ai-agents-for-beginners
(Klicken Sie auf das obige Bild, um das Video dieser Lektion anzusehen)
Einführung in KI-Agenten und Anwendungsfälle für Agenten
Willkommen zum Kurs „KI-Agenten für Anfänger“! Dieser Kurs vermittelt grundlegendes Wissen und angewandte Beispiele für den Aufbau von KI-Agenten.
Treten Sie der Azure AI Discord Community bei, um andere Lernende und KI-Agenten-Entwickler zu treffen und alle Fragen zu diesem Kurs zu stellen.
Um diesen Kurs zu beginnen, verstehen wir zunächst besser, was KI-Agenten sind und wie wir sie in den Anwendungen und Arbeitsabläufen, die wir erstellen, einsetzen können.
Einleitung
Diese Lektion behandelt
- Was sind KI-Agenten und welche verschiedenen Arten von Agenten gibt es?
- Welche Anwendungsfälle eignen sich am besten für KI-Agenten und wie können sie uns helfen?
- Was sind einige der grundlegenden Bausteine bei der Konzeption von Agenten-basierten Lösungen?
Lernziele
Nach Abschluss dieser Lektion sollten Sie in der Lage sein
- KI-Agenten-Konzepte zu verstehen und wie sie sich von anderen KI-Lösungen unterscheiden.
- KI-Agenten am effizientesten anzuwenden.
- Agenten-basierte Lösungen produktiv für Benutzer und Kunden zu entwickeln.
Definition von KI-Agenten und Typen von KI-Agenten
Was sind KI-Agenten?
KI-Agenten sind Systeme, die es großen Sprachmodellen (LLMs) ermöglichen, Aktionen auszuführen, indem sie deren Fähigkeiten erweitern, indem sie LLMs Zugriff auf Werkzeuge und Wissen gewähren.
Lassen Sie uns diese Definition in kleinere Teile aufteilen
- System – Es ist wichtig, Agenten nicht nur als eine einzige Komponente zu betrachten, sondern als ein System aus vielen Komponenten. Auf der grundlegendsten Ebene bestehen die Komponenten eines KI-Agenten aus
- Umgebung – Der definierte Raum, in dem der KI-Agent agiert. Wenn wir beispielsweise einen KI-Agenten für Reisebuchungen hätten, könnte die Umgebung das Reisebuchungssystem sein, das der KI-Agent zur Erledigung von Aufgaben verwendet.
- Sensoren – Umgebungen enthalten Informationen und liefern Feedback. KI-Agenten verwenden Sensoren, um diese Informationen über den aktuellen Zustand der Umgebung zu sammeln und zu interpretieren. Im Beispiel des Reisebuchungsagenten kann das Reisebuchungssystem Informationen wie Hotelverfügbarkeit oder Flugpreise liefern.
- Aktoren – Sobald der KI-Agent den aktuellen Zustand der Umgebung erhalten hat, bestimmt der Agent für die aktuelle Aufgabe, welche Aktion ausgeführt werden muss, um die Umgebung zu verändern. Für den Reisebuchungsagenten könnte dies darin bestehen, ein verfügbares Zimmer für den Benutzer zu buchen.
Große Sprachmodelle – Das Konzept von Agenten gab es bereits vor der Entwicklung von LLMs. Der Vorteil des Aufbaus von KI-Agenten mit LLMs liegt in ihrer Fähigkeit, menschliche Sprache und Daten zu interpretieren. Diese Fähigkeit ermöglicht es LLMs, Umgebungsinformationen zu interpretieren und einen Plan zur Veränderung der Umgebung zu definieren.
Aktionen ausführen – Außerhalb von KI-Agenten-Systemen sind LLMs auf Situationen beschränkt, in denen die Aktion die Generierung von Inhalten oder Informationen basierend auf der Eingabeaufforderung eines Benutzers ist. Innerhalb von KI-Agenten-Systemen können LLMs Aufgaben erfüllen, indem sie die Anfrage des Benutzers interpretieren und Werkzeuge nutzen, die in ihrer Umgebung verfügbar sind.
Zugriff auf Werkzeuge – Welche Werkzeuge dem LLM zur Verfügung stehen, wird bestimmt durch 1) die Umgebung, in der es agiert, und 2) den Entwickler des KI-Agenten. Für unser Reiseagenten-Beispiel sind die Werkzeuge des Agenten durch die im Buchungssystem verfügbaren Operationen eingeschränkt, und/oder der Entwickler kann den Werkzeugzugriff des Agenten auf Flüge beschränken.
Gedächtnis + Wissen – Gedächtnis kann kurzfristig im Kontext der Konversation zwischen dem Benutzer und dem Agenten sein. Langfristig kann ein KI-Agent über die von der Umgebung bereitgestellten Informationen hinaus Wissen aus anderen Systemen, Diensten, Werkzeugen und sogar anderen Agenten abrufen. Im Beispiel des Reiseagenten könnten diese Informationen die Präferenzen des Benutzers für Reisen sein, die sich in einer Kundendatenbank befinden.
Die verschiedenen Arten von Agenten
Nachdem wir nun eine allgemeine Definition von KI-Agenten haben, werfen wir einen Blick auf einige spezifische Agententypen und wie sie auf einen KI-Agenten für Reisebuchungen angewendet würden.
| Agententyp | Beschreibung | Beispiel |
|---|---|---|
| Einfache Reflexagenten | Führen sofortige Aktionen basierend auf vordefinierten Regeln aus. | Reiseagent interpretiert den Kontext der E-Mail und leitet Reisebeschwerden an den Kundenservice weiter. |
| Modellbasierte Reflexagenten | Führen Aktionen basierend auf einem Modell der Welt und Änderungen dieses Modells aus. | Reiseagent priorisiert Routen mit signifikanten Preisänderungen basierend auf dem Zugriff auf historische Preisdaten. |
| Zielbasierte Agenten | Erstellen Pläne, um spezifische Ziele zu erreichen, indem sie das Ziel interpretieren und Aktionen bestimmen, um es zu erreichen. | Reiseagent bucht eine Reise, indem er notwendige Reisevorkehrungen (Auto, öffentliche Verkehrsmittel, Flüge) vom aktuellen Standort zum Zielort ermittelt. |
| Nutzenbasierte Agenten | Berücksichtigen Präferenzen und wägen Kompromisse numerisch ab, um zu bestimmen, wie Ziele erreicht werden können. | Reiseagent maximiert den Nutzen, indem er Bequemlichkeit vs. Kosten beim Buchen von Reisen abwägt. |
| Lernende Agenten | Verbessern sich im Laufe der Zeit, indem sie auf Feedback reagieren und Aktionen entsprechend anpassen. | Reiseagent verbessert sich, indem er Kundenfeedback aus Umfragen nach der Reise nutzt, um zukünftige Buchungen anzupassen. |
| Hierarchische Agenten | Verfügen über mehrere Agenten in einem gestuften System, wobei übergeordnete Agenten Aufgaben in Unteraufgaben aufteilen, die von untergeordneten Agenten erledigt werden müssen. | Reiseagent storniert eine Reise, indem er die Aufgabe in Unteraufgaben aufteilt (z. B. Stornierung bestimmter Buchungen) und untergeordnete Agenten diese ausführen lässt, die dem übergeordneten Agenten berichten. |
| Multi-Agenten-Systeme (MAS) | Agenten erledigen Aufgaben unabhängig, entweder kooperativ oder wettbewerbsorientiert. | Kooperativ: Mehrere Agenten buchen spezifische Reisedienstleistungen wie Hotels, Flüge und Unterhaltung. Wettbewerbsorientiert: Mehrere Agenten verwalten und konkurrieren um einen gemeinsamen Hotelbuchungskalender, um Kunden in das Hotel zu buchen. |
Wann KI-Agenten einsetzen?
Im vorherigen Abschnitt haben wir den Anwendungsfall des Reiseagenten verwendet, um zu erklären, wie die verschiedenen Agententypen in verschiedenen Szenarien von Reisebuchungen eingesetzt werden können. Wir werden diese Anwendung im gesamten Kurs weiter verwenden.
Werfen wir einen Blick auf die Arten von Anwendungsfällen, für die KI-Agenten am besten geeignet sind
- Offene Probleme – die es dem LLM ermöglichen, benötigte Schritte zur Erledigung einer Aufgabe zu ermitteln, da diese nicht immer in einem Arbeitsablauf fest codiert werden können.
- Mehrstufige Prozesse – Aufgaben, die ein gewisses Maß an Komplexität erfordern, bei denen der KI-Agent Werkzeuge oder Informationen über mehrere Durchgänge anstelle einer einmaligen Abfrage nutzen muss.
- Verbesserung im Laufe der Zeit – Aufgaben, bei denen sich der Agent im Laufe der Zeit durch Feedback aus seiner Umgebung oder von Benutzern verbessern kann, um eine bessere Leistung zu erzielen.
Weitere Überlegungen zur Verwendung von KI-Agenten werden in der Lektion „Aufbau vertrauenswürdiger KI-Agenten“ behandelt.
Grundlagen von Agenten-basierten Lösungen
Agentenentwicklung
Der erste Schritt bei der Konzeption eines KI-Agenten-Systems ist die Definition der Werkzeuge, Aktionen und Verhaltensweisen. In diesem Kurs konzentrieren wir uns auf die Verwendung des Azure AI Agent Service zur Definition unserer Agenten. Er bietet Funktionen wie
- Auswahl offener Modelle wie OpenAI, Mistral und Llama
- Nutzung lizenzierter Daten über Anbieter wie Tripadvisor
- Nutzung standardisierter OpenAPI 3.0-Werkzeuge
Agenten-Muster
Die Kommunikation mit LLMs erfolgt über Prompts. Angesichts der semi-autonomen Natur von KI-Agenten ist es nicht immer möglich oder erforderlich, das LLM nach einer Änderung in der Umgebung manuell erneut aufzufordern. Wir verwenden Agenten-Muster, die es uns ermöglichen, das LLM über mehrere Schritte hinweg auf skalierbarere Weise aufzufordern.
Dieser Kurs ist in einige der aktuellen beliebten Agenten-Muster unterteilt.
Agenten-Frameworks
Agenten-Frameworks ermöglichen es Entwicklern, Agenten-Muster per Code zu implementieren. Diese Frameworks bieten Vorlagen, Plugins und Werkzeuge für eine bessere Zusammenarbeit von KI-Agenten. Diese Vorteile ermöglichen eine bessere Beobachtbarkeit und Fehlersuche von KI-Agenten-Systemen.
In diesem Kurs werden wir das forschungsgetriebene AutoGen-Framework und das produktionsreife Agent-Framework von Semantic Kernel untersuchen.
Weitere Fragen zu KI-Agenten?
Treten Sie dem Azure AI Foundry Discord bei, um andere Lernende zu treffen, Sprechstunden zu besuchen und Ihre Fragen zu KI-Agenten beantwortet zu bekommen.