gerenciamento da experiência.
A lição abordará os seguintes tópicos:
- Entendendo o que é um Agente de IA - O que exatamente é um Agente de IA?
- Explorando quatro diferentes Frameworks de Agentes de IA - O que os torna únicos?
- Aplicando esses Agentes de IA a diferentes casos de uso - Quando devemos usar Agentes de IA?
Após esta lição, você será capaz de:
- Explicar o que são Agentes de IA e como podem ser utilizados.
- Compreender as diferenças entre alguns dos Frameworks de Agentes de IA mais populares e como eles se diferenciam.
- Entender como os Agentes de IA funcionam para construir aplicações com eles.
Agentes de IA são um campo muito empolgante no mundo da IA Generativa. Com essa empolgação, às vezes surge uma confusão de termos e suas aplicações. Para simplificar e incluir a maioria das ferramentas que se referem a Agentes de IA, usaremos esta definição:
Agentes de IA permitem que Modelos de Linguagem de Grande Escala (LLMs) realizem tarefas ao dar-lhes acesso a um estado e ferramentas.
Vamos definir esses termos:
Modelos de Linguagem de Grande Escala - Estes são os modelos mencionados ao longo deste curso, como GPT-3.5, GPT-4, Llama-2, etc.
Estado - Refere-se ao contexto em que o LLM está trabalhando. O LLM utiliza o contexto de suas ações anteriores e o contexto atual, orientando sua tomada de decisão para ações subsequentes. Os Frameworks de Agentes de IA permitem que os desenvolvedores mantenham esse contexto de forma mais fácil.
Ferramentas - Para completar a tarefa solicitada pelo usuário e planejada pelo LLM, o LLM precisa de acesso a ferramentas. Alguns exemplos de ferramentas podem ser um banco de dados, uma API, um aplicativo externo ou até mesmo outro LLM!
Essas definições devem fornecer uma boa base para seguirmos em frente enquanto exploramos como elas são implementadas. Vamos conhecer alguns frameworks de Agentes de IA:
Agentes LangChain são uma implementação das definições que fornecemos acima.
Para gerenciar o estado, utiliza uma função integrada chamada AgentExecutor. Esta aceita o agent definido e as tools disponíveis para ele.
O AgentExecutor também armazena o histórico de conversas para fornecer o contexto do diálogo.
O LangChain oferece um catálogo de ferramentas que podem ser importadas para sua aplicação, permitindo que o LLM tenha acesso a elas. Essas ferramentas são criadas pela comunidade e pela equipe do LangChain.
Você pode então definir essas ferramentas e passá-las para o AgentExecutor.
A visibilidade é outro aspecto importante ao falar sobre Agentes de IA. É essencial para os desenvolvedores de aplicações entenderem qual ferramenta o LLM está utilizando e por quê. Para isso, a equipe do LangChain desenvolveu o LangSmith.
O próximo framework de Agentes de IA que discutiremos é o AutoGen. O foco principal do AutoGen são as conversas. Os agentes são tanto conversáveis quanto personalizáveis.
Conversáveis - LLMs podem iniciar e continuar uma conversa com outro LLM para completar uma tarefa. Isso é feito criando AssistantAgents e dando-lhes uma mensagem de sistema específica.
autogen.AssistantAgent( name="Coder", llm_config=llm_config, ) pm = autogen.AssistantAgent( name="Product_manager", system_message="Creative in software product ideas.", llm_config=llm_config, )Personalizáveis - Os agentes podem ser definidos não apenas como LLMs, mas também como um usuário ou uma ferramenta. Como desenvolvedor, você pode definir um UserProxyAgent, que é responsável por interagir com o usuário para obter feedback na conclusão de uma tarefa. Esse feedback pode continuar a execução da tarefa ou interrompê-la.
user_proxy = UserProxyAgent(name="user_proxy")Para alterar e gerenciar o estado, um agente assistente gera código Python para completar a tarefa.
Aqui está um exemplo do processo:
system_message="For weather related tasks, only use the functions you have been provided with. Reply TERMINATE when the task is done."Essa mensagem de sistema direciona este LLM específico para quais funções são relevantes para sua tarefa. Lembre-se, com o AutoGen você pode ter vários AssistantAgents definidos com diferentes mensagens de sistema.
user_proxy.initiate_chat( chatbot, message="I am planning a trip to NYC next week, can you help me pick out what to wear? ", )Essa mensagem do user_proxy (Humano) é o que iniciará o processo do Agente para explorar as possíveis funções que ele deve executar.
chatbot (to user_proxy):
***** Suggested tool Call: get_weather ***** Arguments: {"location":"New York City, NY","time_periond:"7","temperature_unit":"Celsius"} ******************************************************** --------------------------------------------------------------------------------
>>>>>>>> EXECUTING FUNCTION get_weather... user_proxy (to chatbot): ***** Response from calling function "get_weather" ***** 112.22727272727272 EUR ****************************************************************
Uma vez que o chat inicial é processado, o Agente enviará a sugestão de ferramenta a ser chamada. Neste caso, é uma função chamada get_weather. Dependendo da sua configuração, essa função pode ser automaticamente executada e lida pelo Agente ou pode ser executada com base na entrada do usuário.
Você pode encontrar uma lista de exemplos de código do AutoGen para explorar mais sobre como começar a construir.
O próximo framework de agente que exploraremos é o Taskweaver. Ele é conhecido como um agente "orientado a código" porque, em vez de trabalhar estritamente com strings, pode trabalhar com DataFrames em Python. Isso se torna extremamente útil para tarefas de análise e geração de dados. Isso pode incluir coisas como criar gráficos e tabelas ou gerar números aleatórios.
Para gerenciar o estado da conversa, o TaskWeaver utiliza o conceito de um Planner. O Planner é um LLM que recebe a solicitação dos usuários e mapeia as tarefas que precisam ser concluídas para atender a essa solicitação.
Para completar as tarefas, o Planner tem acesso a uma coleção de ferramentas chamadas Plugins. Isso pode incluir classes Python ou um interpretador de código geral. Esses plugins são armazenados como embeddings para que o LLM possa buscar melhor o plugin correto.
Aqui está um exemplo de um plugin para lidar com detecção de anomalias:
class AnomalyDetectionPlugin(Plugin): def __call__(self, df: pd.DataFrame, time_col_name: str, value_col_name: str):O código é verificado antes de ser executado. Outra funcionalidade para gerenciar o contexto no TaskWeaver é a experience. A experiência permite que o contexto de uma conversa seja armazenado a longo prazo em um arquivo YAML. Isso pode ser configurado para que o LLM melhore ao longo do tempo em determinadas tarefas, dado que ele é exposto a conversas anteriores.
O último framework de agente que exploraremos é o JARVIS. O que torna o JARVIS único é que ele utiliza um LLM para gerenciar o estado da conversa e as ferramentas são outros modelos de IA. Cada um dos modelos de IA é especializado em realizar determinadas tarefas, como detecção de objetos, transcrição ou legendagem de imagens.
O LLM, sendo um modelo de propósito geral, recebe a solicitação do usuário e identifica a tarefa específica e quaisquer argumentos/dados necessários para completar a tarefa.
[{"task": "object-detection", "id": 0, "dep": [-1], "args": {"image": "e1.jpg" }}]O LLM então formata a solicitação de uma maneira que o modelo de IA especializado possa interpretar, como JSON. Uma vez que o modelo de IA retorna sua previsão com base na tarefa, o LLM recebe a resposta.
Se múltiplos modelos forem necessários para completar a tarefa, ele também interpretará as respostas desses modelos antes de reuni-las para gerar a resposta ao usuário.
O exemplo abaixo mostra como isso funcionaria quando um usuário solicita uma descrição e contagem dos objetos em uma imagem:
Para continuar seu aprendizado sobre Agentes de IA, você pode construir com AutoGen:
- Uma aplicação que simula uma reunião de negócios com diferentes departamentos de uma startup de educação.
- Criar mensagens de sistema que orientem os LLMs a entender diferentes personas e prioridades, permitindo que o usuário apresente uma nova ideia de produto.
- O LLM deve então gerar perguntas de acompanhamento de cada departamento para refinar e melhorar a ideia do produto.
Após concluir esta lição, confira nossa coleção de aprendizado de IA Generativa para continuar aprimorando seu conhecimento em IA Generativa!
Aviso Legal:
Este documento foi traduzido usando o serviço de tradução por IA Co-op Translator. Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.