[筆記] AI agents for beginners 第一課: What are AI Agents 課後心得
這將會是 AI Agents for beginners 這一系列課程學習心得的第一篇文章，主要是記錄以學習 AI Agent 新手的角度所習得的內容以及心得收獲
TL;DR
AI Agents 是一種具備理解能力、記憶能力與使用工具能力的智慧系統，能根據使用者的自然語言指令，自動規劃與執行任務。其核心由 大型語言模型（LLM）、記憶（短期與長期）、以及可操作的外部工具組成。課程透過一個模擬旅行規劃助手的程式碼示例，展示了 Agent 如何回應使用者需求、學習偏好並調整建議。這是進入 AI 自主應用開發的重要起點。
筆記內容
這份文件是基於 "What are AI agents?" 課程第一課的內容，旨在介紹 AI Agent的基本概念、構成要素以及如何開始建構它們。本課程將帶領學習者從概念到程式碼，涵蓋建構 AI Agent 的基礎知識。
什麼是 AI Agent？
AI Agent是一種能夠識別使用者請求的任務、建立完成該任務的計畫並執行該計畫行動的系統。它們結合了多個關鍵組件，使其能夠進行推理、記憶和利用工具來達成目標。
AI Agent 的核心組成部分：
- 大型語言模型 (LLM): LLM 是 AI Agent 推理能力的核心。它負責解析使用者請求，理解任務，並制定執行計畫。課程中提到，LLM 的推理能力包括「識別使用者請求的任務，建立完成該任務的計畫並執行該計畫的行動」。
- 記憶 (Memory): 記憶讓 AI Agent 能夠儲存和利用資訊來改進其表現。記憶分為兩種：
- 短期記憶 (Short-term memory): 使用者與 Agent 之間的對話上下文，讓 Agent 能夠記住當前的互動狀況。
- 長期記憶 (Long-term memory): 資料的集合，讓 Agent 隨時間在完成任務方面有所改進，例如記住使用者偏好。
- 工具 (Tools): AI Agent 能夠存取和利用的外部資源或功能，以執行特定行動，例如：
- 透過 API 存取的服務
- 幫助確定採取何種行動的資料
- 用於向 Agent 傳送資訊的功能
AI Agent 如何運作？
Agent 利用 LLM 來識別使用者想要完成的任務，利用記憶來收集完成任務所需的資訊和資料，並確定完成任務所需的可用工具。
課程中以「刷牙」作比喻：需要計畫（何時何地刷）、工具（牙刷與牙膏）、短期記憶（目前是否刷了上排牙齒）、長期記憶（對牙膏的偏好）。
建構 AI Agent：實際範例與程式碼
課程展示了使用 Microsoft 的 Semantic Kernel 與 GitHub 上的 agentic framework 建構 AI Agent 的範例。採用了 GPT-4o mini 模型。
範例中建立了一個「目的地」外掛程式 (Destinations Plugin)，包含全球不同城市列表，並有一個功能能隨機回傳一個城市。
模擬互動範例如下：
- 使用者請求：「plan me a day trip」（為我規劃一個一日遊）。Agent 利用 LLM 解釋請求。
- Agent 回應：發現沒有指定城市，呼叫隨機目的地功能，建議「Sydney」。
- 使用者不滿意，要求重規劃：「don’t really like this destination...」
- Agent 再次使用記憶與工具：避免重複，改建議「Rio De Janeiro」。
這展示了 AI Agent 如何利用推理、記憶與工具來調整回應與行動。
展望未來
下一章節將探討不同的 agentic framework，包括它們的工作方式、差異和優點。
總結：AI Agent 透過整合大型語言模型、記憶與工具，能夠理解與執行使用者指令，並依據互動進行調整與學習，是建構智慧應用的基礎。
心得感想
作為一個 AI 初學者，這堂課給了我一個非常清楚且具體的切入點。過去我總覺得「AI Agent」是個抽象又高深的概念，但透過這次的學習，我第一次真正理解它的運作邏輯：原來只要把「理解（LLM）＋記憶＋工具」這三個概念串起來，就能構成一個有思考、有行動力的智能系統。
程式碼範例的旅行規劃案例非常貼近生活，讓我看到 AI Agent 其實不只是理論，而是可以應用在解決真實問題的工具。特別是看到 Agent 如何根據使用者的反應（「不喜歡這個目的地」）自動做出調整，真的讓我感受到它的靈活與潛力。
雖然一開始對於像 Semantic Kernel 或 agentic framework 這些名詞還有點陌生，但在跟著課程範例操作後，漸漸可以理解它們是如何協助我們更容易地建構出一個 AI Agent 。
總之，這次的學習讓我不再只是「使用 AI」，而開始理解如何打造一個可以落地解決現實問題的 AI Agent。也激發了我想進一步探索更多 AI Agent 應用場景的興趣與好奇心。
留言
張貼留言