Служба Azure AIG Agent-это внедрение Microsoft предпринимательства агентов ИИ. Он дает разработчикам создавать, развернуть и масштабировать сложных агентов ИИ без управления базовой инфраструктурой. Первоначально объявленная на конференции Microsoft Ignite в ноябре 2024 года, эта услуга теперь доступна в публичном предварительном просмотре.
Построенный на том же протоколе, что и API Assi’s Assi, разработчики, разработчики могут использовать SDKS или Azure Foundry SDK, одновременно добавляя такие функции предприятия, как расширенная безопасность, соответствие и масштабируемость. Давайте рассмотрим каждый компонент обслуживания и то, как они работают вместе для создания мощных приложений искусственного интеллекта.
Основные компоненты проекта Azure AI Agents
Проект-это ваше рабочее пространство в Azure AI Foundry, который содержит все ваши ресурсы, связанные с агентом. Это контейнер верхнего уровня, где вы управляете аутентификацией, настраиваете ресурсы и организуете свои агенты. Вся связь с моделями Azure OpenAI, инструментами и другими службами Azure обрабатывается посредством конфигураций на уровне проекта. Это логическая граница для развертывания и предоставления всех ресурсов, связанных с вашим агентом. Вы можете думать о проекте как о вашей среде разработки, в которой происходят все действия, связанные с агентом, от управления подключениями API до производительности мониторинга агента.
Агент
Агент — это автономная организация ИИ, которая объединяет языковую модель с конкретными инструкциями и инструментами для выполнения специализированных задач. Каждый агент определяется своим выбором модели (GPT-4, Llama или Mistral), индивидуальными инструкциями, которые формируют его поведение, и инструменты, которые расширяют его возможности. Например, вы можете создать агента, специализирующегося на анализе данных, объединив GPT-4 с возможностями кодирования Python и доступом к инструментам визуализации данных. Агенты поддерживают последовательное поведение между разговорами и могут работать независимо или сотрудничать с другими агентами для достижения сложных целей. Azure AI-агенты могут использовать модели OpenAI или открытый вес, такие как Llama или Mistral в качестве LLMS. Каждый агент, созданный в Azure AI Foundry, имеет уникальный идентификатор.
Нить
Поток служит контейнером для разговора в Azure AI -агентах, управляя потоком информации между пользователями и агентами. Он автоматически обрабатывает контекстное управление, токеновые окна и историю разговоров, гарантируя, что агенты получают доступ к соответствующим предыдущим взаимодействиям, оставаясь в пределах модельных ограничений. Ниды могут сохраняться в нескольких взаимодействиях, позволяя выполнять длительные задачи и сложные рабочие процессы. Когда пользователь начинает разговор, поток поддерживает контекст и состояние, позволяя когерентным и контекстуальным ответам даже во продолжительных взаимодействиях. Потоки определяются с помощью уникального GUID, который можно использовать для обозначения их во время выполнения рабочего процесса.
Сообщение
Сообщения представляют собой основные коммуникационные единицы в потоках, представляющие входы пользователей и ответы агентов. Каждое сообщение может содержать богатый контент, включая текст, вложения файлов, ссылки и ссылки на внешние ресурсы. Сообщения хронологически организованы в потоке, опираясь друг на друга, чтобы создать последовательные разговоры. Когда агент обрабатывает сообщение, он может получить доступ к всей истории разговора в потоке, что позволяет контекстно соответствующим ответам, которые рассматривают предыдущие взаимодействия.
Инструменты
Инструменты в Azure AG Agents расширяют возможности агента за пределы базового разговора, что позволяет ему выполнять конкретные действия и получить доступ к внешним ресурсам. Служба предоставляет встроенные инструменты, такие как интерпретатор кода для выполнения кода Python, поиск файлов для анализа документов и поиска Bing для доступа к веб-сайту в реальном времени. Кроме того, вы можете интегрировать пользовательские инструменты с помощью функций Azure или спецификаций OpenAPI. Эти инструменты настраиваются на уровне агента. Они выполняются в контексте конкретных прогонов, позволяя агентам выполнять сложные задачи, такие как анализ данных, генерация контента или интеграция системы.
Бегать
Пропуск представляет жизненный цикл выполнения задачи агента в потоке. Он получает пользовательское сообщение, обрабатывает его через модель, выполняет необходимые вызовы инструментов и генерирует ответы. Прогонки могут обрабатывать параллельную функцию выполнения и поддерживать подробное отслеживание шага для мониторинга и отладки. Каждый запуск отражает полный поток взаимодействия, включая использование инструмента, что делает его ценным для понимания того, как агенты принимают решения и обрабатывают задачи.
Приведенный ниже фрагмент кода объединяет все через простой рабочий процесс:
# Создайте агента с конкретными возможностями Agent = project_client.agents.create_agent (model = «gpt-4o», name = «data-analyst», инструкции = «Вы-эксперт по анализу данных, который помогает пользователям понимать сложные наборы», инструменты =[code_interpreter.definitions]
) # Создание потока для нового потока разговора = Project_client.agents.create_thread () # Добавить пользовательское сообщение в сообщение Thread = Project_client.agents.create_message (thread_id = thread.id, role = «user», content = «can Can Вы анализируете этот набор данных о продажах и создаете визуализацию? ») # Выполните агент на потоке run = project_client.agents.create_run (thread_id = thread.id, agent_id = agent.id) 1234567891011121314151617181920212233 # Создание агента с конкретным возможностей. agents.create_agent (model = «gpt-4o», name = «data-analyst», инструкции = «Вы являетесь экспертом по анализу данных, который помогает пользователям понимать сложные наборы данных», Инструменты =[code_interpreter.definitions]) # Создание потока для нового TrangeThread = project_client.agents.create_thread () # Добавить пользовательское сообщение в ThreadMessage = project_client.agents.create_message (thread_id = thread.id, role = «, пользователь», content = «Вы можете проанализировать Этот набор данных о продажах и создать визуализацию? ») # Выполнить агент в Threadrun = Project_Client.agents.create_run (thread_id = thread.id, agent_id = agent.id)
Приведенная ниже диаграмма объясняет взаимосвязь между основными компонентами Azure AI -агентов:
Azure AI-агенты улучшают эти основные компоненты с помощью предпринимательства. Сервис обеспечивает комплексную безопасность через интеграцию Microsoft Entra ID, контроль доступа на основе ролей и изоляцию сети. Функции соответствия включают элементы управления резидентурой данных, регистрацию аудита и ключи, управляемые клиентом. Сервис автоматически обрабатывает масштабирование и доступность, позволяя вам сосредоточиться на создании логики вашей приложения, а не на управлении инфраструктурой.
Картирование с Azure AI -агентами с анатомией агента
Структура Azure AI Agents тесно карты карты с принципами, изложенными в приведенной выше иллюстрации, которая разбивает анатомию агента AI на ключевые компоненты: персона, инструкция, задача, планирование, память, инструменты и делегирование.
Каждый из этих элементов имеет основополагающее значение для дизайна Azure AI-агентов, что позволяет создавать интеллектуальные, специфичные для роли и совместные системы ИИ.
Личность
Агенты Azure AI реализуют Personas, объединяя гибкий выбор модели с подробными системными инструкциями и конфигурациями, специфичными для ролей. Сервис позволяет вам выбирать из различных моделей, включая GPT-4, Llama и Mistral, а затем формировать личность и опыт агента посредством подробных системных сообщений.
Инструкция
Azure AI-агенты обрабатывают инструкции с помощью сложной архитектуры на основе потоков, которая поддерживает контекст и руководство на протяжении всего разговоров. Служба отделяет основные инструкции (определение общего поведения агента) от инструкций по конкретным задачам (руководство индивидуальными взаимодействиями).
Задача
Задачи в Azure AI -агентах реализуются посредством комбинации сообщений и прогонов, которые работают вместе для достижения конкретных целей. Сервис разбивает сложные задачи на управляемые шаги, координируя использование инструментов и поддержание прогресса через систему пробега.
Планирование
Компонент планирования в Azure AI Agents обрабатывает выбор инструмента, этапы выполнения и координацию ресурсов. Служба автоматически планирует действия, необходимые для выполнения задачи, адаптируясь к изменяющимся требованиям и обработку сложных рабочих процессов.
Память
Управление памятью в Azure AI -агентах объединяет стойкость потока, векторные магазины и автоматическое управление контекстом. Служба поддерживает кратковременную память (в контексте потока) и долговременную память (через векторные хранилища и вложения файлов).
Инструменты
Агенты Azure AG реализуют поддержку инструментов через гибкую систему интеграции. Встроенные инструменты обеспечивают основную функциональность, в то время как пользовательские инструменты могут быть добавлены с помощью функций Azure и спецификаций OpenAPI.
Делегация
Агенты Azure AI поддерживают делегирование, интегрируя многопользовательские рамки оркестровки, такие как автоген и семантическое ядро. В то время как прямая делегирование агента к агенту не встроена в службу, вы можете достичь многоагентных рабочих процессов, объединив Azure AI-агентов с этими рамками. Это обеспечивает сложные сценарии, в которых несколько агентов сотрудничают по задачам. Автоген или семантическое ядро рекомендуется для более сложных многоагентных сценариев, предоставляющих специализированные функции сотрудничества агентов и делегирования задач.
Заключение
Модульная архитектура агентов Azure AI позволяет разработчикам создавать сложные приложения ИИ, объединяя различные компоненты. Каждый компонент имеет четкую цель и беспрепятственно обеспечивает интеллектуальные, государственные разговоры. Независимо от того, создаете ли вы простой чат-бот или сложную многоагентную систему, понимание этих компонентов и их отношений имеет решающее значение для создания эффективных решений искусственного интеллекта.
В следующей части этой серии на Azure AI Agents мы построим сквозной агент. Следите за обновлениями!
Trending Stories youtube.com/thenewstack Tech движется быстро, не пропустите эпизод. Подпишитесь на наш канал YouTube, чтобы транслировать все наши подкасты, интервью, демонстрации и многое другое. Группа подпишитесь с эскизом. Janakiram MSV является основным аналитиком в Janakiram & Associates и адъюнкт -преподавателем Международного института информационных технологий. Он также является квалифицированным Google Cloud Developer, сертифицированным архитектором решений Amazon, сертифицированным разработчиком Amazon, … Подробнее от Janakiram MSV
