(Clique na imagem acima para ver o vídeo desta aula)
Bem-vindo ao curso "Agentes de IA para Iniciantes"! Este curso fornece conhecimento fundamental e exemplos aplicados para construir Agentes de IA.
Junte-se à Comunidade Azure AI no Discord para conhecer outros aprendizes e desenvolvedores de Agentes de IA e fazer quaisquer perguntas que você tenha sobre este curso.
Para começar este curso, iniciamos obtendo uma melhor compreensão do que são Agentes de IA e como podemos usá-los nas aplicações e fluxos de trabalho que construímos.
Esta aula aborda:
- O que são Agentes de IA e quais são os diferentes tipos de agentes?
- Quais casos de uso são melhores para Agentes de IA e como eles podem nos ajudar?
- Quais são alguns dos blocos de construção básicos ao projetar Soluções Baseadas em Agentes?
Após concluir esta aula, você deverá ser capaz de:
- Entender os conceitos de Agentes de IA e como eles diferem de outras soluções de IA.
- Aplicar Agentes de IA de forma mais eficiente.
- Projetar soluções baseadas em agentes produtivamente para usuários e clientes.
Agentes de IA são sistemas que permitem que Modelos de Linguagem de Grande Escala(LLMs) realizem ações ampliando suas capacidades ao dar aos LLMs acesso a ferramentas e conhecimento.
Vamos dividir essa definição em partes menores:
- Sistema - É importante pensar em agentes não apenas como um único componente, mas como um sistema de muitos componentes. No nível básico, os componentes de um Agente de IA são:
- Ambiente - O espaço definido onde o Agente de IA está operando. Por exemplo, se tivéssemos um agente de reserva de viagens, o ambiente poderia ser o sistema de reservas que o Agente de IA usa para concluir tarefas.
- Sensores - Ambientes têm informações e fornecem feedback. Agentes de IA usam sensores para coletar e interpretar essas informações sobre o estado atual do ambiente. No exemplo do Agente de Reserva de Viagens, o sistema de reservas pode fornecer informações como disponibilidade de hotéis ou preços de voos.
- Atuadores - Uma vez que o Agente de IA recebe o estado atual do ambiente, para a tarefa atual o agente determina qual ação executar para alterar o ambiente. Para o agente de reservas de viagens, pode ser reservar um quarto disponível para o usuário.
Modelos de Linguagem de Grande Escala - O conceito de agentes existia antes da criação dos LLMs. A vantagem de construir Agentes de IA com LLMs é a sua habilidade de interpretar linguagem humana e dados. Essa habilidade permite que os LLMs interpretem informações do ambiente e definam um plano para alterar o ambiente.
Realizar Ações - Fora dos sistemas de Agentes de IA, os LLMs estão limitados a situações em que a ação é gerar conteúdo ou informação com base no prompt do usuário. Dentro dos sistemas de Agentes de IA, os LLMs podem realizar tarefas interpretando a solicitação do usuário e usando ferramentas que estão disponíveis em seu ambiente.
Acesso a Ferramentas - Quais ferramentas o LLM tem acesso é definido por 1) o ambiente em que está operando e 2) o desenvolvedor do Agente de IA. No exemplo do agente de viagens, as ferramentas do agente são limitadas pelas operações disponíveis no sistema de reservas, e/ou o desenvolvedor pode limitar o acesso às ferramentas do agente a voos.
Memória+Conhecimento - A memória pode ser de curto prazo no contexto da conversa entre o usuário e o agente. A longo prazo, fora das informações fornecidas pelo ambiente, Agentes de IA também podem recuperar conhecimento de outros sistemas, serviços, ferramentas e até outros agentes. No exemplo do agente de viagens, esse conhecimento poderia ser as informações sobre as preferências de viagem do usuário localizadas em um banco de dados de clientes.
Agora que temos uma definição geral de Agentes de IA, vamos ver alguns tipos específicos de agentes e como eles seriam aplicados a um agente de reserva de viagens.
| Tipo de Agente | Descrição | Exemplo |
|---|---|---|
| Agentes Reflexos Simples | Executam ações imediatas com base em regras predefinidas. | O agente de viagens interpreta o contexto do e-mail e encaminha reclamações de viagem para o serviço de atendimento ao cliente. |
| Agentes Reflexos Baseados em Modelo | Executam ações com base em um modelo do mundo e alterações nesse modelo. | O agente de viagens prioriza rotas com mudanças significativas de preço com base no acesso a dados históricos de preços. |
| Agentes Baseados em Objetivos | Criam planos para alcançar objetivos específicos interpretando o objetivo e determinando ações para alcançá-lo. | O agente de viagens reserva uma jornada determinando os arranjos de viagem necessários (carro, transporte público, voos) do local atual até o destino. |
| Agentes Baseados em Utilidade | Consideram preferências e ponderam trade-offs numericamente para determinar como alcançar objetivos. | O agente de viagens maximiza a utilidade ponderando conveniência vs. custo ao reservar uma viagem. |
| Agentes de Aprendizado | Melhoram ao longo do tempo respondendo a feedback e ajustando ações de acordo. | O agente de viagens melhora usando o feedback dos clientes em pesquisas pós-viagem para fazer ajustes em reservas futuras. |
| Agentes Hierárquicos | Apresentam múltiplos agentes em um sistema em camadas, com agentes de nível superior dividindo tarefas em subtarefas para agentes de nível inferior completarem. | O agente de viagens cancela uma viagem dividindo a tarefa em subtarefas (por exemplo, cancelar reservas específicas) e fazendo com que agentes de nível inferior as completem, reportando de volta ao agente de nível superior. |
| Sistemas Multiagente (MAS) | Agentes completam tarefas independentemente, de forma cooperativa ou competitiva. | Cooperativo: Múltiplos agentes reservam serviços de viagem específicos, como hotéis, voos e entretenimento. Competitivo: Múltiplos agentes gerenciam e competem por um calendário de reservas de hotel compartilhado para acomodar clientes no hotel. |
Na seção anterior, usamos o caso de uso do Agente de Viagens para explicar como os diferentes tipos de agentes podem ser usados em diferentes cenários de reserva de viagens. Continuaremos a usar esta aplicação ao longo do curso.
Vamos ver os tipos de casos de uso para os quais Agentes de IA são mais indicados:
- Problemas Abertos - permitir que o LLM determine os passos necessários para concluir uma tarefa porque nem sempre pode ser codificado rigidamente em um fluxo de trabalho.
- Processos em Múltiplas Etapas - tarefas que exigem um nível de complexidade em que o Agente de IA precisa usar ferramentas ou informações ao longo de várias interações em vez de uma única recuperação.
- Melhoria ao Longo do Tempo - tarefas em que o agente pode melhorar ao longo do tempo recebendo feedback do seu ambiente ou usuários para fornecer maior utilidade.
Cobrimos mais considerações sobre o uso de Agentes de IA na aula Construindo Agentes de IA Confiáveis.
O primeiro passo ao projetar um sistema de Agente de IA é definir as ferramentas, ações e comportamentos. Neste curso, focamos no uso do Azure AI Agent Service para definir nossos Agentes. Ele oferece recursos como:
- Seleção de Modelos Abertos, como OpenAI, Mistral e Llama
- Uso de Dados Licenciados por meio de provedores como Tripadvisor
- Uso de ferramentas padronizadas OpenAPI 3.0
A comunicação com LLMs é feita por prompts. Dada a natureza semi-autônoma dos Agentes de IA, nem sempre é possível ou necessário remandar manualmente o LLM após uma mudança no ambiente. Usamos Padrões Baseados em Agentes que nos permitem solicitar ao LLM ao longo de múltiplas etapas de uma forma mais escalável.
Este curso está dividido em alguns dos padrões baseados em agentes mais populares atualmente.
Frameworks baseados em agentes permitem que desenvolvedores implementem padrões baseados em agentes por meio de código. Esses frameworks oferecem templates, plugins e ferramentas para melhor colaboração entre Agentes de IA. Esses benefícios fornecem capacidades para melhor observabilidade e solução de problemas de sistemas de Agentes de IA.
Neste curso, exploraremos o framework de pesquisa AutoGen e o framework pronto para produção Agent da Semantic Kernel.
- Python: Framework de Agente
- .NET: Framework de Agente
Participe do Discord do Microsoft Foundry para conhecer outros aprendizes, participar de horários de atendimento e obter respostas para suas perguntas sobre Agentes de IA.
Explorando Frameworks Baseados em Agentes
Isenção de responsabilidade: Este documento foi traduzido utilizando o serviço de tradução com IA Co-op Translator. Embora nos empenhemos pela precisão, por favor, 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 uma tradução profissional realizada por um tradutor humano. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.