(Кликните на слику изнад да бисте погледали видео овог часа)

Метакогниција код AI агената

Увод

Добродошли на лекцију о метакогницији код AI агената! Ово поглавље је намењено почетницима који су радознали о томе како AI агенти могу размишљати о сопственим процесима размишљања. На крају ове лекције, разумећете кључне концепте и бити опремљени практичним примерима за примену метакогниције у дизајну AI агената.

Циљеви учења

Након завршетка ове лекције, моћи ћете:

Разумети импликације петљи резоновања у дефиницијама агената.
Користити технике планирања и евалуације за помоћ агенатима који се самокоригују.
Креирати сопствене агенте способне за манипулацију кодом ради постизања задатака.

Увод у метакогницију

Метакогниција се односи на когнитивне процесе вишег реда који укључују размишљање о сопственом размишљању. За AI агенте, то значи да могу да процењују и прилагођавају своје акције на основу самосвести и претходних искустава. Метакогниција, или "размишљање о размишљању," је важан концепт у развоју агентских AI система. Она подразумева да AI системи буду свесни сопствених унутрашњих процеса и да могу да прате, регулишу и прилагођавају своје понашање у складу с тим. Слично као што ми радимо када процењујемо ситуацију или приступамо проблему. Ова самосвест може помоћи AI системима да доносе боље одлуке, идентификују грешке и побољшају своје перформансе током времена – поново се враћајући на Тјурингов тест и дебату о томе да ли ће AI преузети контролу.

У контексту агентских AI система, метакогниција може помоћи у решавању неколико изазова, као што су:

Транспарентност: Осигуравање да AI системи могу објаснити своје резоновање и одлуке.
Резоновање: Побољшање способности AI система да синтетишу информације и доносе исправне одлуке.
Адаптација: Омогућавање AI системима да се прилагоде новим окружењима и променљивим условима.
Перцепција: Побољшање тачности AI система у препознавању и интерпретацији података из окружења.

Шта је метакогниција?

Метакогниција, или "размишљање о размишљању," је когнитивни процес вишег реда који укључује самосвест и саморегулацију сопствених когнитивних процеса. У области AI, метакогниција омогућава агентима да процењују и прилагођавају своје стратегије и акције, што доводи до побољшаних способности решавања проблема и доношења одлука. Разумевањем метакогниције, можете дизајнирати AI агенте који су не само интелигентнији, већ и прилагодљивији и ефикаснији. У истинској метакогницији, видели бисте AI који експлицитно резонује о сопственом резоновању.

Пример: „Приоритизовао сам јефтиније летове јер... можда пропуштам директне летове, па ћу поново проверити.“ Праћење како или зашто је изабрао одређену руту.

Бележење да је направио грешке јер се превише ослањао на корисничке преференције из прошлог пута, па модификује своју стратегију доношења одлука, а не само коначну препоруку.
Дијагностиковање образаца као што је: „Кад год видим да корисник помиње 'превише гужве,' не треба само да уклоним одређене атракције, већ и да схватим да је мој метод избора 'најбољих атракција' погрешан ако увек рангирам по популарности.“

Значај метакогниције код AI агената

Метакогниција игра кључну улогу у дизајну AI агената из неколико разлога:

Саморефлексија: Агенти могу проценити сопствене перформансе и идентификовати области за побољшање.
Адаптабилност: Агенти могу модификовати своје стратегије на основу претходних искустава и променљивих окружења.
Корекција грешака: Агенти могу аутономно открити и исправити грешке, што доводи до тачнијих резултата.
Управљање ресурсима: Агенти могу оптимизовати употребу ресурса, као што су време и рачунарска снага, планирањем и евалуацијом својих акција.

Компоненте AI агента

Пре него што се упустимо у метакогнитивне процесе, важно је разумети основне компоненте AI агента. AI агент обично се састоји од:

Личност: Личност и карактеристике агента, које дефинишу како он комуницира са корисницима.
Алатке: Способности и функције које агент може да обавља.
Вештине: Знање и експертиза које агент поседује.

Ове компоненте раде заједно како би створиле "јединицу експертизе" која може обављати одређене задатке.

Пример: Замислите туристичког агента, услуге агента која не само да планира ваш одмор, већ и прилагођава свој пут на основу података у реалном времену и претходних искустава корисничких путовања.

Пример: Метакогниција у услузи туристичког агента

Замислите да дизајнирате услугу туристичког агента коју покреће AI. Овај агент, "Туристички агент," помаже корисницима у планирању њихових одмора. Да бисте укључили метакогницију, Туристички агент треба да процењује и прилагођава своје акције на основу самосвести и претходних искустава. Ево како метакогниција може играти улогу:

Тренутни задатак

Тренутни задатак је помоћи кориснику да испланира путовање у Париз.

Кораци за завршетак задатка

Прикупљање корисничких преференција: Питајте корисника о датумима путовања, буџету, интересовањима (нпр. музеји, кухиња, куповина) и било којим специфичним захтевима.
Проналажење информација: Претражите опције летова, смештаја, атракција и ресторана који одговарају корисничким преференцијама.
Генерисање препорука: Пружите персонализовани итинерар са детаљима о летовима, резервацијама хотела и предложеним активностима.
Прилагођавање на основу повратних информација: Питајте корисника за повратне информације о препорукама и направите потребне измене.

Потребни ресурси

Приступ базама података за резервацију летова и хотела.
Информације о атракцијама и ресторанима у Паризу.
Податке о повратним информацијама корисника из претходних интеракција.

Искуство и саморефлексија

Туристички агент користи метакогницију за процену својих перформанси и учење из претходних искустава. На пример:

Анализа повратних информација корисника: Туристички агент прегледа повратне информације корисника како би утврдио које препоруке су добро прихваћене, а које нису. Он прилагођава своје будуће предлоге у складу с тим.
Адаптабилност: Ако је корисник раније поменуо да не воли гужве, Туристички агент ће избегавати препоруке популарних туристичких места током најпрометнијих сати у будућности.
Корекција грешака: Ако је Туристички агент направио грешку у претходној резервацији, као што је препоручивање хотела који је био потпуно резервисан, он учи да ригорозније проверава доступност пре него што да препоруке.

Практичан пример за програмере

Ево поједностављеног примера како би код Туристичког агента могао изгледати када укључује метакогницију:

class Travel_Agent:
    def __init__(self):
        self.user_preferences = {}
        self.experience_data = []

    def gather_preferences(self, preferences):
        self.user_preferences = preferences

    def retrieve_information(self):
        # Search for flights, hotels, and attractions based on preferences
        flights = search_flights(self.user_preferences)
        hotels = search_hotels(self.user_preferences)
        attractions = search_attractions(self.user_preferences)
        return flights, hotels, attractions

    def generate_recommendations(self):
        flights, hotels, attractions = self.retrieve_information()
        itinerary = create_itinerary(flights, hotels, attractions)
        return itinerary

    def adjust_based_on_feedback(self, feedback):
        self.experience_data.append(feedback)
        # Analyze feedback and adjust future recommendations
        self.user_preferences = adjust_preferences(self.user_preferences, feedback)

# Example usage
travel_agent = Travel_Agent()
preferences = {
    "destination": "Paris",
    "dates": "2025-04-01 to 2025-04-10",
    "budget": "moderate",
    "interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
itinerary = travel_agent.generate_recommendations()
print("Suggested Itinerary:", itinerary)
feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
travel_agent.adjust_based_on_feedback(feedback)

Зашто је метакогниција важна

Саморефлексија: Агенти могу анализирати своје перформансе и идентификовати области за побољшање.
Адаптабилност: Агенти могу модификовати стратегије на основу повратних информација и променљивих услова.
Корекција грешака: Агенти могу аутономно открити и исправити грешке.
Управљање ресурсима: Агенти могу оптимизовати употребу ресурса, као што су време и рачунарска снага.

Укључивањем метакогниције, Туристички агент може пружити персонализованије и тачније препоруке за путовања, побољшавајући укупно корисничко искуство.

2. Планирање код агената

Планирање је критична компонента понашања AI агента. Оно укључује израду корака потребних за постизање циља, узимајући у обзир тренутно стање, ресурсе и могуће препреке.

Елементи планирања

Тренутни задатак: Јасно дефинисати задатак.
Кораци за завршетак задатка: Разбити задатак на управљиве кораке.
Потребни ресурси: Идентификовати неопходне ресурсе.
Искуство: Користити претходна искуства за информисање планирања.

Пример: Ево корака које Туристички агент треба да предузме да би ефикасно помогао кориснику у планирању његовог путовања:

Кораци за Туристичког агента

Прикупљање корисничких преференција
- Питајте корисника за детаље о датумима путовања, буџету, интересовањима и било којим специфичним захтевима.
- Примери: „Када планирате да путујете?“ „Који је ваш распон буџета?“ „Које активности волите на одмору?“
Проналажење информација
- Претражите релевантне опције путовања на основу корисничких преференција.
- Летови: Потражите доступне летове у оквиру корисничког буџета и жељених датума путовања.
- Смештај: Пронађите хотеле или изнајмљене некретнине које одговарају корисничким преференцијама за локацију, цену и погодности.
- Атракције и ресторани: Идентификујте популарне атракције, активности и опције за ручавање које се уклапају у корисничка интересовања.
Генерисање препорука
- Саставите прикупљене информације у персонализовани итинерар.
- Пружите детаље као што су опције летова, резервације хотела и предложене активности, водећи рачуна да препоруке буду прилагођене корисничким преференцијама.
Презентација итинерара кориснику
- Поделите предложени итинерар са корисником ради прегледа.
- Пример: „Ево предложеног итинерара за ваше путовање у Париз. Укључује детаље о летовима, резервацијама хотела и листу препоручених активности и ресторана. Јавите ми своје мишљење!“
Прикупљање повратних информација
- Питајте корисника за повратне информације о предложеном итинерару.
- Примери: „Да ли вам се допадају опције летова?“ „Да ли је хотел погодан за ваше потребе?“ „Да ли постоје активности које бисте желели да додате или уклоните?“
Прилагођавање на основу повратних информација
- Измените итинерар на основу корисничких повратних информација.
- Направите потребне измене у препорукама за летове, смештај и активности како би боље одговарале корисничким преференцијама.
Коначна потврда
- Представите ажурирани итинерар кориснику ради коначне потврде.
- Пример: „Направио сам измене на основу ваших повратних информација. Ево ажурираног итинерара. Да ли вам све одговара?“
Резервација и потврда
- Када корисник одобри итинерар, наставите са резервацијом летова, смештаја и било којих унапред планираних активности.
- Пошаљите детаље о потврди кориснику.
Пружање континуиране подршке
- Будите доступни за помоћ кориснику са било каквим изменама или додатним захтевима пре и током његовог путовања.
- Пример: „Ако вам је потребна било каква додатна помоћ током путовања, слободно ми се обратите у било ком тренутку!“

Пример интеракције

class Travel_Agent:
    def __init__(self):
        self.user_preferences = {}
        self.experience_data = []

    def gather_preferences(self, preferences):
        self.user_preferences = preferences

    def retrieve_information(self):
        flights = search_flights(self.user_preferences)
        hotels = search_hotels(self.user_preferences)
        attractions = search_attractions(self.user_preferences)
        return flights, hotels, attractions

    def generate_recommendations(self):
        flights, hotels, attractions = self.retrieve_information()
        itinerary = create_itinerary(flights, hotels, attractions)
        return itinerary

    def adjust_based_on_feedback(self, feedback):
        self.experience_data.append(feedback)
        self.user_preferences = adjust_preferences(self.user_preferences, feedback)

# Example usage within a booing request
travel_agent = Travel_Agent()
preferences = {
    "destination": "Paris",
    "dates": "2025-04-01 to 2025-04-10",
    "budget": "moderate",
    "interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
itinerary = travel_agent.generate_recommendations()
print("Suggested Itinerary:", itinerary)
feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
travel_agent.adjust_based_on_feedback(feedback)

3. Корективни RAG систем

Прво, хајде да разумемо разлику између RAG алатке и превентивног учитавања контекста.

Генерација уз помоћ претраживања (RAG)

RAG комбинује систем претраживања са генеративним моделом. Када се постави упит, систем претраживања проналази релевантне документе или податке из спољашњег извора, а ове пронађене информације се користе за проширење улазних података генеративног модела. Ово помаже моделу да генерише тачније и контекстуално релевантне одговоре.

У RAG систему, агент претражује релевантне информације из базе знања и користи их за генерисање одговарајућих одговора или акција.

Приступ корективног RAG-а

Приступ корективног RAG-а се фокусира на коришћење RAG техника за исправљање грешака и побољшање тачности AI агената. Ово укључује:

Техника упита: Коришћење специфичних упита за вођење агента у проналажењу релевантних информација.
Алатка: Имплементација алгоритама и механизама који омогућавају агенту да процени релевантност пронађених информација и генерише тачне одговоре.
Евалуација: Континуирано процењивање перформанси агента и прављење прилагођавања ради побољшања његове тачности и

class Travel_Agent:
    def __init__(self):
        self.user_preferences = {}
        self.experience_data = []

    def gather_preferences(self, preferences):
        self.user_preferences = preferences

    def retrieve_information(self):
        flights = search_flights(self.user_preferences)
        hotels = search_hotels(self.user_preferences)
        attractions = search_attractions(self.user_preferences)
        return flights, hotels, attractions

    def generate_recommendations(self):
        flights, hotels, attractions = self.retrieve_information()
        itinerary = create_itinerary(flights, hotels, attractions)
        return itinerary

    def adjust_based_on_feedback(self, feedback):
        self.experience_data.append(feedback)
        self.user_preferences = adjust_preferences(self.user_preferences, feedback)
        new_itinerary = self.generate_recommendations()
        return new_itinerary

# Example usage
travel_agent = Travel_Agent()
preferences = {
    "destination": "Paris",
    "dates": "2025-04-01 to 2025-04-10",
    "budget": "moderate",
    "interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
itinerary = travel_agent.generate_recommendations()
print("Suggested Itinerary:", itinerary)
feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
new_itinerary = travel_agent.adjust_based_on_feedback(feedback)
print("Updated Itinerary:", new_itinerary)

Претходно Учитавање Контекста

Претходно учитавање контекста подразумева уношење релевантних информација или позадинског знања у модел пре обраде упита. Ово значи да модел од самог почетка има приступ тим информацијама, што му омогућава да генерише информисаније одговоре без потребе за додатним преузимањем података током процеса.

Ево поједностављеног примера како претходно учитавање контекста може изгледати за апликацију туристичког агента у Python-у:

class TravelAgent:
    def __init__(self):
        # Pre-load popular destinations and their information
        self.context = {
            "Paris": {"country": "France", "currency": "Euro", "language": "French", "attractions": ["Eiffel Tower", "Louvre Museum"]},
            "Tokyo": {"country": "Japan", "currency": "Yen", "language": "Japanese", "attractions": ["Tokyo Tower", "Shibuya Crossing"]},
            "New York": {"country": "USA", "currency": "Dollar", "language": "English", "attractions": ["Statue of Liberty", "Times Square"]},
            "Sydney": {"country": "Australia", "currency": "Dollar", "language": "English", "attractions": ["Sydney Opera House", "Bondi Beach"]}
        }

    def get_destination_info(self, destination):
        # Fetch destination information from pre-loaded context
        info = self.context.get(destination)
        if info:
            return f"{destination}:\nCountry: {info['country']}\nCurrency: {info['currency']}\nLanguage: {info['language']}\nAttractions: {', '.join(info['attractions'])}"
        else:
            return f"Sorry, we don't have information on {destination}."

# Example usage
travel_agent = TravelAgent()
print(travel_agent.get_destination_info("Paris"))
print(travel_agent.get_destination_info("Tokyo"))

Објашњење

Иницијација (__init__ метода): Класа TravelAgent претходно учитава речник који садржи информације о популарним дестинацијама као што су Париз, Токио, Њујорк и Сиднеј. Овај речник укључује детаље као што су држава, валута, језик и главне атракције за сваку дестинацију.
Проналажење информација (get_destination_info метода): Када корисник постави упит о одређеној дестинацији, метода get_destination_info преузима релевантне информације из претходно учитаног речника контекста.

Претходним учитавањем контекста, апликација туристичког агента може брзо одговарати на упите корисника без потребе за преузимањем информација из спољашњих извора у реалном времену. Ово чини апликацију ефикаснијом и бржом.

Покретање Плана са Циљем Пре Итерирања

Покретање плана са циљем подразумева почетак са јасно дефинисаним циљем или жељеним исходом. Дефинисањем овог циља унапред, модел га може користити као водиљу током итеративног процеса. Ово осигурава да свака итерација приближава постизању жељеног исхода, чинећи процес ефикаснијим и фокусиранијим.

Ево примера како можете покренути план путовања са циљем пре итерације за туристичког агента у Python-у:

Сценарио

Туристички агент жели да планира прилагођени одмор за клијента. Циљ је креирати план путовања који максимално задовољава клијента на основу његових преференција и буџета.

Кораци

Дефинишите преференције и буџет клијента.
Покрените почетни план на основу ових преференција.
Итерирајте како бисте усавршили план, оптимизујући га за задовољство клијента.

Python Код

class TravelAgent:
    def __init__(self, destinations):
        self.destinations = destinations

    def bootstrap_plan(self, preferences, budget):
        plan = []
        total_cost = 0

        for destination in self.destinations:
            if total_cost + destination['cost'] <= budget and self.match_preferences(destination, preferences):
                plan.append(destination)
                total_cost += destination['cost']

        return plan

    def match_preferences(self, destination, preferences):
        for key, value in preferences.items():
            if destination.get(key) != value:
                return False
        return True

    def iterate_plan(self, plan, preferences, budget):
        for i in range(len(plan)):
            for destination in self.destinations:
                if destination not in plan and self.match_preferences(destination, preferences) and self.calculate_cost(plan, destination) <= budget:
                    plan[i] = destination
                    break
        return plan

    def calculate_cost(self, plan, new_destination):
        return sum(destination['cost'] for destination in plan) + new_destination['cost']

# Example usage
destinations = [
    {"name": "Paris", "cost": 1000, "activity": "sightseeing"},
    {"name": "Tokyo", "cost": 1200, "activity": "shopping"},
    {"name": "New York", "cost": 900, "activity": "sightseeing"},
    {"name": "Sydney", "cost": 1100, "activity": "beach"},
]

preferences = {"activity": "sightseeing"}
budget = 2000

travel_agent = TravelAgent(destinations)
initial_plan = travel_agent.bootstrap_plan(preferences, budget)
print("Initial Plan:", initial_plan)

refined_plan = travel_agent.iterate_plan(initial_plan, preferences, budget)
print("Refined Plan:", refined_plan)

Објашњење Кода

Иницијација (__init__ метода): Класа TravelAgent иницијализује се са листом потенцијалних дестинација, од којих свака има атрибуте као што су име, цена и тип активности.
Покретање Плана (bootstrap_plan метода): Ова метода креира почетни план путовања на основу преференција и буџета клијента. Она пролази кроз листу дестинација и додаје их у план ако одговарају преференцијама клијента и уклапају се у буџет.
Усаглашавање Преференција (match_preferences метода): Ова метода проверава да ли дестинација одговара преференцијама клијента.
Итерација Плана (iterate_plan метода): Ова метода усавршава почетни план покушавајући да замени сваку дестинацију у плану бољом опцијом, узимајући у обзир преференције и буџет клијента.
Израчунавање Трошкова (calculate_cost метода): Ова метода израчунава укупне трошкове тренутног плана, укључујући потенцијалну нову дестинацију.

Пример Коришћења

Почетни План: Туристички агент креира почетни план на основу преференција клијента за разгледање и буџета од $2000.
Усавршени План: Туристички агент итерира план, оптимизујући га за преференције и буџет клијента.

Покретањем плана са јасним циљем (нпр. максимално задовољство клијента) и итерацијом ради усавршавања плана, туристички агент може креирати прилагођен и оптимизован план путовања за клијента. Овај приступ осигурава да план путовања од почетка одговара преференцијама и буџету клијента и побољшава се са сваком итерацијом.

Коришћење LLM за Прерангирење и Оцењивање

Велики језички модели (LLM) могу се користити за прерангирење и оцењивање тако што процењују релевантност и квалитет преузетих докумената или генерисаних одговора. Ево како то функционише:

Претраживање: Почетни корак претраживања преузима сет кандидата докумената или одговора на основу упита.

Прерангирење: LLM процењује ове кандидате и прерангирa их на основу њихове релевантности и квалитета. Овај корак осигурава да се најрелевантније и најквалитетније информације представе прве.

Оцењивање: LLM додељује оцене сваком кандидату, одражавајући њихову релевантност и квалитет. Ово помаже у одабиру најбољег одговора или документа за корисника.

Коришћењем LLM за прерангирење и оцењивање, систем може пружити тачније и контекстуално релевантне информације, побољшавајући укупно корисничко искуство.

Ево примера како туристички агент може користити велики језички модел (LLM) за прерангирење и оцењивање туристичких дестинација на основу преференција корисника у Python-у:

Сценарио - Путовање на основу Преференција

Туристички агент жели да препоручи најбоље туристичке дестинације клијенту на основу његових преференција. LLM ће помоћи у прерангирaњу и оцењивању дестинација како би се осигурало да се представе најрелевантније опције.

Кораци:

Прикупите преференције корисника.
Преузмите листу потенцијалних туристичких дестинација.
Користите LLM за прерангирење и оцењивање дестинација на основу преференција корисника.

Ево како можете ажурирати претходни пример да користите Azure OpenAI услуге:

Захтеви

Потребно је да имате Azure претплату.
Креирајте Azure OpenAI ресурс и добијте свој API кључ.

Пример Python Кода

import requests
import json

class TravelAgent:
    def __init__(self, destinations):
        self.destinations = destinations

    def get_recommendations(self, preferences, api_key, endpoint):
        # Generate a prompt for the Azure OpenAI
        prompt = self.generate_prompt(preferences)
        
        # Define headers and payload for the request
        headers = {
            'Content-Type': 'application/json',
            'Authorization': f'Bearer {api_key}'
        }
        payload = {
            "prompt": prompt,
            "max_tokens": 150,
            "temperature": 0.7
        }
        
        # Call the Azure OpenAI API to get the re-ranked and scored destinations
        response = requests.post(endpoint, headers=headers, json=payload)
        response_data = response.json()
        
        # Extract and return the recommendations
        recommendations = response_data['choices'][0]['text'].strip().split('\n')
        return recommendations

    def generate_prompt(self, preferences):
        prompt = "Here are the travel destinations ranked and scored based on the following user preferences:\n"
        for key, value in preferences.items():
            prompt += f"{key}: {value}\n"
        prompt += "\nDestinations:\n"
        for destination in self.destinations:
            prompt += f"- {destination['name']}: {destination['description']}\n"
        return prompt

# Example usage
destinations = [
    {"name": "Paris", "description": "City of lights, known for its art, fashion, and culture."},
    {"name": "Tokyo", "description": "Vibrant city, famous for its modernity and traditional temples."},
    {"name": "New York", "description": "The city that never sleeps, with iconic landmarks and diverse culture."},
    {"name": "Sydney", "description": "Beautiful harbour city, known for its opera house and stunning beaches."},
]

preferences = {"activity": "sightseeing", "culture": "diverse"}
api_key = 'your_azure_openai_api_key'
endpoint = 'https://your-endpoint.com/openai/deployments/your-deployment-name/completions?api-version=2022-12-01'

travel_agent = TravelAgent(destinations)
recommendations = travel_agent.get_recommendations(preferences, api_key, endpoint)
print("Recommended Destinations:")
for rec in recommendations:
    print(rec)

Објашњење Кода - Преференцијални Букер

Иницијација: Класа TravelAgent иницијализује се са листом потенцијалних туристичких дестинација, од којих свака има атрибуте као што су име и опис.
Добијање Препорука (get_recommendations метода): Ова метода генерише упит за Azure OpenAI услугу на основу преференција корисника и шаље HTTP POST захтев Azure OpenAI API-ју како би добила прерангирaне и оцењене дестинације.
Генерисање Упита (generate_prompt метода): Ова метода конструише упит за Azure OpenAI, укључујући преференције корисника и листу дестинација. Упит води модел да прерангирa и оцени дестинације на основу датих преференција.
API Позив: Библиотека requests се користи за слање HTTP POST захтева Azure OpenAI API крајњој тачки. Одговор садржи прерангирaне и оцењене дестинације.
Пример Коришћења: Туристички агент прикупља преференције корисника (нпр. интересовање за разгледање и разнолику културу) и користи Azure OpenAI услугу за добијање прерангирaних и оцењених препорука за туристичке дестинације.

Обавезно замените your_azure_openai_api_key својим стварним Azure OpenAI API кључем и https://your-endpoint.com/... стварном URL адресом крајње тачке вашег Azure OpenAI распореда.

Коришћењем LLM за прерангирење и оцењивање, туристички агент може пружити персонализованије и релевантније препоруке за путовања клијентима, побољшавајући њихово укупно искуство.

RAG: Техника Упита наспрам Алатке

Retrieval-Augmented Generation (RAG) може бити и техника упита и алатка у развоју AI агената. Разумевање разлике између ова два приступа може вам помоћи да ефикасније искористите RAG у својим пројектима.

RAG као Техника Упита

Шта је то?

Као техника упита, RAG подразумева формулисање специфичних упита или питања како би се водило преузимање релевантних информација из велике базе података или корпуса. Ове информације се затим користе за генерисање одговора или акција.

Како функционише:

Формулисање Упита: Креирајте добро структуиране упите или питања на основу задатка или уноса корисника.
Претраживање Информација: Користите упите за претраживање релевантних података из постојеће базе знања или скупа података.
Генерисање Одговора: Комбинујте преузете информације са генеративним AI моделима како бисте произвели свеобухватан и кохерентан одговор.

Пример у Туристичком Агенту:

Унос Корисника: "Желим да посетим музеје у Паризу."
Упит: "Пронађи најбоље музеје у Паризу."
Преузете Информације: Детаљи о Лувру, музеју Орсе, итд.
Генерисани Одговор: "Ево неких од најбољих музеја у Паризу: Лувр, музеј Орсе и Центар Помпиду."

RAG као Алатка

Шта је то?

Као алатка, RAG је интегрисани систем који аутоматизује процес преузимања и генерисања, чинећи лакшим за програмере имплементацију сложених AI функционалности без ручног креирања упита за сваки захтев.

Како функционише:

Интеграција: Уградите RAG у архитектуру AI агента, омогућавајући му да аутоматски обрађује задатке преузимања и генерисања.
Аутоматизација: Алатка управља целокупним процесом, од пријема уноса корисника до генерисања коначног одговора, без потребе за експлицитним упитима за сваки корак.
Ефикасност: Побољшава перформансе агента поједностављивањем процеса преузимања и генерисања, омогућавајући брже и прецизније одговоре.

Пример у Туристичком Агенту:

Унос Корисника: "Желим да посетим музеје у Паризу."
RAG Алатка: Аутоматски преузима информације о музејима и генерише одговор.
Генерисани Одговор: "Ево неких од најбољих музеја у Паризу: Лувр, музеј Орсе и Центар Помпиду."

Поређење

Аспект	Техника Упита	Алатка
Ручно наспрам Аутоматски	Ручно формулисање упита за сваки захтев.	Аутоматизован процес преузимања и генерисања.
Контрола	Пружа већу контролу над процесом преузимања.	Поједностављује и аутоматизује процес.
Флексибилност	Омогућава прилагођене упите на основу специфичних потреба.	Ефикасније за имплементације великог обима.
Комплексност	Захтева креирање и подешавање упита.	Лакше за интеграцију у архитектуру AI агента.

Практични Примери

Пример Технике Упита:

def search_museums_in_paris():
    prompt = "Find top museums in Paris"
    search_results = search_web(prompt)
    return search_results

museums = search_museums_in_paris()
print("Top Museums in Paris:", museums)

Пример Алатке:

class Travel_Agent:
    def __init__(self):
        self.rag_tool = RAGTool()

    def get_museums_in_paris(self):
        user_input = "I want to visit museums in Paris."
        response = self.rag_tool.retrieve_and_generate(user_input)
        return response

travel_agent = Travel_Agent()
museums = travel_agent.get_museums_in_paris()
print("Top Museums in Paris:", museums)

Процена Релевантности

Процена релевантности је кључни аспект перформанси AI агента. Она осигурава да су информације које агент преузима и генерише прикладне, тачне и корисне за корисника. Хајде да истражимо како проценити релевантност у AI агентима, укључујући практичне примере и технике.

Кључни Концепти у Процени Релевантности

Свесност Контекста:
- Агент мора разумети контекст упита корисника како би преузео и генерисао релевантне информације.
- Пример: Ако корисник пита за "најбоље ресторане у Паризу," агент треба да узме у обзир преференције корисника, као што су тип кухиње и буџет.
Тачност:
- Информације које агент пружа треба да буду чињенично тачне и ажурне.
- Пример: Препоручивање тренутно отворених ресторана са добрим рецензијама уместо застарелих или затворених опција.
Намера Корисника:
- Агент треба да закључи намеру корисника иза упита како би пружио најрелевантније информације.
- Пример: Ако корисник пита за "повољне хотеле," агент треба да приоритетно препоручи приступачне опције.
Повратна Информација:
- Континуирано прикупљање и анализа повратних информација корисника помаже агенту да усаврши процес процене релевантности.
- Пример: Укључивање оцена и повратних информација корисника о претходним препорукама ради побољшања будућих одговора.

Практичне Технике за Процену Релевантности

Оцењивање Релевантности:

Доделите оцену релевантности сваком преузетом елементу на основу тога колико добро одговара упиту и преференцијама корисника.

Пример:

def relevance_score(item, query):
    score = 0
    if item['category'] in query['interests']:
        score += 1
    if item['price'] <= query['budget']:
        score += 1
    if item['location'] == query['destination']:
        score += 1
    return score

Филтрирање и Рангирање:
- Филтрирајте ирелевантне елементе и рангирајте преостале на основу њихових оцена релевантности.
- Пример:
```
def filter_and_rank(items, query):
    ranked_items = sorted(items, key=lambda item: relevance_score(item, query), reverse=True)
    return ranked_items[:10]  # Return top 10 relevant items
```
Обрада Природног Језика (NLP):
- Користите NLP технике за разумевање упита корисника и преузимање релевантних информација.
- Пример:
  
  @@CODE_BLOCK_

Практични пример: Претрага са намером у туристичком агенту

Узмимо туристички агент као пример да видимо како се претрага са намером може имплементирати.

Прикупљање корисничких преференција

class Travel_Agent:
    def __init__(self):
        self.user_preferences = {}

    def gather_preferences(self, preferences):
        self.user_preferences = preferences

Разумевање корисничке намере

def identify_intent(query):
    if "book" in query or "purchase" in query:
        return "transactional"
    elif "website" in query or "official" in query:
        return "navigational"
    else:
        return "informational"

Свесност контекста

def analyze_context(query, user_history):
    # Combine current query with user history to understand context
    context = {
        "current_query": query,
        "user_history": user_history
    }
    return context

Претрага и персонализација резултата

def search_with_intent(query, preferences, user_history):
    intent = identify_intent(query)
    context = analyze_context(query, user_history)
    if intent == "informational":
        search_results = search_information(query, preferences)
    elif intent == "navigational":
        search_results = search_navigation(query)
    elif intent == "transactional":
        search_results = search_transaction(query, preferences)
    personalized_results = personalize_results(search_results, user_history)
    return personalized_results

def search_information(query, preferences):
    # Example search logic for informational intent
    results = search_web(f"best {preferences['interests']} in {preferences['destination']}")
    return results

def search_navigation(query):
    # Example search logic for navigational intent
    results = search_web(query)
    return results

def search_transaction(query, preferences):
    # Example search logic for transactional intent
    results = search_web(f"book {query} to {preferences['destination']}")
    return results

def personalize_results(results, user_history):
    # Example personalization logic
    personalized = [result for result in results if result not in user_history]
    return personalized[:10]  # Return top 10 personalized results

Пример употребе

travel_agent = Travel_Agent()
preferences = {
    "destination": "Paris",
    "interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
user_history = ["Louvre Museum website", "Book flight to Paris"]
query = "best museums in Paris"
results = search_with_intent(query, preferences, user_history)
print("Search Results:", results)

4. Генерисање кода као алат

Агенти за генерисање кода користе AI моделе за писање и извршавање кода, решавање сложених проблема и аутоматизацију задатака.

Агенти за генерисање кода

Агенти за генерисање кода користе генеративне AI моделе за писање и извршавање кода. Ови агенти могу решавати сложене проблеме, аутоматизовати задатке и пружати вредне увиде генерисањем и извршавањем кода у различитим програмским језицима.

Практичне примене

Аутоматско генерисање кода: Генерисање делова кода за одређене задатке, као што су анализа података, веб скрепинг или машинско учење.
SQL као RAG: Коришћење SQL упита за преузимање и манипулацију подацима из база.
Решавање проблема: Креирање и извршавање кода за решавање специфичних проблема, као што су оптимизација алгоритама или анализа података.

Пример: Агент за генерисање кода за анализу података

Замислите да дизајнирате агента за генерисање кода. Ево како би то могло функционисати:

Задатак: Анализирати скуп података ради идентификације трендова и образаца.
Кораци:
- Учитавање скупа података у алат за анализу података.
- Генерисање SQL упита за филтрирање и агрегирање података.
- Извршавање упита и преузимање резултата.
- Коришћење резултата за генерисање визуализација и увида.
Потребни ресурси: Приступ скупу података, алати за анализу података и SQL могућности.
Искуство: Коришћење претходних резултата анализе за побољшање тачности и релевантности будућих анализа.

Пример: Агент за генерисање кода за туристички агент

У овом примеру, дизајнираћемо агента за генерисање кода, туристички агент, који помаже корисницима у планирању путовања генерисањем и извршавањем кода. Овај агент може обављати задатке као што су преузимање опција путовања, филтрирање резултата и састављање итинерера користећи генеративни AI.

Преглед агента за генерисање кода

Прикупљање корисничких преференција: Прикупља унос корисника као што су дестинација, датуми путовања, буџет и интересовања.
Генерисање кода за преузимање података: Генерише делове кода за преузимање података о летовима, хотелима и атракцијама.
Извршавање генерисаног кода: Извршава генерисани код за преузимање информација у реалном времену.
Генерисање итинерера: Саставља преузете податке у персонализовани план путовања.
Прилагођавање на основу повратних информација: Прима повратне информације корисника и поново генерише код ако је потребно ради побољшања резултата.

Корак-по-корак имплементација

Прикупљање корисничких преференција

class Travel_Agent:
    def __init__(self):
        self.user_preferences = {}

    def gather_preferences(self, preferences):
        self.user_preferences = preferences

Генерисање кода за преузимање података

def generate_code_to_fetch_data(preferences):
    # Example: Generate code to search for flights based on user preferences
    code = f"""
    def search_flights():
        import requests
        response = requests.get('https://api.example.com/flights', params={preferences})
        return response.json()
    """
    return code

def generate_code_to_fetch_hotels(preferences):
    # Example: Generate code to search for hotels
    code = f"""
    def search_hotels():
        import requests
        response = requests.get('https://api.example.com/hotels', params={preferences})
        return response.json()
    """
    return code

Извршавање генерисаног кода

def execute_code(code):
    # Execute the generated code using exec
    exec(code)
    result = locals()
    return result

travel_agent = Travel_Agent()
preferences = {
    "destination": "Paris",
    "dates": "2025-04-01 to 2025-04-10",
    "budget": "moderate",
    "interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)

flight_code = generate_code_to_fetch_data(preferences)
hotel_code = generate_code_to_fetch_hotels(preferences)

flights = execute_code(flight_code)
hotels = execute_code(hotel_code)

print("Flight Options:", flights)
print("Hotel Options:", hotels)

Генерисање итинерера

def generate_itinerary(flights, hotels, attractions):
    itinerary = {
        "flights": flights,
        "hotels": hotels,
        "attractions": attractions
    }
    return itinerary

attractions = search_attractions(preferences)
itinerary = generate_itinerary(flights, hotels, attractions)
print("Suggested Itinerary:", itinerary)

Прилагођавање на основу повратних информација

def adjust_based_on_feedback(feedback, preferences):
    # Adjust preferences based on user feedback
    if "liked" in feedback:
        preferences["favorites"] = feedback["liked"]
    if "disliked" in feedback:
        preferences["avoid"] = feedback["disliked"]
    return preferences

feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
updated_preferences = adjust_based_on_feedback(feedback, preferences)

# Regenerate and execute code with updated preferences
updated_flight_code = generate_code_to_fetch_data(updated_preferences)
updated_hotel_code = generate_code_to_fetch_hotels(updated_preferences)

updated_flights = execute_code(updated_flight_code)
updated_hotels = execute_code(updated_hotel_code)

updated_itinerary = generate_itinerary(updated_flights, updated_hotels, attractions)
print("Updated Itinerary:", updated_itinerary)

Искоришћавање свесности окружења и резоновања

Засновано на шеми табеле може побољшати процес генерисања упита искоришћавањем свесности окружења и резоновања.

Ево примера како се то може урадити:

Разумевање шеме: Систем ће разумети шему табеле и користити те информације за генерисање упита.
Прилагођавање на основу повратних информација: Систем ће прилагодити корисничке преференције на основу повратних информација и размишљати о томе која поља у шеми треба ажурирати.
Генерисање и извршавање упита: Систем ће генерисати и извршавати упите за преузимање ажурираних података о летовима и хотелима на основу нових преференција.

Ево ажурираног Python кода који укључује ове концепте:

def adjust_based_on_feedback(feedback, preferences, schema):
    # Adjust preferences based on user feedback
    if "liked" in feedback:
        preferences["favorites"] = feedback["liked"]
    if "disliked" in feedback:
        preferences["avoid"] = feedback["disliked"]
    # Reasoning based on schema to adjust other related preferences
    for field in schema:
        if field in preferences:
            preferences[field] = adjust_based_on_environment(feedback, field, schema)
    return preferences

def adjust_based_on_environment(feedback, field, schema):
    # Custom logic to adjust preferences based on schema and feedback
    if field in feedback["liked"]:
        return schema[field]["positive_adjustment"]
    elif field in feedback["disliked"]:
        return schema[field]["negative_adjustment"]
    return schema[field]["default"]

def generate_code_to_fetch_data(preferences):
    # Generate code to fetch flight data based on updated preferences
    return f"fetch_flights(preferences={preferences})"

def generate_code_to_fetch_hotels(preferences):
    # Generate code to fetch hotel data based on updated preferences
    return f"fetch_hotels(preferences={preferences})"

def execute_code(code):
    # Simulate execution of code and return mock data
    return {"data": f"Executed: {code}"}

def generate_itinerary(flights, hotels, attractions):
    # Generate itinerary based on flights, hotels, and attractions
    return {"flights": flights, "hotels": hotels, "attractions": attractions}

# Example schema
schema = {
    "favorites": {"positive_adjustment": "increase", "negative_adjustment": "decrease", "default": "neutral"},
    "avoid": {"positive_adjustment": "decrease", "negative_adjustment": "increase", "default": "neutral"}
}

# Example usage
preferences = {"favorites": "sightseeing", "avoid": "crowded places"}
feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
updated_preferences = adjust_based_on_feedback(feedback, preferences, schema)

# Regenerate and execute code with updated preferences
updated_flight_code = generate_code_to_fetch_data(updated_preferences)
updated_hotel_code = generate_code_to_fetch_hotels(updated_preferences)

updated_flights = execute_code(updated_flight_code)
updated_hotels = execute_code(updated_hotel_code)

updated_itinerary = generate_itinerary(updated_flights, updated_hotels, feedback["liked"])
print("Updated Itinerary:", updated_itinerary)

Објашњење - Резервација на основу повратних информација

Свесност шеме: schema речник дефинише како преференције треба прилагодити на основу повратних информација. Укључује поља као што су favorites и avoid, са одговарајућим прилагођавањима.
Прилагођавање преференција (adjust_based_on_feedback метод): Овај метод прилагођава преференције на основу повратних информација корисника и шеме.
Прилагођавања заснована на окружењу (adjust_based_on_environment метод): Овај метод прилагођава прилагођавања на основу шеме и повратних информација.
Генерисање и извршавање упита: Систем генерише код за преузимање ажурираних података о летовима и хотелима на основу прилагођених преференција и симулира извршавање тих упита.
Генерисање итинерера: Систем креира ажурирани итинерер на основу нових података о летовима, хотелима и атракцијама.

Користећи свесност окружења и резоновање засновано на шеми, систем може генерисати тачније и релевантније упите, што доводи до бољих препорука за путовања и персонализованијег корисничког искуства.

Коришћење SQL-а као Retrieval-Augmented Generation (RAG) технике

SQL (Structured Query Language) је моћан алат за интеракцију са базама података. Када се користи као део Retrieval-Augmented Generation (RAG) приступа, SQL може преузети релевантне податке из база ради информисања и генерисања одговора или акција у AI агентима. Хајде да истражимо како SQL може бити коришћен као RAG техника у контексту туристичког агента.

Кључни концепти

Интеракција са базом података:
- SQL се користи за упите база података, преузимање релевантних информација и манипулацију подацима.
- Пример: Преузимање детаља о летовима, информација о хотелима и атракцијама из туристичке базе података.
Интеграција са RAG:
- SQL упити се генеришу на основу уноса и преференција корисника.
- Преузети подаци се затим користе за генерисање персонализованих препорука или акција.
Динамичко генерисање упита:
- AI агент генерише динамичке SQL упите на основу контекста и потреба корисника.
- Пример: Прилагођавање SQL упита за филтрирање резултата на основу буџета, датума и интересовања.

Примене

Аутоматско генерисање кода: Генерисање делова кода за одређене задатке.
SQL као RAG: Коришћење SQL упита за манипулацију подацима.
Решавање проблема: Креирање и извршавање кода за решавање проблема.

Пример: Агент за анализу података:

Задатак: Анализирати скуп података ради проналажења трендова.
Кораци:
- Учитавање скупа података.
- Генерисање SQL упита за филтрирање података.
- Извршавање упита и преузимање резултата.
- Генерисање визуализација и увида.
Ресурси: Приступ скупу података, SQL могућности.
Искуство: Коришћење претходних резултата за побољшање будућих анализа.

Практични пример: Коришћење SQL-а у туристичком агенту

Прикупљање корисничких преференција

class Travel_Agent:
    def __init__(self):
        self.user_preferences = {}

    def gather_preferences(self, preferences):
        self.user_preferences = preferences

Генерисање SQL упита

def generate_sql_query(table, preferences):
    query = f"SELECT * FROM {table} WHERE "
    conditions = []
    for key, value in preferences.items():
        conditions.append(f"{key}='{value}'")
    query += " AND ".join(conditions)
    return query

Извршавање SQL упита

import sqlite3

def execute_sql_query(query, database="travel.db"):
    connection = sqlite3.connect(database)
    cursor = connection.cursor()
    cursor.execute(query)
    results = cursor.fetchall()
    connection.close()
    return results

Генерисање препорука

def generate_recommendations(preferences):
    flight_query = generate_sql_query("flights", preferences)
    hotel_query = generate_sql_query("hotels", preferences)
    attraction_query = generate_sql_query("attractions", preferences)
    
    flights = execute_sql_query(flight_query)
    hotels = execute_sql_query(hotel_query)
    attractions = execute_sql_query(attraction_query)
    
    itinerary = {
        "flights": flights,
        "hotels": hotels,
        "attractions": attractions
    }
    return itinerary

travel_agent = Travel_Agent()
preferences = {
    "destination": "Paris",
    "dates": "2025-04-01 to 2025-04-10",
    "budget": "moderate",
    "interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
itinerary = generate_recommendations(preferences)
print("Suggested Itinerary:", itinerary)

Пример SQL упита

Упит за летове

SELECT * FROM flights WHERE destination='Paris' AND dates='2025-04-01 to 2025-04-10' AND budget='moderate';

Упит за хотеле

SELECT * FROM hotels WHERE destination='Paris' AND budget='moderate';

Упит за атракције

SELECT * FROM attractions WHERE destination='Paris' AND interests='museums, cuisine';

Користећи SQL као део Retrieval-Augmented Generation (RAG) технике, AI агенти као што је туристички агент могу динамички преузимати и користити релевантне податке за пружање тачних и персонализованих препорука.

Пример метакогниције

Да бисмо демонстрирали имплементацију метакогниције, направићемо једноставног агента који размишља о свом процесу доношења одлука док решава проблем. У овом примеру, направићемо систем где агент покушава да оптимизује избор хотела, али затим процењује своје размишљање и прилагођава своју стратегију када направи грешке или субоптималне изборе.

Симулираћемо ово користећи основни пример где агент бира хотеле на основу комбинације цене и квалитета, али ће "размишљати" о својим одлукама и прилагођавати се.

Како ово илуструје метакогницију:

Почетна одлука: Агент ће изабрати најјефтинији хотел, без разумевања утицаја квалитета.
Рефлексија и процена: Након почетног избора, агент ће проверити да ли је хотел "лош" избор користећи повратне информације корисника. Ако утврди да је квалитет хотела био пренизак, размишљаће о свом резоновању.
Прилагођавање стратегије: Агент прилагођава своју стратегију на основу рефлексије и прелази са "најјефтинијег" на "најквалитетнији", чиме побољшава процес доношења одлука у будућим итерацијама.

Ево примера:

class HotelRecommendationAgent:
    def __init__(self):
        self.previous_choices = []  # Stores the hotels chosen previously
        self.corrected_choices = []  # Stores the corrected choices
        self.recommendation_strategies = ['cheapest', 'highest_quality']  # Available strategies

    def recommend_hotel(self, hotels, strategy):
        """
        Recommend a hotel based on the chosen strategy.
        The strategy can either be 'cheapest' or 'highest_quality'.
        """
        if strategy == 'cheapest':
            recommended = min(hotels, key=lambda x: x['price'])
        elif strategy == 'highest_quality':
            recommended = max(hotels, key=lambda x: x['quality'])
        else:
            recommended = None
        self.previous_choices.append((strategy, recommended))
        return recommended

    def reflect_on_choice(self):
        """
        Reflect on the last choice made and decide if the agent should adjust its strategy.
        The agent considers if the previous choice led to a poor outcome.
        """
        if not self.previous_choices:
            return "No choices made yet."

        last_choice_strategy, last_choice = self.previous_choices[-1]
        # Let's assume we have some user feedback that tells us whether the last choice was good or not
        user_feedback = self.get_user_feedback(last_choice)

        if user_feedback == "bad":
            # Adjust strategy if the previous choice was unsatisfactory
            new_strategy = 'highest_quality' if last_choice_strategy == 'cheapest' else 'cheapest'
            self.corrected_choices.append((new_strategy, last_choice))
            return f"Reflecting on choice. Adjusting strategy to {new_strategy}."
        else:
            return "The choice was good. No need to adjust."

    def get_user_feedback(self, hotel):
        """
        Simulate user feedback based on hotel attributes.
        For simplicity, assume if the hotel is too cheap, the feedback is "bad".
        If the hotel has quality less than 7, feedback is "bad".
        """
        if hotel['price'] < 100 or hotel['quality'] < 7:
            return "bad"
        return "good"

# Simulate a list of hotels (price and quality)
hotels = [
    {'name': 'Budget Inn', 'price': 80, 'quality': 6},
    {'name': 'Comfort Suites', 'price': 120, 'quality': 8},
    {'name': 'Luxury Stay', 'price': 200, 'quality': 9}
]

# Create an agent
agent = HotelRecommendationAgent()

# Step 1: The agent recommends a hotel using the "cheapest" strategy
recommended_hotel = agent.recommend_hotel(hotels, 'cheapest')
print(f"Recommended hotel (cheapest): {recommended_hotel['name']}")

# Step 2: The agent reflects on the choice and adjusts strategy if necessary
reflection_result = agent.reflect_on_choice()
print(reflection_result)

# Step 3: The agent recommends again, this time using the adjusted strategy
adjusted_recommendation = agent.recommend_hotel(hotels, 'highest_quality')
print(f"Adjusted hotel recommendation (highest_quality): {adjusted_recommendation['name']}")

Метакогнитивне способности агента

Кључно овде је способност агента да:

Процени своје претходне изборе и процес доношења одлука.
Прилагоди своју стратегију на основу те рефлексије, односно метакогниција у акцији.

Ово је једноставан облик метакогниције где систем може прилагодити свој процес резоновања на основу интерних повратних информација.

Закључак

Метакогниција је моћан алат који може значајно побољшати способности AI агената. Укључивањем метакогнитивних процеса, можете дизајнирати агенте који су интелигентнији, прилагодљивији и ефикаснији. Користите додатне ресурсе за даље истраживање фасцинантног света метакогниције у AI агентима.

Имате још питања о дизајн шаблону метакогниције?

Придружите се Azure AI Foundry Discord да упознате друге учеснике, присуствујете консултацијама и добијете одговоре на ваша питања о AI агентима.

Претходна лекција

Шаблон за више агената

Следећа лекција

AI агенти у продукцији

Одрицање од одговорности:
Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције Co-op Translator. Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода.

FilesExpand file tree

README.md

Latest commit

History

README.md

File metadata and controls

Метакогниција код AI агената

Увод

Циљеви учења

Увод у метакогницију

Шта је метакогниција?

Значај метакогниције код AI агената

Компоненте AI агента

Пример: Метакогниција у услузи туристичког агента

Тренутни задатак

Кораци за завршетак задатка

Потребни ресурси

Искуство и саморефлексија

Практичан пример за програмере

Зашто је метакогниција важна

2. Планирање код агената

Елементи планирања

Кораци за Туристичког агента

Пример интеракције

3. Корективни RAG систем

Генерација уз помоћ претраживања (RAG)

Приступ корективног RAG-а

Претходно Учитавање Контекста

Објашњење

Покретање Плана са Циљем Пре Итерирања

Сценарио

Кораци

Python Код

Објашњење Кода

Пример Коришћења

Коришћење LLM за Прерангирење и Оцењивање

Сценарио - Путовање на основу Преференција

Кораци:

Захтеви

Пример Python Кода

Објашњење Кода - Преференцијални Букер

RAG: Техника Упита наспрам Алатке

RAG као Техника Упита

RAG као Алатка

Поређење

Практични Примери

Процена Релевантности

Кључни Концепти у Процени Релевантности

Практичне Технике за Процену Релевантности

Практични пример: Претрага са намером у туристичком агенту

4. Генерисање кода као алат

Агенти за генерисање кода

Практичне примене

Пример: Агент за генерисање кода за анализу података

Пример: Агент за генерисање кода за туристички агент

Преглед агента за генерисање кода

Корак-по-корак имплементација

Искоришћавање свесности окружења и резоновања

Објашњење - Резервација на основу повратних информација

Коришћење SQL-а као Retrieval-Augmented Generation (RAG) технике

Кључни концепти

Примене

Практични пример: Коришћење SQL-а у туристичком агенту

Пример SQL упита

Пример метакогниције

Како ово илуструје метакогницију:

Метакогнитивне способности агента

Закључак

Имате још питања о дизајн шаблону метакогниције?

Претходна лекција

Следећа лекција