(Нажмите на изображение выше, чтобы посмотреть видео к этому уроку)
Введение в ИИ-агенты и сценарии их использования
Добро пожаловать на курс ИИ-агенты для начинающих! Этот курс предоставит вам фундаментальные знания и готовый код для создания ИИ-агентов с нуля.
Присоединяйтесь к сообществу Azure AI в Discord, там много учащихся и разработчиков ИИ, которые с радостью ответят на ваши вопросы.
Прежде чем приступить к разработке, давайте убедимся, что мы понимаем, что такое ИИ-агент и когда его целесообразно использовать.
Введение
В этом уроке вы узнаете:
- Что такое ИИ-агенты и какие их типы существуют.
- Для каких задач ИИ-агенты подходят лучше всего.
- Основные компоненты, которые вы будете использовать при проектировании агентского решения.
Цели обучения
По завершении этого урока вы сможете:
- Объяснить, что такое ИИ-агент и чем он отличается от обычного ИИ-решения.
- Понимать, когда следует использовать ИИ-агента (и когда не следует).
- Набросать базовый дизайн агентского решения для реальной проблемы.
Определение ИИ-агентов и их типы
Что такое ИИ-агенты?
Вот простое определение:
ИИ-агенты представляют собой системы, которые позволяют большим языковым моделям (LLM) выполнять действия, предоставляя им инструменты и знания для взаимодействия с миром, а не просто отвечать на промпты.
Давайте разберем это подробнее:
- Система: ИИ-агент: это не единое целое, а набор взаимосвязанных компонентов. В основе каждого агента лежат три элемента:
- Среда: Пространство, в котором работает агент. Для агента по бронированию путешествий это будет сама платформа бронирования.
- Датчики: Механизмы, с помощью которых агент считывает текущее состояние своей среды. Наш агент по путешествиям может проверять наличие отелей или цены на авиабилеты.
- Исполнительные механизмы (актуаторы): Способы, которыми агент совершает действия. Агент по путешествиям может забронировать номер, отправить подтверждение или отменить бронирование.
Большие языковые модели: Агенты существовали и до LLM, но именно LLM делают современные агенты такими мощными. Они способны понимать естественный язык, рассуждать о контексте и превращать расплывчатый запрос пользователя в конкретный план действий.
Выполнение действий: Без агентской системы LLM просто генерирует текст. Внутри агентской системы LLM может выполнять шаги: искать в базе данных, вызывать API, отправлять сообщения.
Доступ к инструментам: Какие инструменты может использовать агент, зависит от (1) среды, в которой он работает, и (2) того, что разработчик решил ему предоставить. Агент по бронированию путешествий может искать рейсы, но не редактировать записи клиентов, всё зависит от того, что вы подключите.
Память и знания: Агенты могут иметь кратковременную память (текущий разговор) и долговременную память (база данных клиентов, прошлые взаимодействия). Агент по бронированию путешествий может «помнить», что вы предпочитаете места у окна.
Различные типы ИИ-агентов
Не все агенты устроены одинаково. Ниже приведена классификация основных типов, с использованием агента по бронированию путешествий в качестве примера:
| Тип агента | Что он делает | Пример агента по бронированию путешествий |
|---|---|---|
| Простые рефлекторные агенты | Следуют жестко заданным правилам, без памяти и планирования. | Видит электронное письмо с жалобой → пересылает его в службу поддержки. И всё. |
| Рефлекторные агенты на основе модели | Поддерживают внутреннюю модель мира и обновляют её по мере изменения. | Отслеживает исторические цены на авиабилеты и отмечает маршруты, которые внезапно стали дорогими. |
| Целевые агенты | Имеют цель и пошагово определяют, как её достичь. | Бронирует полную поездку (авиабилеты, автомобиль, отель), начиная с вашего текущего местоположения до пункта назначения. |
| Агенты, основанные на полезности | Находят не просто какое-то решение, а лучшее, взвешивая компромиссы. | Балансирует стоимость и удобство, чтобы найти поездку, которая максимально соответствует вашим предпочтениям. |
| Обучающиеся агенты | Со временем улучшаются, обучаясь на обратной связи. | Корректирует будущие рекомендации по бронированию на основе результатов опросов после поездки. |
| Иерархические агенты | Агент высокого уровня разбивает работу на подзадачи и делегирует их агентам более низкого уровня. | Запрос «отменить поездку» разбивается на: отменить рейс, отменить отель, отменить аренду автомобиля, каждую из которых обрабатывает субагент. |
| Мультиагентные системы (МАС) | Несколько независимых агентов, работающих вместе (или конкурирующих). | Кооперативные: отдельные агенты занимаются отелями, рейсами и развлечениями. Конкурентные: несколько агентов соревнуются за заполнение гостиничных номеров по лучшей цене. |
Когда использовать ИИ-агентов
То, что вы можете использовать ИИ-агента, не означает, что вы всегда должны это делать. Вот ситуации, в которых агенты действительно проявляют себя:
- Открытые проблемы: Когда шаги для решения проблемы невозможно запрограммировать заранее. Вам нужно, чтобы LLM динамически определяла путь.
- Многошаговые процессы: Задачи, требующие использования инструментов в несколько этапов, а не просто одного поиска или генерации.
- Улучшение со временем: Когда вы хотите, чтобы система становилась умнее на основе отзывов пользователей или сигналов среды.
Мы подробнее рассмотрим, когда (и когда не) следует использовать ИИ-агентов, в уроке Создание надёжных ИИ-агентов позднее в курсе.
Основы агентских решений
Разработка агента
Первое, что вы делаете при создании агента, это определяете, что он может делать, его инструменты, действия и поведение.
В этом курсе мы используем Microsoft Foundry Agent Service в качестве основной платформы. Она поддерживает:
- Модели от таких провайдеров, как OpenAI, Mistral и Meta (Llama).
- Лицензированные данные от таких провайдеров, как Tripadvisor.
- Стандартизированные определения инструментов OpenAPI 3.0.
Агентские паттерны
Вы взаимодействуете с LLM через промпты. С агентами не всегда возможно вручную создавать каждый промпт, агент должен выполнять действия в несколько шагов. Именно здесь на помощь приходят агентские паттерны. Это многократно используемые стратегии для промптинга и оркестровки LLM более масштабируемым и надёжным способом.
Этот курс построен вокруг наиболее распространённых и полезных агентских паттернов.
Агентские фреймворки
Агентские фреймворки предоставляют разработчикам готовые шаблоны, инструменты и инфраструктуру для создания агентов. Они упрощают:
- Подключение инструментов и возможностей.
- Наблюдение за действиями агента (и отладку в случае ошибок).
- Сотрудничество между несколькими агентами.
В этом курсе мы сосредоточимся на Microsoft Agent Framework (MAF) для создания готовых к производству агентов.
Примеры кода
Хотите увидеть это в действии? Вот примеры кода для этого урока:
- 🐍 Python: Agent Framework
- 🔷 .NET: Agent Framework
Есть вопросы?
Присоединяйтесь к Microsoft Foundry Discord, чтобы общаться с другими учащимися, посещать часы поддержки и получать ответы на вопросы по ИИ-агентам от сообщества.
Дымовое тестирование этого агента (необязательно)
После того как вы научитесь развёртывать агентов в Уроке 16, вы сможете добавить быструю проверку работоспособности для TravelAgent из этого урока с помощью готового каталога tests/lesson-01-smoke-tests.json. Инструкции по запуску см. в tests/README.md.
Предыдущий урок
Следующий урок
Изучение агентских фреймворков
Источник: урок курса Microsoft «AI Agents for Beginners», © Microsoft Corporation, лицензия MIT. Перевод и адаптация на русский: AI University. Мы не являемся официальным партнёром или представителем Microsoft.