Introducere în agenți AI

Subiect din roadmap-ul AI Agents și LLM în producție

Vezi în roadmap și marchează progresul Întreabă AI Tutor

Agenții AI reprezintă o evoluție naturală a modelelor lingvistice mari (LLM), trecând de la simpla generare de text la executarea autonomă a sarcinilor complexe. În practică, aceștia nu doar „gândesc”, ci interacționează cu mediul extern prin tool-uri, API-uri și baze de date pentru a rezolva probleme concrete. Această capacitate de acțiune îi face indispensabili în automatizarea fluxurilor de lucru, suportul clienților avansat și analiza datelor structurată. Înțelegerea lor este crucială pentru oricine dorește să construiască aplicații AI robuste și utile, nu doar demo-uri.

Concepte cheie

  • Planificare: Capacitatea agentului de a despica o sarcină mare în pași mici, logici și secvențiali înainte de a începe execuția.
  • Tool Use (Utilizare instrumente): Abilitatea modelului de a decide când și cum să apeleze funcții externe, cum ar fi un calculator, un motor de căutare sau o bază de date SQL.
  • Memorie: Mecanismele prin care agentul își amintește contextul conversației anterior sau informații persistente între sesiuni, esențiale pentru continuitate.
  • Observație: Procesul prin care agentul analizează rezultatul unei acțiuni anterioare (de exemplu, răspunsul unui API) pentru a decide următorul pas.
  • Acțiune: Executarea efectivă a unei decizii, cum ar fi trimiterea unui email, rularea unui script Python sau actualizarea unui record în baza de date.
  • Ciclul Reacție-Planificare-Acțiune (ReAct): Un paradigmă populară care îmbină raționamentul (thought) cu acțiunea, permițând agentului să se corecteze în timp real.
  • Orchestrare: Gestionarea fluxului de control, gestionarea erorilor și coordonarea mai multor agenți sau servicii pentru a atinge un obiectiv final.

Exemplu practic

Să presupunem că vrem un agent care să ne ajute să rezervăm o masă la un restaurant. Agentul primește promptul: „Rezervă o masă pentru 2 persoane mâine la ora 19:00 la Restaurantul X”.

# Pseudocod conceptual pentru un agent simplu
def agent_reservare(user_input):
    # 1. Extrage entitățile (NLP)
    date = extract_date(user_input)
    time = extract_time(user_input)
    venue = extract_venue(user_input)
    
    # 2. Verifică disponibilitatea (Tool Call)
    availability = check_api(venue, date, time)
    
    if availability:
        # 3. Confirmă cu utilizatorul
        return f"Am găsit loc la {venue} pentru {date} la {time}. Confirm?"
    else:
        # 4. Propune alternative
        alt_time = find_next_slot(venue, date)
        return f"Niciun loc la 19:00. Vrei la {alt_time}?"

# Executarea
rezultat = agent_reservare("Vreau masă mâine la 19 la Restaurantul X")

Acest exemplu ilustrează cum LLM-ul nu răspunde direct, ci activează funcții (check_api) pentru a obține date reale, apoi procesează rezultatul pentru a genera un răspuns contextualizat.

Greșeli frecvente

  • Lipsa verificării stării: Agentul execută o acțiune fără a verifica dacă a reușit (de ex., nu verifică status code-ul API-ului).
  • Context insuficient: Ignorarea istoricului conversației duce la repetarea întrebărilor sau la pierderea scopului inițial.
  • Securitate slabă: Permiteți agentului să execute comenzi arbitrare sau să acceseze date sensibile fără filtrare strictă (prompt injection).
  • Complexitate excesivă: Construirea unui agent complex pentru o sarcină simplă care ar putea fi rezolvată cu un script standard, crescând costurile și latența.

Întrebări de interviu

1. Care este diferența dintre un chatbot tradițional și un agent AI? Un chatbot răspunde la întrebări bazat pe cunoștințe predefinite sau generare de text, în timp ce un agent are capacitatea de a lua acțiuni autonome în mediul exterior pentru a realiza un obiectiv.

2. Cum gestionezi erorile într-un ciclu de planificare-execuție? Se implementează mecanisme de retry cu back-off exponențial, logging detaliat al pașilor eșuați și o logică de fallback care informează utilizatorul sau modifică planul.

3. De ce este importantă memoria pe termen lung în agenți? Permite agentului să învețe din interacțiuni precedente, să își amintească preferințele utilizatorului și să mențină coerența în conversații lungi sau complexe.

Exercițiu

Construiește un agent simplu folosind o bibliotecă precum LangChain sau CrewAI (sau chiar un script Python cu requests). Sarcina: agentul trebuie să ceară utilizatorului un nume de oraș, să apeleze o API gratuită de vreme (ex: OpenWeatherMap) pentru a obține temperatura curentă și să genereze o recomandare vestimentară scurtă bazată pe acea temperatură. Testează cazul în care API-ul returnează o eroare și asigură-te că agentul raportează problema frumos.

Resurse gratuite

Subteme