(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 práticos para construir Agentes de IA.
Junte-se ao Azure AI Foundry Discord para conhecer outros aprendizes e criadores de Agentes de IA e tirar quaisquer dúvidas que tenha sobre este curso.
Para começar este curso, vamos primeiro compreender melhor o que são os Agentes de IA e como podemos utilizá-los nas aplicações e fluxos de trabalho que desenvolvemos.
Esta lição aborda:
- 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 eles podem ajudar-nos?
- Quais são alguns dos blocos básicos ao projetar Soluções Agênticas?
Após concluir esta lição, deverá ser capaz de:
- Compreender 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 agênticas produtivamente para utilizadores e clientes.
Agentes de IA são sistemas que permitem que Modelos de Linguagem de Grande Escala (LLMs) executem ações ao ampliar suas capacidades, dando-lhes acesso a ferramentas e conhecimento.
Vamos dividir esta definição em partes menores:
- Sistema - É importante pensar nos agentes não como um único componente, mas como um sistema composto por vários componentes. No nível básico, os componentes de um Agente de IA são:
- Ambiente - O espaço definido onde o Agente de IA opera. Por exemplo, se tivermos um Agente de IA para reservas de viagens, o ambiente pode ser o sistema de reservas que o agente utiliza para completar tarefas.
- Sensores - Os ambientes possuem informações e fornecem feedback. Os Agentes de IA utilizam sensores para recolher e interpretar estas informações sobre o estado atual do ambiente. No exemplo do Agente de Reservas de Viagens, o sistema de reservas pode fornecer informações como disponibilidade de hotéis ou preços de voos.
- Atuadores - Após receber o estado atual do ambiente, o agente determina qual ação realizar para alterar o ambiente. No caso do Agente de Reservas de Viagens, pode ser reservar um quarto disponível para o utilizador.
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 capacidade de interpretar linguagem humana e dados. Esta habilidade permite que os LLMs interpretem informações do ambiente e definam um plano para alterá-lo.
Executar Ações - Fora dos sistemas de Agentes de IA, os LLMs estão limitados a situações onde a ação é gerar conteúdo ou informações com base no pedido do utilizador. Dentro dos sistemas de Agentes de IA, os LLMs podem realizar tarefas interpretando o pedido do utilizador e utilizando ferramentas disponíveis no seu ambiente.
Acesso a Ferramentas - As ferramentas às quais o LLM tem acesso são definidas por 1) o ambiente em que opera e 2) o programador 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 programador pode restringir o acesso do agente 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 das informações fornecidas pelo ambiente, os Agentes de IA também podem recuperar conhecimento de outros sistemas, serviços, ferramentas e até outros agentes. No exemplo do agente de viagens, este conhecimento pode incluir informações sobre as preferências de viagem do utilizador armazenadas numa base de dados de clientes.
Agora que temos uma definição geral de Agentes de IA, vejamos alguns tipos específicos de agentes e como eles seriam aplicados a um agente de reservas de viagens.
| Tipo de Agente | Descrição | Exemplo |
|---|---|---|
| Agentes de Reflexo Simples | Executam ações imediatas com base em regras predefinidas. | O agente de viagens interpreta o contexto de um e-mail e encaminha reclamações de viagem para o serviço de apoio ao cliente. |
| Agentes de Reflexo Baseados em Modelo | Executam ações com base num modelo do mundo e nas alterações a esse modelo. | O agente de viagens prioriza rotas com alterações 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 o atingir. | O agente de viagens reserva uma viagem determinando os arranjos necessários (carro, transporte público, voos) do local atual até ao destino. |
| Agentes Baseados em Utilidade | Consideram preferências e avaliam compromissos numericamente para determinar como alcançar objetivos. | O agente de viagens maximiza a utilidade ao ponderar conveniência versus custo ao reservar viagens. |
| Agentes de Aprendizagem | Melhoram ao longo do tempo, respondendo a feedback e ajustando ações de acordo. | O agente de viagens melhora utilizando feedback de clientes em inquéritos pós-viagem para ajustar futuras reservas. |
| Agentes Hierárquicos | Apresentam múltiplos agentes num sistema hierárquico, 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 delegando-as a agentes de nível inferior, que reportam ao agente de nível superior. |
| Sistemas Multi-Agentes (MAS) | Agentes completam tarefas de forma independente, cooperativa ou competitiva. | Cooperativo: Múltiplos agentes reservam serviços específicos de viagem, como hotéis, voos e entretenimento. Competitivo: Múltiplos agentes gerem e competem por um calendário partilhado de reservas de hotel para alocar clientes. |
Na secção anterior, utilizámos o caso de uso do Agente de Viagens para explicar como os diferentes tipos de agentes podem ser usados em diferentes cenários de reservas de viagens. Continuaremos a usar esta aplicação ao longo do curso.
Vejamos os tipos de casos de uso em que os Agentes de IA são mais indicados:
- Problemas Abertos - permitindo que o LLM determine os passos necessários para completar uma tarefa, pois nem sempre é possível codificá-los num fluxo de trabalho.
- Processos de Múltiplas Etapas - tarefas que requerem um nível de complexidade em que o Agente de IA precisa de usar ferramentas ou informações em várias interações, em vez de uma única recuperação.
- Melhoria ao Longo do Tempo - tarefas em que o agente pode melhorar ao longo do tempo ao receber feedback do ambiente ou dos utilizadores, para oferecer maior utilidade.
Abordamos mais considerações sobre o uso de Agentes de IA na lição Construindo Agentes de IA Confiáveis.
O primeiro passo para projetar 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. Ele oferece funcionalidades como:
- Seleção de Modelos Abertos, como OpenAI, Mistral e Llama
- Uso de Dados Licenciados através de fornecedores como Tripadvisor
- Uso 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 reformular manualmente o prompt após uma alteração no ambiente. Utilizamos Padrões Agênticos que nos permitem criar prompts para o LLM em várias etapas de forma mais escalável.
Este curso está dividido em alguns dos padrões agênticos populares atualmente.
Os Frameworks Agênticos permitem que os programadores implementem padrões agênticos através de código. Estes frameworks oferecem templates, plugins e ferramentas para uma melhor colaboração entre Agentes de IA. Estes benefícios proporcionam maior capacidade de observação e resolução de problemas em sistemas de Agentes de IA.
Neste curso, exploraremos o framework AutoGen, baseado em pesquisa, e o framework Agent, pronto para produção, do Semantic Kernel.
Junte-se ao Azure AI Foundry Discord para interagir com outros aprendizes, participar em horários de atendimento e esclarecer as suas dúvidas sobre Agentes de IA.
Explorando Frameworks Agênticos
Aviso Legal:
Este documento foi traduzido utilizando o serviço de tradução por IA Co-op Translator. Embora nos esforcemos para garantir a precisão, esteja ciente de 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 uma tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas resultantes do uso desta tradução.