Создание агента из шаблона семантического ядра
Это важно
Эта функция находится на этапе релиз-кандидата. Функции на этом этапе почти завершены и обычно стабильны, хотя они могут пройти незначительные уточнения или оптимизации, прежде чем достичь полной общедоступной доступности.
Шаблоны запросов в семантическом ядре
Роль агента в основном формируется инструкциями, которые он получает, которые определяют его поведение и действия. Как и при вызове Kernel
запроса, инструкции агента могут включать шаблонные параметры ( как значения, так и функции), которые динамически заменяются во время выполнения. Это обеспечивает гибкие ответы с учетом контекста, позволяя агенту настраивать выходные данные на основе входных данных в режиме реального времени.
Кроме того, агент можно настроить непосредственно с помощью конфигурации шаблона запроса, предоставляя разработчикам структурированный и многократно используемый способ определения его поведения. Этот подход предоставляет мощный инструмент для стандартизации и настройки инструкций агента, обеспечивая согласованность в различных вариантах использования, сохраняя динамическую адаптацию.
Связанные API:
Агенты в настоящее время недоступны в Java.
Инструкции агента в качестве шаблона
Создание агента с параметрами шаблона обеспечивает большую гибкость, позволяя легко настраивать инструкции на основе различных сценариев или требований. Такой подход позволяет настроить поведение агента путем замены определенных значений или функций в шаблон, что позволяет адаптировать его к различным задачам или контекстам. Используя параметры шаблона, разработчики могут создавать более универсальные агенты, которые можно настроить для удовлетворения различных вариантов использования, не изменяя основную логику.
Агент завершения чата
// Initialize a Kernel with a chat-completion service
Kernel kernel = ...;
ChatCompletionAgent agent =
new()
{
Kernel = kernel,
Name = "StoryTeller",
Instructions = "Tell a story about {{$topic}} that is {{$length}} sentences long.",
Arguments = new KernelArguments()
{
{ "topic", "Dog" },
{ "length", "3" },
}
};
agent = ChatCompletionAgent(
service=AzureChatCompletion(), # or other supported AI Services
name="StoryTeller",
instructions="Tell a story about {{$topic}} that is {{$length}} sentences long.",
arguments=KernelArguments(topic="Dog", length="2"),
)
Агенты в настоящее время недоступны в Java.
Агент-ассистент OpenAI
Шаблонные инструкции особенно мощны при работе с OpenAIAssistantAgent
. С помощью этого подхода можно создавать и повторно использовать одно определение помощника каждый раз с различными значениями параметров, адаптированными к определенным задачам или контекстам. Это обеспечивает более эффективную настройку, позволяя той же платформе помощника обрабатывать широкий спектр сценариев при сохранении согласованности в его основном поведении.
// Retrieve an existing assistant definition by identifier
AzureOpenAIClient client = OpenAIAssistantAgent.CreateAzureOpenAIClient(new AzureCliCredential(), new Uri("<your endpoint>"));
AssistantClient assistantClient = client.GetAssistantClient();
Assistant assistant = await client.GetAssistantAsync();
OpenAIAssistantAgent agent = new(assistant, assistantClient, new KernelPromptTemplateFactory(), PromptTemplateConfig.SemanticKernelTemplateFormat)
{
Arguments = new KernelArguments()
{
{ "topic", "Dog" },
{ "length", "3" },
}
}
# Create the client using Azure OpenAI resources and configuration
client, model = AzureAssistantAgent.setup_resources()
# Retrieve the assistant definition from the server based on the assistant ID
definition = await client.beta.assistants.retrieve(
assistant_id="your-assistant-id",
)
# Create the AzureAssistantAgent instance using the client and the assistant definition
agent = AzureAssistantAgent(
client=client,
definition=definition,
arguments=KernelArguments(topic="Dog", length="3"),
)
Агенты в настоящее время недоступны в Java.
Определение агента из шаблона запроса
Ту же конфигурацию шаблона запроса, используемую для создания функции запроса ядра, также можно использовать для определения агента. Это позволяет применять единый подход к управлению запросами и агентами, способствуя согласованности и повторному использованию в разных компонентах. При внешних определениях агента из базы кода этот метод упрощает управление несколькими агентами, что упрощает их обновление и обслуживание без внесения изменений в базовую логику. Это разделение также повышает гибкость, позволяя разработчикам изменять поведение агента или вводить новые агенты, просто обновляя конфигурацию, а не изменяя сам код.
Шаблон YAML
name: GenerateStory
template: |
Tell a story about {{$topic}} that is {{$length}} sentences long.
template_format: semantic-kernel
description: A function that generates a story about a topic.
input_variables:
- name: topic
description: The topic of the story.
is_required: true
- name: length
description: The number of sentences in the story.
is_required: true
Инициализация агента
// Read YAML resource
string generateStoryYaml = File.ReadAllText("./GenerateStory.yaml");
// Convert to a prompt template config
PromptTemplateConfig templateConfig = KernelFunctionYaml.ToPromptTemplateConfig(generateStoryYaml);
// Create agent with Instructions, Name and Description
// provided by the template config.
ChatCompletionAgent agent =
new(templateConfig)
{
Kernel = this.CreateKernelWithChatCompletion(),
// Provide default values for template parameters
Arguments = new KernelArguments()
{
{ "topic", "Dog" },
{ "length", "3" },
}
};
import yaml
from semantic_kernel.prompt_template import PromptTemplateConfig
# Read the YAML file
with open("./GenerateStory.yaml", "r", encoding="utf-8") as file:
generate_story_yaml = file.read()
# Parse the YAML content
data = yaml.safe_load(generate_story_yaml)
# Use the parsed data to create a PromptTemplateConfig object
prompt_template_config = PromptTemplateConfig(**data)
agent = ChatCompletionAgent(
service=AzureChatCompletion(), # or other supported AI services
prompt_template_config=prompt_template_config,
arguments=KernelArguments(topic="Dog", length="3"),
)
Агенты в настоящее время недоступны в Java.
Переопределение значений шаблонов для прямого вызова
При вызове агента напрямую без использования AgentChat
параметры агента можно переопределить по мере необходимости. Это обеспечивает более широкий контроль и настройку поведения агента во время определенных задач, что позволяет изменять его инструкции или параметры на лету в соответствии с конкретными требованиями.
// Initialize a Kernel with a chat-completion service
Kernel kernel = ...;
ChatCompletionAgent agent =
new()
{
Kernel = kernel,
Name = "StoryTeller",
Instructions = "Tell a story about {{$topic}} that is {{$length}} sentences long.",
Arguments = new KernelArguments()
{
{ "topic", "Dog" },
{ "length", "3" },
}
};
// Create a ChatHistory object to maintain the conversation state.
ChatHistory chat = [];
KernelArguments overrideArguments =
new()
{
{ "topic", "Cat" },
{ "length", "3" },
});
// Generate the agent response(s)
await foreach (ChatMessageContent response in agent.InvokeAsync(chat, overrideArguments))
{
// Process agent response(s)...
}
agent = ChatCompletionAgent(
service=AzureChatCompletion(),
name="StoryTeller",
instructions="Tell a story about {{$topic}} that is {{$length}} sentences long.",
arguments=KernelArguments(topic="Dog", length="2"),
)
# Create a chat history to maintain the conversation state
chat = ChatHistory()
override_arguments = KernelArguments(topic="Cat", length="3")
# Two ways to get a response from the agent
# Get the response which returns a ChatMessageContent directly
response = await agent.get_response(chat, arguments=override_arguments)
# or use the invoke method to return an AsyncIterable of ChatMessageContent
async for response in agent.invoke(chat, arguments=override_arguments):
# process agent response(s)...
Агенты в настоящее время недоступны в Java.
Инструкции
Пример от начала до конца по созданию агента из шаблона запроса см. здесь:
- практическое руководство :
ChatCompletionAgent