(Klikněte na obrázek výše pro zobrazení videa této lekce)
Vítejte v kurzu "AI Agents for Beginners"! Tento kurz poskytuje základní znalosti a praktické ukázky pro vytváření AI agentů.
Připojte se k Komunitě Azure AI na Discordu, kde se můžete setkat s ostatními studenty a tvůrci AI agentů a položit jakékoli otázky týkající se tohoto kurzu.
Abychom tento kurz zahájili, nejprve lépe pochopíme, co jsou AI agenti a jak je můžeme využít v aplikacích a pracovních postupech, které vytváříme.
Tato lekce pokrývá:
- Co jsou AI agenti a jaké jsou jejich různé typy?
- Pro jaké případy použití jsou AI agenti nejvhodnější a jak nám mohou pomoci?
- Jaké jsou některé základní stavební bloky při navrhování agentických řešení?
Po dokončení této lekce byste měli být schopni:
- Pochopit koncepty AI agentů a jak se liší od jiných AI řešení.
- Efektivně aplikovat AI agenty.
- Produktivně navrhovat agentická řešení pro uživatele i zákazníky.
AI agenti jsou systémy, které umožňují Velkým jazykovým modelům (LLMs) provádět akce tím, že rozšiřují jejich schopnosti tím, že dávají LLM přístup k nástrojům a znalostem.
Rozeberme tuto definici na menší části:
- Systém - Je důležité nahlížet na agenty nejen jako na jednu komponentu, ale jako na systém mnoha komponent. Na základní úrovni jsou komponenty AI agenta:
- Prostředí - Definovaný prostor, ve kterém AI agent operuje. Například, pokud máme AI agenta pro rezervaci cestování, prostředí může být rezervační systém, který agent používá k dokončení úkolů.
- Senzory - Prostředí má informace a poskytuje zpětnou vazbu. AI agenti používají senzory k shromažďování a interpretaci těchto informací o aktuálním stavu prostředí. V příkladu cestovního agenta může rezervační systém poskytovat informace jako dostupnost hotelů nebo ceny letenek.
- Aktuátory - Jakmile AI agent obdrží aktuální stav prostředí, pro aktuální úkol agent určí, jakou akci provést ke změně prostředí. U cestovního agenta to může být rezervace dostupného pokoje pro uživatele.
Velké jazykové modely - Koncept agentů existoval i před vznikem LLM. Výhodou vytváření AI agentů s LLM je jejich schopnost interpretovat lidský jazyk a data. Tato schopnost umožňuje LLM interpretovat informace o prostředí a definovat plán ke změně prostředí.
Provádět akce - Mimo systémy AI agentů jsou LLM omezeny na situace, kde je akce generování obsahu nebo informací na základě uživatelova promptu. V systémech AI agentů mohou LLM plnit úkoly tím, že interpretují žádost uživatele a používají nástroje dostupné ve svém prostředí.
Přístup k nástrojům - To, k jakým nástrojům má LLM přístup, je definováno 1) prostředím, ve kterém operuje, a 2) vývojářem AI agenta. V našem příkladu cestovního agenta jsou nástroje agenta omezeny operacemi dostupnými v rezervačním systému, a/nebo může vývojář omezit přístup agenta k nástrojům na lety.
Paměť a znalosti - Paměť může být krátkodobá v kontextu konverzace mezi uživatelem a agentem. Dlouhodobě, mimo informace poskytované prostředím, si AI agenti mohou také vyhledávat znalosti z jiných systémů, služeb, nástrojů a dokonce i od jiných agentů. V příkladu cestovního agenta by tyto znalosti mohly být informace o uživatelových preferencích cestování uložené v databázi zákazníků.
Now that we have a general definition of AI Agents, let us look at some specific agent types and how they would be applied to a travel booking AI agent.
| Typ agenta | Popis | Příklad |
|---|---|---|
| Jednoduchí reflexní agenti | Provádějí okamžité akce na základě předdefinovaných pravidel. | Cestovní agent interpretuje kontext e-mailu a přeposílá stížnosti na cestování zákaznickému servisu. |
| Modelově založení reflexní agenti | Provádějí akce na základě modelu světa a změn v tomto modelu. | Cestovní agent upřednostňuje trasy s významnými změnami cen na základě přístupu k historickým cenovým údajům. |
| Agentí založení na cíli | Vytvářejí plány pro dosažení specifických cílů tím, že interpretují cíl a určují kroky k jeho dosažení. | Cestovní agent rezervuje cestu tím, že určí nezbytná cestovní opatření (auto, hromadná doprava, lety) z aktuální lokace do cíle. |
| Užitkově založení agenti | Zvažují preference a číselně vyhodnocují kompromisy, aby určily, jak dosáhnout cílů. | Cestovní agent maximalizuje užitek vyvážením pohodlí versus ceny při rezervaci cesty. |
| Učící se agenti | Zlepšují se v čase reagováním na zpětnou vazbu a přizpůsobováním svých akcí. | Cestovní agent se zlepšuje použitím zákaznické zpětné vazby z dotazníků po cestě pro úpravy budoucích rezervací. |
| Hierarchičtí agenti | Obsahují více agentů v hierarchickém systému, kde vyšší úrovně agentů rozdělují úkoly na dílčí úkoly pro nižší úrovně agentů. | Cestovní agent zruší cestu tím, že rozdělí úkol na dílčí úkoly (například zrušení konkrétních rezervací) a nižší úrovně agentů je dokončí a ohlásí výsledky vyššímu agentovi. |
| Systémy více agentů (MAS) | Agenti dokončují úkoly nezávisle, buď kooperativně, nebo konkurenčně. | Kooperativní: Více agentů rezervuje specifické cestovní služby, jako jsou hotely, lety a zábava. Konkurenční: Více agentů spravuje a soupeří o sdílený kalendář rezervací hotelu, aby obsadili zákazníky v hotelu. |
V předchozí části jsme použili případ použití cestovního agenta k vysvětlení, jak lze různé typy agentů použít v různých scénářích rezervace cestování. Tento příklad budeme používat i nadále v průběhu kurzu.
Podívejme se na typy případů použití, pro které jsou AI agenti nejvhodnější:
- Problémy bez jasného řešení - umožňují LLM určit potřebné kroky k dokončení úkolu, protože to nelze vždy pevně zakódovat do pracovního postupu.
- Vícekrokové procesy - úkoly, které vyžadují úroveň složitosti, při které agent potřebuje používat nástroje nebo informace během více kol namísto jednorázového vyhledání.
- Zlepšování v čase - úkoly, kde se agent může v průběhu času zlepšovat tím, že dostává zpětnou vazbu ze svého prostředí nebo od uživatelů, aby poskytoval lepší užitek.
V lekci „Budování důvěryhodných AI agentů“ se věnujeme dalším úvahám o používání AI agentů.
Prvním krokem při navrhování systému AI agenta je definovat nástroje, akce a chování. V tomto kurzu se zaměřujeme na použití Azure AI Agent Service pro definování našich agentů. Nabízí funkce jako:
- Výběr otevřených modelů, jako jsou OpenAI, Mistral a Llama
- Použití licencovaných dat prostřednictvím poskytovatelů, jako je Tripadvisor
- Použití standardizovaných nástrojů OpenAPI 3.0
Komunikace s LLM probíhá prostřednictvím promptů. Vzhledem k polonezávislé povaze AI agentů není vždy možné nebo nutné ručně znovu zasílat prompt LLM po změně prostředí. Používáme agentické vzory, které nám umožňují promptovat LLM přes více kroků škálovatelnějším způsobem.
Tento kurz je rozdělen do některých z aktuálně populárních agentických vzorů.
Agentické rámce umožňují vývojářům implementovat agentické vzory prostřednictvím kódu. Tyto rámce nabízejí šablony, pluginy a nástroje pro lepší spolupráci agentů. Tyto výhody poskytují možnosti pro lepší pozorovatelnost a odstraňování problémů v systémech AI agentů.
V tomto kurzu prozkoumáme výzkumně orientovaný rámec AutoGen a produkčně připravený Agent framework od Semantic Kernel.
- Python: Rámec agentů
- .NET: Rámec agentů
Připojte se k Microsoft Foundry Discord, kde se můžete setkat s ostatními studenty, zúčastnit se konzultací a získat odpovědi na své otázky týkající se AI agentů.
Zřeknutí se odpovědnosti: Tento dokument byl přeložen pomocí služby pro překlad založené na umělé inteligenci Co-op Translator. I když usilujeme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v originálním jazyce by měl být považován za závazný zdroj. Pro zásadní informace se doporučuje profesionální lidský překlad. Za jakékoli nedorozumění nebo nesprávné výklady vyplývající z použití tohoto překladu neneseme odpovědnost.