(Кликнете върху изображението по-горе, за да видите видеото на този урок)
Добре дошли в курса "AI Agents for Beginners"! Този курс предоставя основни знания и приложни примери за изграждане на AI агенти.
Присъединете се към Discord общността на Azure AI, за да се срещнете с други учащи и създатели на AI агенти и да зададете всички въпроси, които имате за този курс.
За да започнем този курс, първо ще придобием по-добро разбиране за това какво представляват AI агентите и как можем да ги използваме в приложенията и работните потоци, които изграждаме.
Този урок обхваща:
- Какво представляват AI агентите и какви са различните типове агенти?
- При кои случаи на използване AI агентите са най-подходящи и как могат да ни помогнат?
- Какви са някои от основните градивни елементи при проектирането на агентни решения?
След завършване на този урок, трябва да можете да:
- Разбирате концепциите за AI агенти и как се различават от други AI решения.
- Прилагате AI агенти по най-ефективния начин.
- Проектирате агентни решения продуктивно както за потребители, така и за клиенти.
AI агентите са системи, които позволяват на Големи езикови модели (LLMs) да извършват действия, като разширяват техните възможности чрез даване на достъп на LLMs до инструменти и знания.
Нека разгледаме тази дефиниция на по-малки части:
- Система - Важно е да мислим за агентите не като за един компонент, а като за система от много компоненти. На базово ниво компонентите на AI агент са:
- Околна среда - Определеното пространство, в което оперира AI агентът. Например, ако имаме AI агент за резервация на пътувания, околната среда може да е системата за резервации, която агентът използва за изпълнение на задачите.
- Сензори - Околностите имат информация и предоставят обратна връзка. AI агентите използват сензори, за да събират и интерпретират тази информация за текущото състояние на околната среда. В примера с агент за резервации, системата за резервации може да предостави информация като наличности на хотели или цени на полети.
- Изпълнители (Actuators) - След като AI агентът получи текущото състояние на околната среда, за текущата задача агентът определя какво действие да изпълни, за да промени околната среда. За агента за резервации това може да е резервиране на налична стая за потребителя.
Големи езикови модели - Концепцията за агенти съществуваше преди създаването на LLMs. Предимството на изграждането на AI агенти с LLMs е тяхната способност да интерпретират човешкия език и данни. Тази способност позволява на LLMs да интерпретират информацията от околната среда и да дефинират план за промяна на средата.
Извършване на действия - Извън системите на AI агенти, LLMs са ограничени до ситуации, в които действието е генериране на съдържание или информация въз основа на подкана от потребителя. В системите на AI агенти, LLMs могат да изпълняват задачи, като интерпретират заявката на потребителя и използват наличните в околната среда инструменти.
Достъп до инструменти - До какви инструменти LLM има достъп се определя от 1) околната среда, в която оперира, и 2) разработчика на AI агента. В примера с туристическия агент, инструментите на агента са ограничени от операциите, налични в системата за резервации, и/или разработчикът може да ограничи достъпа на агента до инструменти само за полети.
Памет+Знание - Паметта може да бъде краткосрочна в контекста на разговора между потребителя и агента. В дългосрочен план, извън информацията, предоставена от околната среда, AI агентите могат също да извличат знания от други системи, услуги, инструменти и дори други агенти. В примера с туристическия агент това знание може да бъде информация за предпочитанията за пътуване на потребителя, съхранена в клиентска база данни.
Сега, когато имаме обща дефиниция на AI агентите, нека разгледаме някои специфични типове агенти и как биха се прилагали към AI агент за резервация на пътувания.
| Тип агент | Описание | Пример |
|---|---|---|
| Прости рефлексни агенти | Извършват незабавни действия въз основа на предварително определени правила. | Туристически агент тълкува контекста на имейла и препраща оплаквания за пътувания към обслужване на клиенти. |
| Рефлексни агенти, базирани на модел | Извършват действия въз основа на модел на света и промени в този модел. | Туристически агент приоритизира маршрути с значителни ценови промени въз основа на достъп до исторически данни за цените. |
| Агенти, базирани на цели | Създават планове за постигане на конкретни цели чрез интерпретиране на целта и определяне на действия за достигането й. | Туристически агент резервира пътуване, като определя необходимите транспортни услуги (кола, обществен транспорт, полети) от текущото местоположение до дестинацията. |
| Агенти, базирани на полезност | Вземат предвид предпочитанията и числено претеглят компромисите, за да определят как да постигнат целите. | Туристически агент максимизира полезността, като претегля удобството спрямо цената при резервиране на пътуване. |
| Обучаващи се агенти | Подобряват се с времето чрез реакция на обратна връзка и съответна корекция на действията. | Туристически агент се подобрява, като използва обратни връзки от анкети след пътуване, за да прави корекции при бъдещи резервации. |
| Иерархични агенти | Съдържат множество агенти в многостепенна система, като висшите агенти разделят задачите на подзадачи за по-низшите агенти да ги изпълнят. | Туристически агент отменя пътуване, като разделя задачата на подзадачи (например анулиране на конкретни резервации) и възлага изпълнението им на по-низшите агенти, които докладват обратно на висшия агент. |
| Многоагентни системи (MAS) | Агентите изпълняват задачи независимо, кооперативно или конкурентно. | Кооперативно: Няколко агента резервират конкретни туристически услуги като хотели, полети и развлечения. Конкурентно: Няколко агента управляват и се състезават за споделен календар за резервации на хотела, за да настаняват клиенти в хотела. |
В по-горния раздел използвахме сценария за туристически агент, за да обясним как различните типове агенти могат да се използват в различни ситуации при резервиране на пътувания. Ще продължим да използваме това приложение през целия курс.
Нека разгледаме типовете случаи на използване, за които AI агентите са най-подходящи:
- Отворени проблеми - позволяват на LLM да определи необходимите стъпки за изпълнение на задача, тъй като те не винаги могат да бъдат твърдо закодирани в работен поток.
- Многостъпкови процеси - задачи, които изискват ниво на сложност, при което AI агентът трябва да използва инструменти или информация през няколко хода вместо еднократно извличане.
- Подобрение с времето - задачи, при които агентът може да се подобрява с времето, като получава обратна връзка от околната среда или от потребителите, за да предоставя по-добра полезност.
Ще разгледаме повече съображения при използването на AI агенти в урока Building Trustworthy AI Agents.
Първата стъпка при проектирането на система с AI агенти е да се дефинират инструментите, действията и поведението. В този курс се фокусираме върху използването на Azure AI Agent Service за дефиниране на нашите агенти. Той предлага функции като:
- Избор на отворени модели като OpenAI, Mistral и Llama
- Използване на лицензирани данни чрез доставчици като Tripadvisor
- Използване на стандартизирани инструменти OpenAPI 3.0
Комуникацията с LLM става чрез подсказки (prompts). Поради полуустойчивия характер на AI агентите, не винаги е възможно или необходимо ръчно да се подава нова подсказка към LLM след промяна в околната среда. Използваме агентни модели, които ни позволяват да подсказваме на LLM през няколко стъпки по по-мащабируем начин.
Този курс е разделен на някои от текущите популярни агентни модели.
Агентните рамки позволяват на разработчиците да прилагат агентни модели чрез код. Тези рамки предлагат шаблони, плъгини и инструменти за по-добра колаборация между AI агенти. Тези предимства осигуряват възможности за по-добра наблюдаемост и отстраняване на грешки в системите от AI агенти.
В този курс ще разгледаме изследователската рамка AutoGen и готовата за продукция Agent framework от Semantic Kernel.
- Python: Рамка за агенти
- .NET: Рамка за агенти
Присъединете се към Discord на Microsoft Foundry, за да се срещнете с други учащи, да присъствате на консултации и да получите отговори на въпросите си за AI агентите.
Отказ от отговорност: Този документ е преведен с помощта на услуга за превод, базирана на изкуствен интелект Co-op Translator. Въпреки че се стремим към точност, моля, имайте предвид, че автоматичните преводи могат да съдържат грешки или неточности. Оригиналният документ на съответния език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Не носим отговорност за каквито и да е недоразумения или погрешни тълкувания, произтичащи от използването на този превод.