(Clique na imagem acima para ver o vídeo desta lição)
Bem-vindo ao curso "Agentes de IA para Iniciantes"! Este curso oferece conhecimentos fundamentais e exemplos aplicados para a construção de Agentes de IA.
Junte-se à Comunidade Azure AI no Discord para conhecer outros aprendizes e construtores de Agentes de IA e tirar quaisquer dúvidas que tenha sobre este curso.
Para começar este curso, iniciamos por obter uma melhor compreensão do que são Agentes de IA e como podemos usá-los nas aplicações e fluxos de trabalho que criamos.
Esta lição cobre:
- O que são Agentes de IA e quais são os diferentes tipos de agentes?
- Quais casos de uso são mais adequados para Agentes de IA e como podem ajudar-nos?
- Quais são alguns dos blocos básicos na conceção de Soluções Agentivas?
Após completar esta lição, deverá ser capaz de:
- Compreender os conceitos de Agente de IA e como diferem de outras soluções de IA.
- Aplicar Agentes de IA da forma mais eficiente.
- Conceber soluções agentivas produtivamente para utilizadores e clientes.
Agentes de IA são sistemas que permitem que Modelos de Linguagem Ampla (LLMs) executem ações ao ampliar as suas capacidades, dando aos LLMs acesso a ferramentas e conhecimento.
Vamos decompor esta definição em partes menores:
- Sistema - É importante pensar nos agentes não apenas como um único componente, mas como um sistema de múltiplos componentes. A nível básico, os componentes de um Agente de IA são:
- Ambiente - O espaço definido onde o Agente de IA está a operar. Por exemplo, se tivermos um agente de IA para reservas de viagem, o ambiente poderia ser o sistema de reservas de viagem que o agente utiliza para completar tarefas.
- Sensores - Os ambientes têm informação e fornecem feedback. Os Agentes de IA usam sensores para recolher e interpretar essa informação sobre o estado atual do ambiente. No exemplo do Agente de Reservas de Viagem, o sistema de reservas pode fornecer informações como disponibilidade de hotéis ou preços de voos.
- Atuadores - Assim que o Agente de IA recebe o estado atual do ambiente, para a tarefa em curso o agente determina qual ação executar para alterar o ambiente. Para o agente de reservas, pode ser reservar um quarto disponível para o utilizador.
Modelos de Linguagem Ampla - O conceito de agentes existia antes da criação dos LLMs. A vantagem de construir Agentes de IA com LLMs é a sua capacidade de interpretar a linguagem humana e dados. Esta capacidade permite aos LLMs interpretar a informação do ambiente e definir um plano para alterar o ambiente.
Executar 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 comando do utilizador. Dentro dos sistemas de Agentes de IA, os LLMs podem realizar tarefas ao interpretar o pedido do utilizador e usando ferramentas disponíveis no seu ambiente.
Acesso a Ferramentas - Quais ferramentas o LLM tem acesso é definido por 1) o ambiente onde opera e 2) o desenvolvedor do Agente de IA. No exemplo do agente de viagem, as ferramentas do agente são limitadas pelas operações disponíveis no sistema de reservas e/ou o desenvolvedor pode limitar o acesso do agente apenas a voos.
Memória+Conhecimento - A memória pode ser de curto prazo no contexto da conversa entre o utilizador e o agente. A longo prazo, fora da informação fornecida pelo ambiente, os Agentes de IA podem também recuperar conhecimento de outros sistemas, serviços, ferramentas e até outros agentes. No exemplo do agente de viagem, esse conhecimento pode ser a informação sobre as preferências de viagem do utilizador localizada numa base de dados de clientes.
Agora que temos uma definição geral de Agentes de IA, vejamos alguns tipos específicos de agentes e como estes seriam aplicados a um agente de reserva de viagens.
| Tipo de Agente | Descrição | Exemplo |
|---|---|---|
| Agentes Reflexos Simples | Executam ações imediatas baseadas em regras predefinidas. | Agente de viagem interpreta o contexto do email e encaminha reclamações de viagens para o serviço de apoio ao cliente. |
| Agentes Reflexos Baseados em Modelo | Executam ações baseadas num modelo do mundo e alterações a esse modelo. | Agente de viagem prioriza rotas com alterações significativas de preço com base em dados históricos de preços. |
| Agentes Baseados em Objetivos | Criam planos para atingir objetivos específicos, interpretando o objetivo e determinando ações para o alcançar. | Agente de viagem reserva uma viagem determinando os arranjos de viagem necessários (carro, transporte público, voos) desde a localização atual até ao destino. |
| Agentes Baseados em Utilidade | Consideram preferências e ponderam compensações numericamente para determinar como alcançar objetivos. | Agente de viagem maximiza utilidade ponderando conveniência versus custo ao reservar viagem. |
| Agentes de Aprendizagem | Melhoram ao longo do tempo respondendo a feedback e ajustando ações em conformidade. | Agente de viagem melhora utilizando feedback dos clientes em questionários pós-viagem para ajustar futuras reservas. |
| Agentes Hierárquicos | Incluem múltiplos agentes num sistema em camadas, com agentes de nível superior a dividir tarefas em subtarefas para os agentes de nível inferior completarem. | Agente de viagem cancela uma viagem dividindo a tarefa em subtarefas (por exemplo, cancelar reservas específicas) e pedindo aos agentes de nível inferior para as concretizarem, reportando depois ao agente de nível superior. |
| Sistemas Multi-Agente (MAS) | Agentes completam tarefas de forma independente, seja cooperativa ou competitiva. | Cooperativo: Múltiplos agentes reservam serviços de viagem específicos como hotéis, voos e entretenimento. Competitivo: Múltiplos agentes gerem e competem por um calendário partilhado de reservas de hotel para alojar clientes. |
Na secção anterior, usamos o caso de uso do agente de viagem 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 analisar os tipos de casos de uso para os quais os Agentes de IA são mais indicados:
- Problemas Abertos - permitindo ao LLM determinar os passos necessários para completar uma tarefa porque nem sempre podem ser codificados diretamente num fluxo de trabalho.
- Processos em Múltiplos Passos - tarefas que requerem um nível de complexidade em que o Agente de IA precisa usar ferramentas ou informação ao longo de várias interações em vez de numa única recuperação.
- Melhoria ao Longo do Tempo - tarefas em que o agente pode melhorar ao longo do tempo recebendo feedback do ambiente ou dos utilizadores para oferecer melhor utilidade.
Abordamos mais considerações sobre o uso de Agentes de IA na lição Construindo Agentes de IA Confiáveis.
O primeiro passo na conceção de um sistema de Agente de IA é definir as ferramentas, ações e comportamentos. Neste curso, focamo-nos no uso do Azure AI Agent Service para definir os nossos Agentes. Este serviço oferece funcionalidades como:
- Seleção de Modelos Abertos como OpenAI, Mistral e Llama
- Uso de Dados Licenciados através de fornecedores como Tripadvisor
- Utilização de ferramentas padronizadas OpenAPI 3.0
A comunicação com LLMs é feita através de prompts. Dada a natureza semi-autónoma dos Agentes de IA, nem sempre é possível ou necessário re-promptar manualmente o LLM após uma mudança no ambiente. Usamos Padrões Agentivos que nos permitem solicitar ao LLM interações em múltiplos passos de uma forma mais escalável.
Este curso está dividido em alguns dos atuais padrões agentivos populares.
Frameworks agentivos permitem aos desenvolvedores implementar padrões agentivos através de código. Esses frameworks oferecem templates, plugins e ferramentas para melhor colaboração entre Agentes de IA. Estes benefícios providenciam capacidades para melhor observabilidade e resolução de problemas em sistemas de Agentes de IA.
Neste curso, iremos explorar o framework AutoGen, orientado para investigação, e o framework Agent, pronto para produção, da Semantic Kernel.
- Python: Agent Framework
- .NET: Agent Framework
Junte-se ao Microsoft Foundry Discord para encontrar outros aprendizes, participar em horas de atendimento e esclarecer as suas dúvidas sobre Agentes de IA.
Explorando Frameworks Agentivos
Aviso Legal: Este documento foi traduzido utilizando o serviço de tradução por IA Co-op Translator. Embora nos esforcemos para garantir a precisão, por favor, tenha em conta que traduções automáticas podem conter erros ou imprecisões. O documento original no seu idioma nativo deve ser considerado a fonte oficial. Para informações críticas, recomenda-se a tradução profissional por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas resultantes do uso desta tradução.