Marco de agente de kernel semántico (experimental)
Advertencia
El marco del agente de kernel semántico es experimental, todavía en desarrollo y está sujeto a cambios.
El marco del agente de kernel semántico proporciona una plataforma dentro del sistema ecológico de kernel semántico que permite la creación de agentes de inteligencia artificial y la capacidad de incorporar patrones agenteicos en cualquier aplicación en función de los mismos patrones y características que existen en el marco de kernel semántico principal.
¿Qué es un agente de IA?
Un agente de IA es una entidad de software diseñada para realizar tareas de forma autónoma o semiautonómica mediante la recepción de entradas, el procesamiento de información y la realización de acciones para lograr objetivos específicos.
Los agentes pueden enviar y recibir mensajes, generando respuestas mediante una combinación de modelos, herramientas, entradas humanas u otros componentes personalizables.
Los agentes están diseñados para trabajar de forma colaborativa, lo que permite que los flujos de trabajo complejos interactúen entre sí. El marco del agente permite la creación de agentes simples y sofisticados, lo que mejora la modularidad y la facilidad de mantenimiento.
¿Qué problemas resuelven los agentes de IA?
Los agentes de inteligencia artificial ofrecen varias ventajas para el desarrollo de aplicaciones, especialmente al habilitar la creación de componentes modulares de inteligencia artificial que pueden colaborar para reducir la intervención manual en tareas complejas. Los agentes de inteligencia artificial pueden operar de forma autónoma o semiautonómica, lo que les convierte en herramientas eficaces para una gama de aplicaciones.
Estas son algunas de las ventajas clave:
Componentes modulares: permite a los desarrolladores definir varios tipos de agentes para tareas específicas (por ejemplo, extracción de datos, interacción de API o procesamiento de lenguaje natural). Esto facilita la adaptación de la aplicación a medida que evolucionan los requisitos o surgen nuevas tecnologías.
Colaboración: varios agentes pueden "colaborar" en tareas. Por ejemplo, un agente podría controlar la recopilación de datos mientras que otro lo analiza y otro usa los resultados para tomar decisiones, creando un sistema más sofisticado con inteligencia distribuida.
Colaboración entre agentes humanos: las interacciones entre humanos y bucles permiten a los agentes trabajar junto con los humanos para aumentar los procesos de toma de decisiones. Por ejemplo, los agentes pueden preparar análisis de datos que los humanos pueden revisar y ajustar, lo que mejora la productividad.
Orquestación de procesos: los agentes pueden coordinar diferentes tareas entre sistemas, herramientas y API, lo que ayuda a automatizar procesos de un extremo a otro, como implementaciones de aplicaciones, orquestación en la nube o incluso procesos creativos, como la escritura y el diseño.
¿Cuándo usar un agente de IA?
El uso de un marco de agente para el desarrollo de aplicaciones proporciona ventajas especialmente beneficiosas para determinados tipos de aplicaciones. Aunque los modelos de inteligencia artificial tradicionales se usan a menudo como herramientas para realizar tareas específicas (por ejemplo, clasificación, predicción o reconocimiento), los agentes introducen más autonomía, flexibilidad e interactividad en el proceso de desarrollo.
Autonomía y toma de decisiones: si la aplicación requiere entidades que puedan tomar decisiones independientes y adaptarse a las condiciones cambiantes (por ejemplo, sistemas robóticos, vehículos autónomos, entornos inteligentes), es preferible un marco de agente.
Colaboración multiagente: si la aplicación implica sistemas complejos que requieren que varios componentes independientes funcionen juntos (por ejemplo, administración de cadenas de suministro, informática distribuida o robótica enjambre), los agentes proporcionan mecanismos integrados para la coordinación y la comunicación.
Interactivo y orientado a objetivos: si la aplicación implica un comportamiento controlado por objetivos (por ejemplo, completar tareas de forma autónoma o interactuar con los usuarios para lograr objetivos específicos), los marcos basados en agentes son una mejor opción. Entre los ejemplos se incluyen asistentes virtuales, inteligencia artificial de juegos y planificadores de tareas.
Cómo instalar ¿Marco de agente de kernel semántico?
La instalación del SDK de Agent Framework es específica del canal de distribución asociado al lenguaje de programación.
Para el SDK de .NET, hay paquetes NuGet serverales disponibles.
Nota: El SDK de kernel semántico principal es necesario además de cualquier paquete de agente.
| Paquete | Descripción |
|---|---|
| Microsoft.SemanticKernel | Contiene las principales bibliotecas de kernel semántico para empezar a trabajar con Agent Framework. La aplicación debe hacer referencia explícitamente a esto. |
| Microsoft.SemanticKernel.Agents.Abstractions | Define las abstracciones principales del agente para Agent Framework. Por lo general, no es necesario especificarse, ya que se incluye en los Microsoft.SemanticKernel.Agents.Core paquetes y Microsoft.SemanticKernel.Agents.OpenAI . |
| Microsoft.SemanticKernel.Agents.Core | Incluye las ChatCompletionAgent clases y AgentGroupChat . |
| Microsoft.SemanticKernel.Agents.OpenAI | Proporciona la capacidad de usar open AI Assistant API a través de OpenAIAssistantAgent. |
| Módulo | Descripción |
|---|---|
| semantic-kernel.agents | Esta es la biblioteca de kernel semántica para empezar a trabajar con Agent Framework. La aplicación debe hacer referencia explícitamente a esto. Este módulo contiene las ChatCompletionAgent clases y AgentGroupChat , así como la capacidad de usar open AI Assistant API a través de OpenAIAssistantAgent o AzureOpenAssistant. |
Los agentes no están disponibles actualmente en Java.