Bild von Autor | Canva & Chatgpt
# Einführung
Github ist die Anlaufstelle für Anfänger geworden, die neue Programmiersprachen, Konzepte und Fähigkeiten lernen möchten. Angesichts des wachsenden Interesses an Agentic AI zeigt die Plattform zunehmend reale Projekte, die sich auf „Agenten -Workflows“ konzentrieren und sie zu einem idealen Umfeld machen, um zu lernen und zu bauen.
Eine bemerkenswerte Ressource ist Microsoft/Ai-Brokers-for-Beinnersmit einem 12-nicht-Lesson-Kurs, der die Grundlagen des Bauens von KI-Agenten abdeckt. Jede Lektion ist so konzipiert, dass sie für sich selbst stehen und es Ihnen ermöglicht, an jedem Punkt zu beginnen, der Ihren Bedürfnissen entspricht. Dieses Repository bietet auch mehrsprachige Unterstützung und gewährleistet die Lernenden eine breitere Zugänglichkeit. Jede Lektion in diesem Kurs enthält Codebeispiele, die in der gefunden werden können code_samples Ordner.
Darüber hinaus verwendet dieser Kurs Azure AI Foundry Und Github -Modellkataloge zum Interagieren mit Sprachmodellen. Es umfasst auch mehrere AI -Agenten -Frameworks und Dienste wie Azure AI Agent ServiceAnwesend Semantischer KernelUnd Autogen.
Um Ihren Entscheidungsprozess zu erleichtern und einen klaren Überblick darüber zu geben, was Sie lernen, werden wir jede Lektion im Element überprüfen. Dieser Leitfaden dient als hilfreiche Ressource für Anfänger, die sich in Bezug auf die Auswahl eines Ausgangspunkts möglicherweise ungewiss fühlen.
# 1. Intro zu AI -Agenten und Agenten -Anwendungsfällen
Diese Lektion führt KI-Agenten ein-Systeme, die von Großsprachenmodellen (LLMs) betrieben werden, die ihre Umgebung, den Vernunft für Werkzeuge und Kenntnisse und das Handeln erfassen-und die wichtigsten Agententypen (einfacher/modellbasierter Reflex-, Ziel-/Dienstprogramm-, Lern-, hierarchische und Multi-Agent-Systeme (MAS) durch Reisebücher-Beispiele untersucht.
Sie erfahren, wann Agenten auf offene, mehrstufige und verbesserbare Aufgaben sowie die grundlegenden Bausteine von Agentenlösungen angewendet werden sollen: Definieren von Werkzeugen, Aktionen und Verhaltensweisen.
# 2. Erforschen von AI -Agenten -Frameworks
In dieser Lektion werden AI-Agenten-Frameworks mit vorgefertigten Komponenten und Abstraktionen untersucht, mit denen Sie Agenten schneller prototypen, iterieren und einsetzen können, indem Sie gemeinsame Herausforderungen standardisieren und die Skalierbarkeit und die Effizienz von Entwicklern steigern.
Sie vergleichen Microsoft Autogen, Semantic Kernel und den verwalteten Azure AI -Agentendienst und erfahren, wann Sie in Ihr vorhandenes Azure -Ökosystem integriert werden müssen, anstatt eigenständige Instruments zu verwenden.
# 3.. AI -Agenten -Designmuster verstehen
In dieser Lektion werden AI-Agenten-Design-Prinzipien eingeführt, einen menschlich-zentrierten Benutzererfahrungsansatz (UX) zum Aufbau kundenorientierter Agentenerlebnisse inmitten der inhärenten Unklarheit der generativen KI.
Sie werden erfahren, was die Prinzipien sind, praktische Richtlinien für die Anwendung und Beispiele für ihre Verwendung, wobei der Schwerpunkt auf Agenten liegt, die menschliche Fähigkeiten erweitern und skalieren, Wissenslücken füllen, die Zusammenarbeit erleichtern und Menschen helfen, durch unterstützende, zielgerichtete Interaktionen zu besseren Versionen von sich selbst zu werden.
# 4. Instrument verwenden Designmuster
Diese Lektion führt das Entwurfsmuster des Werkzeugnutzungsmusters ein, mit dem LLM-Antriebsmittel den Zugriff auf externe Instruments wie Funktionen und APIs kontrolliert haben, sodass sie Aktionen über das Generieren von Textual content übernehmen können.
Sie erfahren über wichtige Anwendungsfälle, einschließlich dynamischer Datenabnahme, Codeausführung, Workflow -Automatisierung, Integrationen von Kundenunterstützung und Erzeugung/Bearbeitung von Inhalten. Darüber hinaus werden die wesentlichen Bausteine dieses Entwurfsmusters wie genau definierte Werkzeugschemata, Routing- und Auswahllogik, Ausführungssandboxing, Speicher und Beobachtungen sowie Fehlerbehebung (einschließlich Zeitüberschreitungs- und Wiederholungsmechanismen) behandelt.
# 5. Agentenlappen
Diese Lektion erklärt die Agenten-Abruf-Technology (RAG), einen multi-stufigen Abruf-und-renovierende Ansatz, der von großen Sprachmodellen (LLMs) angetrieben wird. In diesem Ansatz plant die Modellaktionen, wechseln zwischen Werkzeug-/Funktionsaufrufen und strukturierten Ausgaben, bewerten Ergebnisse, verfeinern Abfragen und wiederholt den Vorgang, bis sie eine zufriedenstellende Antwort erhalten. Es verwendet häufig eine Maker-Checker-Schleife, um die Korrektheit zu verbessern und sich von missgebildeten Fragen zu erholen.
Sie erfahren über die Situationen, in denen sich der Agentenlappen auszeichnet, insbesondere in korrekten Szenarien und erweiterten Werkzeug-integrierten Workflows wie API-Aufrufen. Darüber hinaus werden Sie feststellen, wie die Übernahme des Besitzes des Argumentationsprozesses und die Verwendung iterativer Schleifen die Zuverlässigkeit und die Ergebnisse verbessern kann.
# 6. Aufbau vertrauenswürdiger KI -Agenten
Diese Lektion lehrt Sie, wie Sie vertrauenswürdige KI -Agenten aufbauen, indem Sie ein robustes System -Nachrichten -Framework (Meta -Eingabeaufforderungen, grundlegende Eingabeaufforderungen und iterative Verfeinerungen), die Durchsetzung von Sicherheits- und Finest Practices und die Bereitstellung einer qualitativ hochwertigen Benutzererfahrung erstellen.
Sie lernen, Risiken zu identifizieren und zu mildern, wie z. B. schnelle/Zielinjektion, nicht autorisierte Systemzugriffszugriff, Serviceüberlastung, Data-Base-Vergiftung und Kaskadierfehler.
# 7. Planungsmuster Planungsdesign
Diese Lektion konzentriert sich auf die Planung von Designs für KI -Agenten. Beginnen Sie mit der Definition eines klaren Gesamtziels und Festlegung von Erfolgskriterien. Brechen Sie dann komplexe Aufgaben in geordnete und überschaubare Unteraufgaben auf.
Verwenden Sie strukturierte Ausgangsformate, um zuverlässige, maschinenlesbare Antworten zu gewährleisten, und implementieren Sie eine ereignisgesteuerte Orchestrierung, um dynamische Aufgaben und unerwartete Eingänge anzugehen. Rüsten Sie Agenten mit den entsprechenden Werkzeugen und Richtlinien für wann und wie sie verwendet werden.
Bewerten Sie kontinuierlich die Ergebnisse der Unteraufgaben, messen Sie die Leistung und iterieren Sie, um die endgültigen Ergebnisse zu verbessern.
# 8. Konstruktionsmuster mit mehreren Agenten
Diese Lektion erklärt das Design-Design-Muster mit mehreren Agenten, bei dem mehrere spezialisierte Agenten koordiniert werden, um an einem gemeinsamen Ziel zusammenzuarbeiten. Dieser Ansatz ist besonders effektiv für komplexe, Cross-Domänen oder parallelisierbare Aufgaben, die von der Aufteilung der Arbeit und koordinierten Handoffs profitieren.
In dieser Lektion erfahren Sie die Kernbausteine dieses Entwurfsmusters: einen Orchestrator/Controller, rollendefinierte Agenten, gemeinsame Speicher-/Zustands-, Kommunikationsprotokolle und Routing-/Hand-Off-Strategien, einschließlich sequentieller, gleichzeitiger und Gruppen-Chat-Muster.
# 9. Metakognitionsdesignmuster
Diese Lektion führt die Metakognition vor, die für KI -Agenten als „Denken über das Denken“ verstanden werden kann. Metakognition ermöglicht es diesen Agenten, ihre eigenen Argumentationsprozesse zu überwachen, ihre Entscheidungen zu erklären und sich anhand von Rückmeldungen und früheren Erfahrungen anzupassen.
Sie lernen Planungs- und Bewertungstechniken wie Reflexions-, Kritik- und Maker-Checker-Muster. Diese Methoden fördern die Selbstkorrektur, helfen, Fehler zu identifizieren und endlose Argumentationsschleifen zu verhindern. Darüber hinaus werden diese Techniken die Transparenz verbessern, die Qualität des Denkens verbessern und eine bessere Anpassung und Wahrnehmung unterstützen.
# 10. AI -Agenten in der Produktion
Diese Lektion zeigt, wie „Black Field“ -Agenteile in „Glass Field“ -Systeme verwandelt werden können, indem robuste Beobachtbarkeits- und Bewertungstechniken implementiert werden. Sie werden Läufe als Spuren (die Finish-to-Finish-Aufgaben darstellen) und Spannweiten (Petitionen für bestimmte Schritte mit Sprachmodellen oder Instruments) unter Verwendung von Plattformen wie Plattformen wie Plattformen wie Langfuse und Azure AI Foundry. Mit diesem Ansatz können Sie Debugging- und Root-Trigger-Analyse durchführen, Latenz und Kosten verwalten und Audits für Vertrauen, Sicherheit und Compliance durchführen.
Sie lernen, welche Aspekte zu bewerten sind, wie z. B. Ausgangsqualität, Sicherheit, Erfolgs Erfolg, Latenz und Kosten, und wenden Strategien zur Verbesserung der Leistung und Effektivität an.
# 11. Verwenden von Agentenprotokollen
Diese Lektion führt Agentenprotokolle ein, die die Artwork und Weise standardisieren, wie sich KI -Agenten verbinden und zusammenarbeiten. Wir werden drei wichtige Protokolle untersuchen:
Modellkontextprotokoll (MCP)das einen konsistenten, Shopper-Server-Zugriff auf Instruments, Ressourcen und Eingabeaufforderungen bietet und als „Universaladapter“ für Kontext und Funktionen fungiert.
Agent-zu-Agent-Protokoll (A2A)die sichere sichere, interoperable Kommunikations- und Aufgabendelegation zwischen Agenten gewährleistet und die MCP ergänzt.
Net -Protokoll für natürliche Sprache (NLWeb)was natürliche Schnittstellen für Web sites ermöglicht, sodass Agenten Webinhalte entdecken und mit ihnen interagieren können.
In dieser Lektion lernen Sie den Zweck und die Vorteile jedes Protokolls, wie sie große Sprachmodelle (LLMs) ermöglichen, mit Werkzeugen und anderen Agenten zu kommunizieren und wo sich jedes in größere Architekturen einfügt.
# 12. Kontext -Engineering für KI -Agenten
Diese Lektion führt die Kontext -Engineering ein, die die disziplinierte Praxis der Bereitstellung von Agenten mit den richtigen Informationen, im richtigen Format und zum richtigen Zeitpunkt darstellt. Dieser Ansatz ermöglicht es ihnen, ihre nächsten Schritte effektiv zu planen und über das einmalige Schreiben hinauszugehen.
Sie werden erfahren, wie sich Kontextetechnik von der schnellen Engineering unterscheidet, da es sich um eine fortlaufende, dynamische Kuration und nicht um statische Anweisungen handelt. Darüber hinaus werden Sie verstehen, warum Strategien wie das Schreiben, Auswahl, Komprimieren und Isolieren von Informationen für die Zuverlässigkeit von wesentlicher Bedeutung sind, insbesondere angesichts der Einschränkungen von eingeschränkten Kontextfenstern.
# Letzte Gedanken
Das Github -Kurs Bietet alles, was Sie brauchen, um KI -Agenten zu bauen. Es enthält umfassende Lektionen, kurze Movies und Runnable Python -Code. Sie können Themen in jeder Reihenfolge untersuchen und Proben mit GitHub -Modellen (kostenlos verfügbar) oder Azure AI -Gießerei ausführen.
Darüber hinaus haben Sie die Möglichkeit, mit Microsoft Azure AI Agent Service, Semantic Kernel und Autogen zusammenzuarbeiten. Dieser Kurs ist Group-getrieben und Open Supply; Beiträge sind willkommen, Probleme werden gefördert und es ist für Sie lizenziert, dass Sie eine Gabelung und Ausweitung haben.
Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der es liebt, maschinelles Lernenmodelle zu bauen. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben von technischen Blogs über maschinelles Lernen und Datenwissenschaftstechnologien. Abid hat einen Grasp -Abschluss in Technologiemanagement und einen Bachelor -Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI -Produkt zu bauen, das ein Diagramm neuronales Netzwerk für Schüler mit psychische Erkrankungen mit kämpfender Krankheiten unterhält.