Quants的 AI Agent课程10讲

ai-agents-for-beginners/translations/zh/README.md at main · microsoft/ai-agents-for-beginners

10 Lessons to Get Started Building AI Agents. Contribute to microsoft/ai-agents-for-beginners development by creating an account on GitHub.

https://github.com/microsoft/ai-agents-for-beginners/blob/main/translations/zh/README.md

1. AI Agent 简介及应用场景

• 学习目标：
  • 理解 AI Agent 的核心定义及其与传统 AI 的差异。
  • 掌握适用场景：开放性问题、多步骤流程、迭代优化任务。

• 核心内容：
  • 系统构成：环境（运行空间）、传感器（信息感知）、执行器（行动决策）。
  • 类型：反射型、目标驱动型、学习型、多Agent系统（MAS）等。
  • 应用示例：旅游预订 Agent 协调航班、酒店工具与用户偏好。

2. 探索 Agentic 框架

• 学习目标：
  • 掌握框架核心功能（协作、自动化、上下文适应）。
  • 对比 Autogen、Semantic Kernel 与 Azure AI Agent Service。

• 核心内容：
  • 框架对比：

    框架	特点
    Autogen	事件驱动，适合代码生成与分布式多Agent协作。
    Semantic Kernel	语义理解优先，支持模块化插件与复杂工作流。
    Azure AI Service	企业级安全，集成开源模型（Llama、Mistral），支持生产级部署。

3. 工具使用设计模式

• 学习目标：
  • 实现工具调用的全流程（函数架构→代码执行→结果解析）。
  • 使用框架（如 Semantic Kernel）简化工具集成。

• 核心内容：
  • 流程示例：
    1. 用户输入“旧金山时间”→生成函数调用 get_current_time(location="San Francisco")。
    2. 执行代码获取时区数据→返回结构化结果。
  • 安全实践：限制数据库权限（如只读角色），隔离运行环境。

4. Agentic RAG（检索增强生成）

• 学习目标：
  • 掌握迭代式“制造者-检查者”优化机制。
  • 应用场景：法律分析、复杂 SQL 查询、动态工作流。

• 核心内容：
  • 核心循环：

    LLM 调用 → 工具检索 → 结果评估 → 优化查询 → 循环至满意结果
    

  • 自我纠正：自动重试失败查询、调用诊断工具、人工介入兜底。
  • 治理工具：Azure AI Tracing 实现透明审计，Content Safety 控制偏见。

5. 构建可信赖的 AI Agent

• 学习目标：
  • 设计抗攻击的元提示系统（Meta-Prompting）。
  • 集成人类反馈循环（Human-in-the-Loop）。

• 核心内容：
  • 安全策略：
    • 输入过滤：拦截恶意提示（如 SQL 注入）。
    • 权限控制：仅授予必要工具访问权限（如只读数据库）。
  • 案例：AutoGen 中通过 TextMentionTermination("APPROVE") 实现用户审批终止。

6. 多Agent设计模式

• 学习目标：
  • 识别适用场景（如大规模数据处理、跨领域协作）。
  • 实现协作模式：群聊、任务交接、过滤推荐。

• 核心内容：
  • 协作优势：
    • 专业化：航班、酒店、租车 Agent 各司其职。
    • 容错性：单个 Agent 故障不影响整体系统。
  • 案例：客户退款流程中，支付、合规、物流 Agent 协同工作。

7. 元认知设计模式

• 学习目标：
  • 实现 Agent 的自我评估与动态调整。
  • 应用校正型 RAG 提升结果准确性。

• 核心内容：
  • 关键能力：
    • 反思：分析历史交互改进推荐策略（如避开拥挤景点）。
    • 自适应：根据环境变化调整工具调用顺序。
  • 案例：旅游 Agent 通过用户反馈优化酒店搜索算法。

8. 生产环境部署

• 学习目标：
  • 设计评估系统监控全流程（意图识别→工具响应→用户反馈）。
  • 优化成本与性能平衡。

• 核心内容：
  • 成本策略：
    • 缓存机制：存储高频请求结果（如常见旅行路线）。
    • 模型路由：简单任务分配小型模型（SLM），复杂任务调用 LLM。
  • 性能指标：响应延迟、任务完成率、用户满意度（NPS）。

课程资源

• 社区支持：加入 Azure AI Discord 获取实时帮助。

• 框架文档：
  • Autogen
  • Semantic Kernel
  • Azure AI Agent Service

• 研究论文：
  • Self-Refine: Iterative Refinement with Self-Feedback
  • CRITIC: Self-Correction with Tool-Interactive Critiquing

• 扩展阅读：
  • Agentic RAG 技术白皮书
  • Azure AI Agent 服务文档