کتاب AI Agents in Action (عامل‌های هوش مصنوعی در عمل) یک راهنمای جامع برای ساخت و کار با سیستم‌های عامل هوشمند است. این کتاب به شما نشان می‌دهد که چگونه با استفاده از مدل‌های زبانی بزرگ (LLM)، عامل‌های خودمختار و سیستم‌های چندعاملی را برای حل مسائل واقعی ایجاد کنید.
در ادامه مقدمه‌ای از کتاب AI Agents in Action را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب AI Agents in Action:
مسیر من در دنیای سیستم‌های هوشمند از اوایل دهه 1980 آغاز شد. مانند بسیاری از افراد در آن زمان، من باور داشتم که هوش مصنوعی (AI) در شرف وقوع است. همیشه به نظر می‌رسید که یک نوآوری و جهش فناوری دیگر ما را به هوشی که تصور می‌کردیم، می‌رساند. اما آن جهش هرگز رخ نداد.
شاید وعده HAL، از فیلم 2001: ادیسه فضایی استنلی کوبریک، من را با ایده یک همراه رایانه‌ای واقعاً هوشمند مجذوب کرد. پس از سال‌ها تلاش، آزمون و خطاهای بی‌شمار، شروع به درک این موضوع کردم که ایجاد هوش مصنوعی بسیار پیچیده‌تر از آن چیزی است که ما انسان‌ها تصور می‌کردیم. در اوایل دهه 1990، تمرکز خود را تغییر دادم و مهارت‌هایم را در جهت اهداف ملموس‌تر در صنایع دیگر به کار گرفتم.
تا اواخر دهه 1990، پس از تجربه مجموعه‌ای از رویدادهای چالش‌برانگیز و دگرگون‌کننده، متوجه اشتیاق خود به ساخت سیستم‌های هوشمند نشدم. می‌دانستم که این سیستم‌ها ممکن است هرگز به هوش فوق‌العاده HAL نرسند، اما با این موضوع مشکلی نداشتم. من در کار با یادگیری ماشین و علم داده، ایجاد مدل‌هایی که می‌توانستند یاد بگیرند و سازگار شوند، احساس رضایت می‌کردم. برای بیش از 20 سال، در این فضا شکوفا شدم و به حل مسائلی پرداختم که نیازمند خلاقیت، دقت و حس امکان‌پذیری بودند.
در آن زمان، روی همه چیز از الگوریتم‌های ژنتیکی برای پیش‌بینی ورودی‌های ناشناخته گرفته تا توسعه مدل‌های یادگیری مولد برای حفاری افقی در بخش نفت و گاز کار کردم. این تجربیات من را به سمت نویسندگی سوق داد، جایی که دانش خود را از طریق کتاب‌هایی در موضوعات مختلف به اشتراک گذاشتم—مهندسی معکوس پوکمون گو، ساخت تجربیات واقعیت افزوده و مجازی، طراحی صدا برای بازی‌ها، و استفاده از یادگیری تقویتی برای ایجاد عامل‌های هوشمند. سال‌ها با دستان آغشته به کد، به توسعه عامل‌ها در یونیتی ML-Agents و یادگیری تقویتی عمیق پرداختم.
حتی در آن زمان، هرگز تصور نمی‌کردم که روزی بتوانم به سادگی آنچه را که از یک مدل هوش مصنوعی می‌خواهم توصیف کنم، و آن مدل آن را انجام دهد. هرگز تصور نمی‌کردم که در طول عمرم بتوانم با یک هوش مصنوعی به همان اندازه طبیعی که امروز انجام می‌دهم، همکاری کنم. و قطعاً هرگز تصور نمی‌کردم که این سفر چقدر سریع—و همزمان چقدر آهسته—احساس شود.
در نوامبر 2022، انتشار ChatGPT همه چیز را تغییر داد. درک جهان از هوش مصنوعی را تغییر داد و روش ساخت سیستم‌های هوشمند را تغییر داد. برای من، دیدگاه من را نسبت به قابلیت‌های این سیستم‌ها نیز تغییر داد. ناگهان، ایده عامل‌هایی که می‌توانستند به طور خودکار وظایف پیچیده را انجام دهند، دیگر فقط یک رویای دوردست نبود، بلکه یک واقعیت ملموس و قابل دستیابی بود. در برخی از کتاب‌های قبلی‌ام، سیستم‌های عاملی را توصیف کرده بودم که می‌توانستند وظایف خاصی را انجام دهند، اما اکنون، آن ایده‌های زمانی نظری در دسترس بودند.
کتاب AI Agents in Action اوج دهه‌ها تجربه من در ساخت سیستم‌های هوشمند است، اما همچنین تحقق رویاهایی است که زمانی در مورد اینکه هوش مصنوعی می‌تواند به چه چیزی تبدیل شود، داشتم. عامل‌های هوش مصنوعی اینجا هستند، آماده برای تغییر نحوه تعامل ما با فناوری، نحوه کار و در نهایت، نحوه زندگی ما.
با این حال، حتی اکنون هم شاهد تردید سازمان‌ها در پذیرش سیستم‌های عاملی هستم. من معتقدم که این تردید نه از ترس هوش مصنوعی، بلکه از کمبود درک و تخصص در ساخت این سیستم‌ها ناشی می‌شود. امیدوارم کتاب AI Agents in Action به پر کردن این شکاف کمک کند. می‌خواهم عامل‌های هوش مصنوعی را به عنوان ابزارهایی معرفی کنم که برای همه قابل دسترسی هستند—ابزارهایی که نباید از آنها ترسید، بلکه باید به آنها احترام گذاشت، مسئولانه مدیریت کرد و یاد گرفت که در هماهنگی با آنها کار کرد.
درباره کتاب AI Agents in Action
کتاب «عامل‌های هوش مصنوعی در عمل» در مورد ساخت و کار با سیستم‌های عامل هوشمند است—نه فقط ایجاد موجودیت‌های خودمختار، بلکه توسعه عامل‌هایی که می‌توانند به طور موثر به مسائل واقعی دنیای امروز بپردازند و آنها را حل کنند. کتاب AI Agents in Action با اصول اولیه کار با مدل‌های زبانی بزرگ (LLM) برای ساخت دستیارها، سیستم‌های چندعاملی و عامل‌های رفتاری عاملی شروع می‌شود.
از آنجا، به بررسی اجزای کلیدی سیستم‌های عاملی می‌پردازد: سیستم‌های بازیابی برای افزایش دانش و حافظه، استفاده از عمل و ابزار، استدلال، برنامه‌ریزی، ارزیابی و بازخورد. کتاب AI Agents in Action نشان می‌دهد که چگونه این اجزا به عامل‌ها قدرت می‌دهند تا از طریق مثال‌های عملی طیف گسترده‌ای از وظایف پیچیده را انجام دهند.
این سفر فقط در مورد فناوری نیست؛ بلکه در مورد بازتعریف نحوه برخورد ما با حل مسئله است. امیدوارم کتاب AI Agents in Action به شما الهام بخشد تا عامل‌های هوشمند را به عنوان شرکای نوآوری ببینید، که قادرند ایده‌ها را به روش‌هایی که زمانی غیرممکن تلقی می‌شد، به عمل تبدیل کنند. با هم، بررسی خواهیم کرد که چگونه هوش مصنوعی می‌تواند پتانسیل انسانی را افزایش دهد و به ما امکان دهد بسیار بیشتر از آنچه به تنهایی می‌توانستیم، به دست آوریم.
چه کسی باید کتاب AI Agents in Action را بخواند؟
این کتاب برای هر کسی است که در مورد عامل‌های هوشمند و نحوه توسعه سیستم‌های عاملی کنجکاو است—چه در حال ساخت اولین دستیار مفید خود باشید و چه در حال غوطه‌ور شدن عمیق‌تر در سیستم‌های پیچیده چندعاملی. هیچ تجربه قبلی با عامل‌ها، سیستم‌های عاملی، مهندسی پرامپت یا کار با LLM ها لازم نیست. تمام چیزی که نیاز دارید، درک اولیه از پایتون و آشنایی با مخازن GitHub است. هدف من این است که این مفاهیم را قابل دسترس و جذاب کنم و به هر کسی که می‌خواهد دنیای عامل‌های هوش مصنوعی را کشف کند، با اطمینان این کار را انجام دهد.
چه توسعه‌دهنده، محقق یا علاقه‌مند باشید، یا صرفاً مجذوب احتمالات هوش مصنوعی شده‌اید، کتاب AI Agents in Action برای شماست. امیدوارم در این صفحات الهام، راهنمایی عملی و قدردانی جدیدی از پتانسیل قابل توجه عامل‌های هوشمند پیدا کنید. بگذارید این کتاب راهنمای درک، ایجاد و رهاسازی قدرت عامل‌های هوش مصنوعی در عمل باشد.
نحوه سازماندهی کتاب AI Agents in Action: نقشه راه
این کتاب 11 فصل دارد.
- فصل 1، «مقدمه‌ای بر عامل‌ها و دنیای آنها»، با ارائه پایه‌ای با تعاریف اساسی مدل‌های زبانی بزرگ، سیستم‌های چت، دستیارها و عامل‌های خودمختار آغاز می‌شود. با پیشرفت کتاب AI Agents in Action، بحث به اجزای کلیدی که یک عامل را تشکیل می‌دهند و نحوه کار این اجزا با هم برای ایجاد سیستم‌های واقعاً مؤثر تغییر می‌کند. در اینجا خلاصه‌ای سریع از فصل‌های 2 تا 11 آورده شده است:
- فصل 2، «مهار قدرت مدل‌های زبانی بزرگ»—ما با بررسی نحوه استفاده از LLM های تجاری مانند OpenAI شروع می‌کنیم. سپس ابزارهایی مانند LM Studio را بررسی می‌کنیم که زیرساخت و پشتیبانی را برای اجرای LLM های متن باز مختلف فراهم می‌کنند و به هر کسی امکان آزمایش و نوآوری را می‌دهند.
- فصل 3، «درگیر کردن دستیارهای GPT»—این فصل از کتاب AI Agents in Action به قابلیت‌های پلتفرم دستیارهای GPT از OpenAI می‌پردازد. دستیارها انواع عامل‌های اساسی هستند و ما بررسی می‌کنیم که چگونه دستیارهای عملی و متنوعی از کمک‌کنندگان آشپزی گرفته تا دانشمندان داده کارآموز و حتی یک دستیار یادگیری کتاب ایجاد کنیم.
- فصل 4، «کاوش در سیستم‌های چندعاملی»—ابزارهای عاملی به سرعت پیشرفت قابل توجهی داشته‌اند. در اینجا، دو سیستم چندعاملی پیشرفته را بررسی می‌کنیم: CrewAI و AutoGen. ما توانایی AutoGen را در توسعه کد به طور خودکار نشان می‌دهیم و می‌بینیم که چگونه CrewAI می‌تواند گروهی از محققان شوخ‌طبعی را برای ایجاد مشترک طنز گرد هم آورد.
- فصل 5، «توانمندسازی عامل‌ها با اقدامات»—اقدامات برای هر سیستم عاملی اساسی هستند. این فصل از کتاب AI Agents in Action به نحوه استفاده عامل‌ها از ابزارها و توابع برای اجرای اقدامات، از پرس و جوهای پایگاه داده و رابط برنامه‌نویسی کاربردی (API) گرفته تا تولید تصاویر، می‌پردازد. ما بر توانمندسازی عامل‌ها برای انجام اقدامات معنادار به طور خودکار تمرکز می‌کنیم.
- فصل 6، «ساخت دستیارهای خودمختار»—ما درخت رفتار—یک عنصر اصلی در رباتیک و سیستم‌های بازی—را به عنوان مکانیزمی برای سازماندهی چندین عامل هماهنگ بررسی می‌کنیم. از درخت‌های رفتار برای مقابله با چالش‌هایی مانند مسابقات کدنویسی و ایجاد محتوای رسانه‌های اجتماعی استفاده خواهیم کرد.
- فصل 7، «مونتاژ و استفاده از یک پلتفرم عامل»—این فصل Nexus را معرفی می‌کند، یک پلتفرم پیشرفته برای سازماندهی چندین عامل و LLM. ما در مورد نحوه تسهیل گردش کار عاملی توسط Nexus و فعال کردن تعاملات پیچیده بین عامل‌ها بحث می‌کنیم و نمونه‌ای از یک محیط چندعاملی کاملاً کاربردی ارائه می‌دهیم.
- فصل 8، «درک حافظه و دانش عامل»—تولید تقویت‌شده با بازیابی (RAG) به ابزاری ضروری برای گسترش قابلیت‌های عامل‌های LLM تبدیل شده است. این فصل بررسی می‌کند که چگونه مکانیسم‌های بازیابی می‌توانند هم به عنوان منبع دانش با پردازش فایل‌های وارد شده و هم به عنوان حافظه عمل کنند و به عامل‌ها اجازه دهند تعاملات یا رویدادهای قبلی را به خاطر بیاورند.
- فصل 9، «تسلط بر پرامپت‌های عامل با جریان پرامپت»—مهندسی پرامپت برای موفقیت یک عامل حیاتی است. این فصل جریان پرامپت، ابزاری از مایکروسافت را معرفی می‌کند که به خودکارسازی آزمایش و ارزیابی پرامپت‌ها کمک می‌کند و رفتار عاملی قوی‌تر و مؤثرتری را امکان‌پذیر می‌سازد.
- فصل 10، «استدلال و ارزیابی عامل»—استدلال برای حل هوشمندانه مسائل بسیار مهم است. در این فصل از کتاب AI Agents in Action، تکنیک‌های مختلف استدلال مانند زنجیره تفکر (CoT) را بررسی می‌کنیم و نشان می‌دهیم که چگونه عامل‌ها می‌توانند استراتژی‌های استدلال را حتی در طول استنتاج ارزیابی کنند و ظرفیت خود را برای حل مسائل به طور خودکار بهبود بخشند.
- فصل 11، «برنامه‌ریزی و بازخورد عامل»—برنامه‌ریزی شاید مهم‌ترین مهارت یک عامل در دستیابی به اهدافش باشد. ما در مورد نحوه گنجاندن برنامه‌ریزی توسط عامل‌ها برای پیمایش وظایف پیچیده و نحوه استفاده از حلقه‌های بازخورد برای اصلاح آن برنامه‌ها بحث می‌کنیم. فصل با ادغام تمام اجزای کلیدی—اقدامات، حافظه و دانش، استدلال، ارزیابی، برنامه‌ریزی و بازخورد—در مثال‌های عملی سیستم‌های عاملی که مسائل واقعی دنیای امروز را حل می‌کنند، به پایان می‌رسد.
سرفصل‌های کتاب AI Agents in Action:
- AI Agents in Action
- brief contents
- contents
- preface
- acknowledgments
- about this book
- about the author
- about the cover illustration
- 1 Introduction to agents and their world
- 2 Harnessing the power of large language models
- 3 Engaging GPT assistants
- 4 Exploring multi-agent systems
- 5 Empowering agents with actions
- 6 Building autonomous assistants
- 7 Assembling and using an agent platform
- 8 Understanding agent memory and knowledge
- 9 Mastering agent prompts with prompt flow
- 10 Agent reasoning and evaluation
- 11 Agent planning and feedback
- appendix A-Accessing OpenAI large language models
- appendix B-Python development environment
- index
جهت دانلود کتاب AI Agents in Action می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.