Bem-vindo ao curso Introdução aos agentes de IA! Este curso fornece os conceitos básicos e exemplos de aplicativos para a criação de AI Agents.
tornar-se um membro Comunidade do Discord da IA do Azure Conheça outros alunos, criadores de AI Agent e tire suas dúvidas sobre este curso.
Para iniciar este curso, começaremos com uma melhor compreensão do que são os agentes de IA e como usá-los em aplicativos e fluxos de trabalho criados.
breve
Este curso abrange:
- O que são agentes de IA e quais são os diferentes tipos de agentes?
- Quais são os melhores casos de uso para agentes de IA e como eles podem ajudar?
- Quais são alguns dos componentes básicos ao projetar uma solução Agentic?
meta de aprendizado
Após concluir este curso, você deverá ser capaz de:
- Entenda o conceito de agentes de IA e como eles diferem de outras soluções de IA.
- aplicação mais eficaz dos agentes de IA.
- Projetar soluções Agentic de forma eficiente para usuários e clientes.
Definição de agentes de IA e tipos de agentes de IA
O que são agentes de IA?
Agentes de IA SimsistemasIsso faz com queModelos de linguagem grandes (LLMs) capaz de passarferramenta de acessoresponder cantandorelacionado ao conhecimentopara expandir seus recursos e, assimoperação executável.
Vamos dividir essa definição em partes menores:
- sistemas - É importante pensar no agente como um sistema de muitos componentes, não apenas um único componente. Em um nível básico, os componentes de um agente de IA incluem:
- matriz - O espaço definido no qual o AI Agent opera. Por exemplo, se houver um AI Agent de reserva de viagens, o ambiente poderá ser o sistema de reserva de viagens que o AI Agent usa para concluir suas tarefas.
- transdutores - O ambiente tem informações e fornece feedback, e os agentes de IA usam sensores para coletar e interpretar essas informações sobre o estado atual do ambiente. No exemplo do agente de reservas de viagens, o sistema de reservas de viagens pode fornecer informações como disponibilidade de hotéis ou preços de voos.
- atuadores - Quando o agente de IA receber o estado atual do ambiente, para a tarefa atual, o agente determinará a ação a ser executada para alterar o ambiente. Para um agente de reservas de viagens, pode ser reservar um quarto disponível para um usuário.
modelo de macrolinguagem - O conceito de agentes é anterior à criação dos LLMs. A vantagem de usar LLMs para criar agentes de IA é sua capacidade de interpretar a linguagem e os dados humanos. Essa capacidade permite que os LLMs interpretem informações sobre o ambiente e definam planos para alterá-lo.
operação executável - Fora de um sistema AI Agent, o LLM é limitado a operações que geram conteúdo ou informações com base em solicitações do usuário. Em um sistema AI Agent, o LLM pode executar tarefas interpretando as solicitações do usuário e usando as ferramentas disponíveis em seu ambiente.
ferramenta de acesso - As ferramentas que um LLM pode acessar são definidas por 1) o ambiente no qual ele é executado e 2) o desenvolvedor do agente de IA. No nosso exemplo de agente de viagens, as ferramentas do agente são limitadas pelas operações disponíveis no sistema de reservas e/ou o desenvolvedor pode limitar o acesso do agente às ferramentas de voos.
relacionado ao conhecimento - Além das informações fornecidas pelo ambiente, os agentes de IA podem recuperar o conhecimento de outros sistemas, serviços, ferramentas e até mesmo de outros agentes. No exemplo do agente de viagens, esse conhecimento pode ser informações sobre as preferências de viagem do usuário localizadas no banco de dados do cliente.
Diferentes tipos de agentes
Agora que temos uma definição genérica de agentes de IA, vamos dar uma olhada em alguns tipos específicos de agentes e como eles se aplicam aos agentes de IA para reservas de viagens.
| Tipo de agente | descrições | exemplo típico |
|---|---|---|
| Agentes de reflexão simples | Realiza operações imediatas com base em regras predefinidas. | O agente de viagens interpreta o contexto do e-mail e encaminha a reclamação de viagem para o atendimento ao cliente. |
| Agentes de reflexão baseados em modelos | Realizar operações com base no modelo mundial e nas alterações desse modelo. | O agente de viagens prioriza as rotas com alterações significativas de preço com base no acesso a dados históricos de preços. |
| Agentes baseados em metas | Criar um plano para atingir uma meta específica, explicando a meta e identificando as ações para atingi-la. | O agente de viagens reserva uma viagem determinando os preparativos necessários (carro, transporte público, voos) da sua localização atual até o seu destino. |
| Agentes baseados em utilidade | Considerar as preferências e ponderar numericamente as compensações para determinar como atingir as metas. | O agente de viagens pondera a conveniência em relação ao custo ao reservar uma viagem para maximizar a utilidade. |
| Agentes de aprendizagem | Melhoria contínua, respondendo ao feedback e ajustando as ações de acordo com ele. | O agente de viagens melhora ao usar o feedback do cliente a partir de pesquisas pós-viagem para fazer ajustes em reservas futuras. |
| Agentes de camadas | Em um sistema hierárquico com vários agentes, os agentes de nível superior decompõem as tarefas em subtarefas para serem concluídas pelos agentes de nível inferior. | Um agente de viagens cancela uma viagem dividindo a tarefa em subtarefas (por exemplo, o cancelamento de uma reserva específica) e permitindo que um agente de nível inferior as conclua e, em seguida, as informe a um agente de nível superior. |
| Sistema Multi-Agente (MAS) | Os agentes concluem as tarefas de forma independente, cooperativa ou competitiva. | Colaboração: vários agentes reservam serviços de viagem específicos, como hotéis, voos e entretenimento. Competição: vários agentes gerenciam um calendário compartilhado de reservas de hotéis e competem para reservar hotéis para seus clientes. |
Quando usar agentes de IA
Na seção anterior, usamos o caso de uso Agente de viagens para explicar como usar diferentes tipos de agentes em diferentes cenários de reserva de viagens.
Vamos dar uma olhada nos tipos de casos de uso que são mais adequados para o uso de agentes de IA:
- Perguntas abertas - Permitir que o LLM determine as etapas necessárias para concluir uma tarefa, pois ela nem sempre pode ser codificada no fluxo de trabalho.
- processo de várias etapas - Tarefas que exigem um certo nível de complexidade em que o agente de IA precisa usar a ferramenta ou as informações em várias rodadas, em vez de uma única recuperação.
- Melhorias ao longo do tempo - Um agente pode melhorar as tarefas ao longo do tempo, recebendo feedback do ambiente ou dos usuários para oferecer melhor utilidade.
Abordaremos mais considerações sobre o uso de agentes de IA no curso Building Trustworthy AI Agents.
Fundamentos da solução agêntica
Desenvolvimento de agentes
A primeira etapa do projeto de um sistema de agente de IA é definir as ferramentas, as operações e os comportamentos. Neste curso, vamos nos concentrar no uso de Serviço de agente de IA do Azure Ele oferece a seguinte funcionalidade:
- Seleção de modelos abertos, como OpenAI, Mistral e Llama
- Uso de dados de licenças por meio de provedores como o Tripadvisor
- Uso de ferramentas OpenAPI 3.0 padronizadas
Modo agêntico
A comunicação com o LLM é feita por meio de prompts. Dada a natureza semiautônoma dos agentes de IA, nem sempre é viável ou necessário solicitar novamente o LLM manualmente após uma alteração no ambiente. Usamos o Modo agênticoIsso nos permite solicitar o LLM em várias etapas de uma forma mais escalonável.
Este curso é dividido em alguns dos padrões Agentic populares atualmente.
Estrutura agêntica
As estruturas agênticas permitem que os desenvolvedores implementem padrões agênticos por meio de código. Essas estruturas fornecem modelos, plug-ins e ferramentas para permitir uma melhor colaboração do AI Agent. Esses benefícios proporcionam a capacidade de observar melhor e solucionar problemas dos sistemas de AI Agent.
Neste curso, exploraremos os AutoGen e a estrutura do agente pronto para produção da Semantic Kernel.
Português do Brasil 
简体中文 
English 
日本語 
Deutsch