Dela via

Vad är Azure AI Agent Service?

  • Artikel

Azure AI Agent Service är en fullständigt hanterad tjänst som är utformad för att ge utvecklare möjlighet att på ett säkert sätt skapa, distribuera och skala högkvalitativa och utökningsbara AI-agenter utan att behöva hantera underliggande beräknings- och lagringsresurser. Det som ursprungligen tog hundratals kodrader för att stödja funktionsanrop på klientsidan kan nu göras på bara några rader kod med Azure AI Agent Service.

Vad är en AI-agent?

I Azure AI Foundry fungerar en AI-agent som en "smart" mikrotjänst som kan användas för att besvara frågor (RAG), utföra åtgärder eller helt automatisera arbetsflöden. Detta uppnås genom att kombinera kraften i generativa AI-modeller med verktyg som gör att den kan komma åt och interagera med verkliga datakällor.

Eftersom Azure AI Agent Service använder samma trådprotokoll som Azure OpenAI Assistants kan du använda antingen OpenAI SDK:er eller Azure AI Foundry SDK:er för att skapa och köra en agent på bara några rader med kod. Om du till exempel vill skapa en AI-agent med Azure AI Foundry SDK kan du helt enkelt definiera vilken modell AI använder, instruktionerna för hur den ska utföra uppgifter och de verktyg som den kan använda för att komma åt och interagera med andra tjänster.

agent = project_client.agents.create_agent(
    model="gpt-4o-mini",
    name="my-agent",
    instructions="You are helpful agent",
    tools=code_interpreter.definitions,
    tool_resources=code_interpreter.resources,
)

När du har definierat en agent kan du börja be den att utföra arbete genom att anropa en körning ovanpå en aktivitetstråd, vilket helt enkelt är en konversation mellan flera agenter och användare.

# Create a thread with messages
thread = project_client.agents.create_thread()
message = project_client.agents.create_message(
    thread_id=thread.id,
    role="user",
    content="Could you please create a bar chart for the operating profit using the following data and provide the file to me? Company A: $1.2 million, Company B: $2.5 million, Company C: $3.0 million, Company D: $1.8 million",
)

# Ask the agent to perform work on the thread
run = project_client.agents.create_and_process_run(thread_id=thread.id, agent_id=agent.id)

# Fetch and log all messages to see the agent's response
messages = project_client.agents.list_messages(thread_id=thread.id)
print(f"Messages: {messages}")

När körningsåtgärden anropas slutför Azure AI Agent Service hela verktyget som anropar livscykeln för dig genom att 1) köra modellen med de angivna anvisningarna, 2) anropa verktygen när agenten anropar dem och 3) returnera resultaten tillbaka till dig.

När du har fått grunderna kan du börja använda flera agenter tillsammans för att automatisera ännu mer komplexa arbetsflöden med AutoGen och Semantic Kernel. Eftersom Azure AI Agent Service är en fullständigt hanterad tjänst kan du fokusera på att skapa arbetsflöden och de agenter som driver dem utan att behöva oroa dig för skalning, säkerhet eller hantering av den underliggande infrastrukturen för enskilda agenter.

Varför ska du använda Azure AI Agent Service?

Jämfört med att utveckla direkt med INFERENS-API:et ger Azure AI Agent Service ett mer effektivt och säkert sätt att skapa och distribuera AI-agenter. Detta omfattar:

  • Automatisk verktygsanrop – du behöver inte parsa ett verktygsanrop, anropa verktyget och hantera svaret. Allt detta görs nu på serversidan
  • Säkert hanterade data – i stället för att hantera ditt eget konversationstillstånd kan du förlita dig på trådar för att lagra all information du behöver
  • Färdiga verktyg – Utöver verktygen för filhämtning och kodtolkning som tillhandahålls av Azure OpenAI Assistants levereras Även Azure AI Agent Service med en uppsättning verktyg som du kan använda för att interagera med dina datakällor, till exempel Bing, Azure AI Search och Azure Functions.

Det som ursprungligen tog hundratals kodrader kan nu göras på bara några få med Azure AI Agent Service.

Jämföra Azure-agenter och Azure OpenAI-assistenter

Med båda tjänsterna kan du skapa agenter med samma API och SDK:er, men om du har ytterligare företagskrav kan du överväga att använda Azure AI Agent Service. Azure AI Agent Service tillhandahåller alla funktioner för assistenter utöver:

Flexibel modellval – Skapa agenter som använder Azure OpenAI-modeller, eller andra som Llama 3, Mistral och Cohere. Välj den lämpligaste modellen för att uppfylla dina affärsbehov.

Omfattande dataintegreringar – Grunda dina AI-agenter med relevant, säker företagskunskap från olika datakällor, till exempel Microsoft Bing, Azure AI Search och andra API:er.

Säkerhet i företagsklass – Säkerställa datasekretess och efterlevnad med säker datahantering, nyckellös autentisering och ingen offentlig utgående trafik.

Välj din lagringslösning – Ta antingen med din egen Azure Blob Storage för fullständig synlighet och kontroll över dina lagringsresurser eller använd plattformshanterad lagring för säker enkel användning.

Ansvarsfull AI

På Microsoft är vi engagerade i utvecklingen av AI som drivs av principer som sätter människor först. Generativa modeller som de som är tillgängliga i Azure OpenAI har betydande potentiella fördelar, men utan noggrann design och tankeväckande åtgärder kan sådana modeller generera felaktigt eller till och med skadligt innehåll. Microsoft har gjort betydande investeringar för att skydda mot missbruk och oavsiktlig skada, bland annat genom att införliva Microsofts principer för ansvarsfull AI-användning, anta en uppförandekod för användning av tjänsten, skapa innehållsfilter för att stödja kunder och tillhandahålla ansvarsfull AI-information och vägledning som kunderna bör överväga när de använder Azure AI Agent Service.

Kom igång med Azure AI Agent Service

För att komma igång med Azure AI Agent Service måste du skapa en Azure AI Foundry-hubb och ett agentprojekt i din Azure-prenumeration.

Börja med snabbstartsguiden om det är första gången du använder tjänsten.

  1. Du kan skapa en AI-hubb och ett projekt med nödvändiga resurser.
  2. När du har skapat ett projekt kan du distribuera en kompatibel modell som GPT-4o.
  3. När du har en distribuerad modell kan du också börja göra API-anrop till tjänsten med hjälp av SDK:erna.

Nästa steg

Läs mer om de modeller som driver agenter.