ตัวแทน AI AZ

พื้นที่เก็บข้อมูลนี้มีโค้ดสำหรับ O'Reilly Live Online Training สำหรับ AI Agents AZ

หลักสูตรนี้ให้คำแนะนำที่ครอบคลุมในการทำความเข้าใจ การใช้งาน และการจัดการตัวแทน AI ทั้งในขั้นตอนต้นแบบและในการใช้งานจริง ผู้เข้าร่วมจะเริ่มต้นด้วยแนวคิดพื้นฐานและเจาะลึกหัวข้อขั้นสูงเพิ่มเติมอย่างต่อเนื่อง รวมถึงเฟรมเวิร์กต่างๆ เช่น CrewAI, LangChain และ AutoGen รวมถึงการสร้างตัวแทนตั้งแต่เริ่มต้นโดยใช้เทคนิคทางวิศวกรรมที่รวดเร็วและมีประสิทธิภาพ หลักสูตรนี้เน้นการใช้งานจริง ชี้แนะผู้เข้าร่วมผ่านแบบฝึกหัดภาคปฏิบัติเพื่อนำไปใช้และปรับใช้ตัวแทน AI ประเมินประสิทธิภาพ และทำซ้ำการออกแบบ เราจะอธิบายประเด็นสำคัญต่างๆ เช่น การคาดการณ์ต้นทุน ตัวเลือกโอเพ่นซอร์สและโอเพ่นซอร์ส และแนวทางปฏิบัติที่ดีที่สุดจะครอบคลุมอย่างละเอียดเพื่อให้ผู้เข้าร่วมมีความรู้ในการตัดสินใจอย่างมีข้อมูลในโครงการ AI ของพวกเขา

คำแนะนำในการตั้งค่า

การใช้สภาพแวดล้อมเสมือน Python 3.11

ในขณะที่เขียน เราต้องการสภาพแวดล้อมเสมือน Python ที่มี Python 3.11

ตัวเลือกที่ 1: ติดตั้ง Python 3.11 แล้ว

ขั้นตอนที่ 1: ตรวจสอบการติดตั้ง Python 3.11

python3.11 --version

ขั้นตอนที่ 2: สร้างสภาพแวดล้อมเสมือนจริง

python3.11 -m venv .venv

สิ่งนี้จะสร้างโฟลเดอร์ .venv ในไดเร็กทอรีปัจจุบันของคุณ

ขั้นตอนที่ 3: เปิดใช้งานสภาพแวดล้อมเสมือนจริง

macOS/ลินุกซ์:
```
 source .venv/bin/activate
```
หน้าต่าง:
```
.venvScriptsactivate
```

คุณควรเห็น (.venv) ในพรอมต์เทอร์มินัลของคุณ

ขั้นตอนที่ 4: ตรวจสอบเวอร์ชัน Python

python --version

ขั้นตอนที่ 5: ติดตั้งแพ็คเกจ

pip install -r requirements.txt

ขั้นตอนที่ 6: ปิดใช้งานสภาพแวดล้อมเสมือน

deactivate

ตัวเลือกที่ 2: ติดตั้ง Python 3.11

หากคุณไม่มี Python 3.11 ให้ทำตามขั้นตอนด้านล่างสำหรับระบบปฏิบัติการของคุณ

macOS (ใช้โฮมบรูว์)

brew install [email protected]

อูบุนตู/เดเบียน

sudo apt update
sudo apt install python3.11 python3.11-venv

Windows (ใช้ตัวติดตั้ง Windows)

ไปที่การดาวน์โหลด Python
ดาวน์โหลดตัวติดตั้งสำหรับ Python 3.11
เรียกใช้โปรแกรมติดตั้งและตรวจสอบให้แน่ใจว่าได้เลือก "เพิ่ม Python 3.11 ไปยัง PATH" แล้ว

ตรวจสอบการติดตั้ง

python3.11 --version

โน๊ตบุ๊ค

ในสภาพแวดล้อมที่เปิดใช้งาน ให้รัน

python3 -m jupyter notebook

การใช้เฟรมเวิร์กตัวแทนบุคคลที่สาม
- Intro to CrewAI - สมุดบันทึกเบื้องต้นสำหรับ CrewAI
  - ดู ไดเร็กทอรี streamlit สำหรับตัวอย่างการปรับใช้ลูกทีมในแอป streamlit
- ข้อมูลเบื้องต้นเกี่ยวกับ OpenAI Swarm - สมุดบันทึกเบื้องต้นสำหรับ OpenAI's Swarm
- Intro to LangGraph - สมุดบันทึกเบื้องต้นสำหรับ LangGraph
การประเมินตัวแทน
- การประเมินเอาท์พุตของเอเจนต์ด้วยรูบริก - การสำรวจพรอมต์รูบริกเพื่อประเมินเอาท์พุตเชิงกำเนิด สมุดบันทึกนี้ยังบันทึกอคติด้านตำแหน่งเมื่อเลือกระหว่างการตอบสนองของตัวแทนอีกด้วย
  - ขั้นสูง - การประเมินการจัดตำแหน่ง - สมุดบันทึกที่ยาวขึ้นทำการวิเคราะห์เชิงลึกมากขึ้นว่า LLM สามารถตัดสินการตอบสนองของตัวแทนได้อย่างไร
- การประเมินการเลือกเครื่องมือ - การคำนวณความแม่นยำของการเลือกเครื่องมือระหว่าง LLM ที่แตกต่างกัน และการหาปริมาณความลำเอียงของตำแหน่งที่มีอยู่ใน LLM แบบถดถอยอัตโนมัติ
การสร้างตัวแทนของเราเอง
- ก้าวแรกกับตัวแทนของเรา - การทำงานเพื่อสร้างกรอบงานตัวแทนของเราเอง
- ดู เป้าหมายของทีม สำหรับตัวอย่างง่ายๆ ของกรอบงานตัวแทนของฉันเอง
  - ข้อมูลเบื้องต้นเกี่ยวกับเป้าหมายของทีม - ใช้กรอบงานของฉันเองเพื่อทำงานพื้นฐานบางอย่าง
กระบวนทัศน์ตัวแทนสมัยใหม่
- ตัวแทนวางแผนและดำเนินการ - ตัวแทนวางแผนและดำเนินการใช้ตัววางแผนเพื่อสร้างแผนหลายขั้นตอนด้วย LLM และผู้ดำเนินการเพื่อดำเนินการแต่ละขั้นตอนให้เสร็จสิ้นโดยการเรียกใช้เครื่องมือ
- ตัวแทนการสะท้อน - ตัวแทนการสะท้อนจะรวมตัวสร้างเพื่อทำงานและตัวสะท้อนเพื่อให้ข้อเสนอแนะและการปรับปรุงแนวทาง

อาจารย์ผู้สอน

Sinan Ozdemir เป็นผู้ก่อตั้งและ CTO ของ LoopGenius โดยที่เขาใช้ AI ที่ล้ำสมัยเพื่อช่วยให้ผู้คนแสดงโฆษณาดิจิทัลบน Meta, Google และอื่นๆ Sinan เป็นอดีตอาจารย์ด้าน Data Science ที่ Johns Hopkins University และเป็นผู้เขียนหนังสือเรียนเกี่ยวกับวิทยาศาสตร์ข้อมูลและการเรียนรู้ของเครื่องหลายเล่ม นอกจากนี้ เขาเป็นผู้ก่อตั้ง Kylie.ai ซึ่งเป็นแพลตฟอร์ม AI การสนทนาระดับองค์กรที่มีความสามารถ RPA ที่เพิ่งได้มา เขาสำเร็จการศึกษาระดับปริญญาโทสาขาคณิตศาสตร์บริสุทธิ์จากมหาวิทยาลัยจอห์น ฮอปกินส์ และประจำอยู่ในซานฟรานซิสโก รัฐแคลิฟอร์เนีย

ขยาย

ข้อมูลเพิ่มเติม