Lab 03: Utworzenie pierwszego agenta

Opis

W tym laboratorium stworzymy pierwszego agenta AI w Azure AI Foundry Portal. Przejdziemy przez wdrożenie modelu GPT-4.1 mini, utworzenie agenta oraz konfigurację jego podstawowych parametrów.

1. Wdrożenie modelu GPT-4.1 mini

Zanim utworzymy agenta, musimy wdrożyć model językowy, który będzie jego “mózgiem”.

Krok 1: Przejdź do Azure AI Foundry Portal

Krok 2: Nawiguj do swojego projektu:

• Wybierz swój projekt z listy (utworzony w Lab 01)

Krok 3: Wdróż model:

• W lewym menu kliknij Models + endpoints
• Kliknij przycisk + Deploy model → Deploy base model
• W wyszukiwarce wpisz gpt-4.1-mini
• Wybierz model gpt-4.1-mini z listy
• Kliknij Confirm
• W oknie deployment:
  • Deployment name: zostaw domyślną wartość gpt-4.1-mini-<TWOJE_INICJAŁY>
  • Model version: zostaw domyślną (latest)
  • Deployment type: wybierz Global Standard
  • Pozostałe ustawienia: zostaw domyślne
• Kliknij Deploy

Ważne: Wdrożenie modelu może potrwać 1-2 minuty. Poczekaj aż status zmieni się na “Succeeded”. Po wdrożeniu poczekaj dodatkowo do 5 minut zanim przejdziesz do tworzenia agenta - model musi być w pełni gotowy do użycia.

Tip: Nazwa deployment (gpt-4.1-mini-<TWOJE_INICJAŁY>) jest ważna - będziesz jej używać w kodzie do odwoływania się do modelu.

2. Utworzenie agenta

Agent to inteligentna jednostka, która wykorzystuje model językowy (GPT-4.1 mini) do prowadzenia konwersacji i wykonywania zadań. Agent może mieć własną “osobowość” zdefiniowaną przez instrukcje, używać narzędzi (tools) i utrzymywać kontekst rozmowy.

Krok 1: W lewym menu kliknij Agents

Krok 2: Kliknij + New agent

Krok 3: W prawym panelu konfiguracji znajdziesz sekcję Deployment:

• Z listy rozwijanej wybierz **gpt-4.1-mini-** (ten który właśnie wdrożyłeś)

Krok 4: Zauważ pole Agent ID - unikalny identyfikator agenta:

• Każdy agent ma swój własny, niepowtarzalny ID
• Po tym ID wskazujesz w kodzie jakiego agenta chcesz wywołać

Jesteś teraz w Agent Playground - interaktywnym środowisku do testowania agenta.

3. Konfiguracja agenta

Teraz skonfigurujemy podstawowe parametry agenta. Te ustawienia znajdziesz w prawym panelu Playground.

3.1. Nazwa agenta

Pole: Name

Wartość: HelloWorld

Wyjaśnienie: Przyjazna nazwa identyfikująca agenta w projekcie. Dobra nazwa ułatwia zarządzanie wieloma agentami.

3.2. Opis agenta

Pole: Description

Wartość: Pierwszy agent testowy do nauki podstaw Azure AI Agents

Wyjaśnienie: Krótki opis pomagający zrozumieć przeznaczenie agenta. Szczególnie przydatny gdy pracujesz z zespołem lub masz wiele agentów.

3.3. Instrukcje systemowe

Pole: Instructions

Wartość:

Jesteś przyjaznym asystentem pomagającym użytkownikom zrozumieć podstawy agentów AI. Odpowiadaj zwięźle i jasno.

Wyjaśnienie: To najważniejszy parametr! Instrukcje definiują “osobowość” i zachowanie agenta. Agent będzie próbował postępować zgodnie z tymi wytycznymi w każdej konwersacji.

Tip: Dobre instrukcje są:

• Konkretne: “Odpowiadaj zwięźle” zamiast “bądź pomocny”
• Zorientowane na zadanie: Co agent ma robić?
• Zwięzłe: Krótkie instrukcje są lepiej przestrzegane

3.4. Temperature

Pole: Temperature

Opis Temperatura w modelu LLM to parametr kontrolujący randomizację i kreatywność odpowiedzi modelu. Działa jako współczynnik skalujący dla rozkładu prawdopodobieństwa przy wyborze następnego tokenu.

Wartość: 0.7

Wyjaśnienie: Parametr kontrolujący losowość odpowiedzi (zakres: 0.0 - 2.0):

• Niska temperature (0.0 - 0.3): Model produkuje bardziej powtarzalne i deterministyczne odpowiedzi. Zawsze wybiera najbardziej prawdopodobne słowa.
  • Dobre dla: FAQ, analiza danych, zadania wymagające precyzji
• Średnia temperature (0.4 - 0.7): Balans między przewidywalnością a kreatywnością
  • Dobre dla: asystenci, chatboty, ogólne zastosowania
• Wysoka temperature (0.8 - 2.0): Model generuje bardziej nieoczekiwane i kreatywne odpowiedzi. Wybiera mniej oczywiste słowa.
  • Dobre dla: brainstorming, kreatywne pisanie, generowanie pomysłów

Dla naszego “hello world” wybieramy 0.7 - agent będzie pomocny ale nie zbyt “fantazyjny”.

3.5. Top P

Pole: Top P

Opis Ogranicza wybór modelu tylko do tokenów, które łącznie dają prawdopodobieństwo P.

Czyli zamiast:

• sortować wszystkie tokeny,
• brać te, które łącznie dają np. 95% prawdopodobieństwa,
• losować tylko spośród nich.

Przykład (TOP-P = 0.9): Weź tylko te słowa, których suma prawdopodobieństwa to 90%. Reszta — nawet jeśli pojedynczo mają duże szanse — jest odrzucana.

Wartość: zostaw domyślne (zazwyczaj 1.0)

Wyjaśnienie: Alternatywny sposób kontrolowania losowości (zakres: 0.0 - 1.0):

• Niska Top P (0.1 - 0.5): Zawęża wybór modelu tylko do najbardziej prawdopodobnych tokenów (słów). Odpowiedzi są bardziej przewidywalne.
• Wysoka Top P (0.8 - 1.0): Model może wybierać z szerokiego zakresu tokenów - zarówno bardzo prawdopodobnych jak i mniej prawdopodobnych. Odpowiedzi są bardziej zróżnicowane.

Ważne: Temperature i Top P robią podobne rzeczy (kontrolują losowość), ale używają różnych metod. Nie zmieniaj obu jednocześnie! Wybierz jedno:

• Reguluj Temperature ALBO Top P, nie oba naraz
• Najczęściej używa się tylko Temperature, a Top P zostawia się domyślne

Różnica w praktyce

Najczęściej stosowane ustawienia

Jeśli model ma być:

• precyzyjny i stabilny → temperature=0.1–0.2, top-p=1.0
• naturalny i z lekką kreatywnością → temperature=0.5–0.7, top-p=0.9–1.0
• bardzo kreatywny → temperature=1.0, top-p=0.8–0.9
• do kodu lub faktów → temperature=0, top-p=1.0

3.6. Zapisz konfigurację

Nie musisz nic zapisywać - zmiany zapisują się same

4. Test w Playground

Wróć na górę “Setup” i kliknij “Try in playground”

Czas przetestować agenta! W polu tekstowym na dole Playground wpisz:

Czym są agenci AI?

Naciśnij Enter i obserwuj odpowiedź agenta.

Przykładowa odpowiedź (może się różnić):

Agenci AI to inteligentne programy wykorzystujące modele językowe do prowadzenia
konwersacji i wykonywania zadań. Mogą korzystać z narzędzi, utrzymywać kontekst
rozmowy i działać zgodnie z instrukcjami, które otrzymują.

Spróbuj zadać kilka pytań followup:

• “Jakie narzędzia mogą używać?”
• “Czym różnią się od zwykłych chatbotów?”

Tip: Zwróć uwagę jak agent utrzymuje kontekst konwersacji - pamięta co powiedział wcześniej.

4.1. Sprawdź informacje o tokenach i thread logs

Po zadaniu kilku pytań, sprawdź szczegółowe informacje o konwersacji:

Tokeny (Usage):

• W prawym panelu znajdź sekcję pokazującą zużycie tokenów
• Zobaczysz ile tokenów zostało użytych w zapytaniach (input) i odpowiedziach (output)
• To pomaga zrozumieć koszty i ograniczenia modelu

Thread Logs:

• Kliknij przycisk Thread logs w Playground
• Zobaczysz szczegółowy log całej konwersacji (thread)
• Możesz zobaczyć:
  • Pełną historię wiadomości (user → assistant)
  • Parametry użyte w każdym zapytaniu
  • Tokeny zużyte w każdej wymianie
  • Czas wykonania każdego zapytania
  • Sprawdź zawartość

Tip: Thread logs są niezwykle przydatne do debugowania - jeśli agent zachowuje się nieoczekiwanie, możesz zobaczyć dokładnie co otrzymał i co odpowiedział.

4.2. Zarządzanie thread’ami

Thread to cała historia konwersacji z agentem. Każda sesja czatu tworzy nowy thread.

Aby zobaczyć wszystkie swoje konwersacje:

1. W lewym menu kliknij Agents
2. Kliknij My threads (górna zakładka koło My agents)
3. Zobaczysz listę wszystkich thread’ów w tym projekcie - ze wszystkich agentów, nie tylko tego jednego.
4. Kliknij na dowolny thread aby zobaczyć jego historię i logi

Ważne: Thread’y żyją dopóki ich nie skasujesz. Oznacza to, że:

• Wszystkie konwersacje są zapisywane i dostępne do późniejszego przeglądu
• Agent może wrócić do wcześniejszej konwersacji i kontynuować ją
• Thread’y zajmują miejsce i mogą generować koszty przechowywania
• Regularnie kasuj niepotrzebne thread’y aby oszczędzać zasoby

5. Podsumowanie

Gratulacje! Właśnie utworzyłeś pierwszego agenta AI. W tym laboratorium:

✅ Wdrożyłeś model GPT-4.1 mini

✅ Utworzyłeś agenta w Azure AI Foundry Portal

✅ Skonfigurowałeś podstawowe parametry:

• Nazwę i opis agenta
• Instrukcje systemowe (definiujące zachowanie)
• Temperature (poziom kreatywności)

✅ Przetestowałeś agenta w Playground

✅ Sprawdziłeś tokeny i thread logs

✅ Nauczyłeś się zarządzać thread’ami