Kako napraviti AI agente pomoću alata u Csharpu

Početna » piton » Kako napraviti AI agente pomoću alata u Csharpu

Izgradnja AI agenata s alatima u C# više nije futuristički san; to je vrlo praktičan način za automatizaciju radnih procesa, analizu podataka i povezivanje vaših .NET aplikacija s velikim jezičkim modelima (LLM).S pravom arhitekturom, možete preći s jednostavnog klijenta za chat na agente produkcijskog nivoa koji razmišljaju, pozivaju API-je, orkestriraju tokove rada i poštuju ograničenja preduzeća poput sigurnosti, vidljivosti i kontrole troškova.

Ovaj vodič vas vodi kroz proces mapiranja modernih koncepta AI agenata na C# stek, kako se Azure OpenAI i OpenAI Assistants API uklapaju i kako sve uključiti u robusne .NET prakse softverskog inženjerstva.Također ćemo povezati ove ideje s Microsoftovim novim okvirima agenata i AI alatima u Visual Studio Code-u, kako biste dobili potpuni pregled od lokalnog prototipa do skalabilnog raspoređivanja u oblaku.

Od chatbotova do potpunih AI agenata u C#

Na opštem nivou, AI agent je sistem koji teži ka ciljevima, a ne samo da odgovara na pojedinačne upite.To znači da agentu treba određena kombinacija rasuđivanja, alata, svjesnosti konteksta i pamćenja kako bi mogao odlučiti šta će sljedeće učiniti, a ne samo šta će odgovoriti u trenutnom potezu.

U praktičnom C# smislu, agenta možete zamisliti kao koordinacijski sloj na vrhu LLM klijenta plus skup alata izloženih kao .NET metode, API-ji ili eksterni servisi.Model doprinosi zaključivanju i razumijevanju jezika, dok vaš C# kod doprinosi poslovnoj logici, pristupu podacima, sigurnosti i integracijama s vašim postojećim sistemima.

Moderni agenti se često oslanjaju na velike jezičke modele za donošenje odluka, algoritme pretraživanja ili logiku planiranja, ali oni postaju zaista korisni tek kada su povezani s alatima.Alati mogu uključivati ​​upite baze podataka, HTTP API-je, interne mikroservise, pretragu datoteka ili interpreter koda u sandboxu gdje agent može sigurno pokretati kod za analizu podataka.

Svijest o kontekstu je posljednji ključni dio, koji omogućava agentu da koristi historiju razgovora, vektorske pohrane, poslovne podatke ili grafove znanja kao dio svog razmišljanja.Taj kontekst može biti jednostavan poput kratkog dnevnika razgovora koji se čuva u memoriji ili složen poput distribuiranog stanja radnog procesa koje obuhvata više agenata i skladišta podataka.

Osnovni gradivni blokovi AI asistenata i agenata

OpenAI i Azure OpenAI Assistants API-ji vam daju vrlo konkretan skup primitiva za izgradnju agenata u C#.Umjesto ručnog podešavanja mašina stanja, radite s dobro definiranim entitetima koji odgovaraju načinu na koji agenti zasnovani na LLM-u razmišljaju i rade.

Asistent predstavlja konfiguriranu AI personu: koji model koristi, koje instrukcije slijedi i koje alate smije pozivati.U C#, ovo se mapira na objekat koji kreirate s opcijama kao što su ime, sistemske instrukcije i lista definicija alata koje opisuju šta model može pozvati.

Nit je konverzacijska sesija koja povezuje korisnika s asistentom tokom vremena.Nit pohranjuje uređenu listu poruka, automatski obrađuje skraćivanje konteksta kako bi ostala unutar ograničenja tokena i djeluje kao osnova memorije agenta za tu interakciju.

Poruke su konkretni dijelovi sadržaja koji teku između korisnika i asistentaU Assistants API-ju, poruka može sadržavati običan tekst, slike ili druge datoteke. U C#-u, konzumirate ih kao objekte u kolekciji, pregledavajući tekst, napomene ili povezane ID-ove datoteka ovisno o sadržaju.

Izvođenje je operacija koja pokreće asistentovo razmišljanje o sadržaju niti.Nakon što započnete izvođenje, asistent primjenjuje njegovu konfiguraciju, čita poruke, poziva alate po potrebi, a zatim dodaje nove poruke sa svojim rezultatima natrag u istu nit.

Koraci trčanja obuhvataju detaljan niz radnji koje asistent izvršava tokom trčanja.Njihovim pregledom možete vidjeti koji su alati pozvani, koji su argumenti proslijeđeni, koje su poruke generirane i kako je agent došao do konačnog odgovora. Ovo je izuzetno vrijedno za otklanjanje grešaka, uočljivost i reviziju u poslovnim okruženjima.

Pored ovih primitiva, asistenti mogu paralelno koristiti više alata za dovršavanje zadataka.Tipični ugrađeni alati uključuju interpreter koda koji može pokretati isječke u sandbox okruženju, pozivanje prilagođenih funkcija (vlastite .NET funkcije izložene kao alati) i mogućnosti pretraživanja datoteka koje proširuju model vanjskim znanjem.

Korištenje alata: izvršavanje koda, pozivi funkcija i pretraga datoteka

Alati su ono što transformiše pasivni jezički model u sposobnog agenta koji zapravo može da obavlja zadatke unutar vaše .NET aplikacije.Umjesto vraćanja samo teksta, model može odlučiti pozvati funkciju, izvršiti kod ili pretražiti spremište datoteka kada je to najbolji način da odgovori na korisnikov zahtjev.

Alat za interpretaciju koda omogućava agentu da piše i izvršava kod u izolovanom okruženju za zadatke poput analize podataka, vizualizacije ili osnovnih simulacija.Iz C#-a ne pokrećete taj kod direktno; konfigurišete asistenta sa mogućnošću interpretiranja koda, a zatim čitate izlaze koje on proizvodi, kao što su generirane slike ili strukturirani rezultati.

Pozivanje funkcija otkriva vašu vlastitu logiku domene kao alate koje model može odabrati i pozvatiSvaku funkciju opisujete metapodacima: nazivom, svrhom i shemom parametara. Asistent zatim bira kada će pokrenuti te funkcije na osnovu korisničkog unosa i međurezonovanja, dok vaša C# implementacija obrađuje validaciju, greške i vremenska ograničenja.

Alati za pretragu datoteka omogućavaju agentu da svoje odgovore utemelji na eksternim podacima, kao što su dokumentacija, izvještaji ili baze znanja.Vi postavljate datoteke, kreirate vektorske skladišta ili indekse i dozvoljavate asistentu pristup njima. Odatle, model može preuzeti relevantne dijelove sadržaja i uključiti ih u svoje odgovore, poboljšavajući činjeničnu tačnost i sljedivost.

Ključni princip dizajna je da alati moraju biti sigurni i otporni, sa snažnom validacijom ulaznih podataka, obradom grešaka i jasnim ograničenjima resursa.Iako LLM odlučuje kada će ih pozvati, vaš C# kod ostaje u potpunosti odgovoran za sprovođenje poslovnih pravila, ograničenja brzine i politika pristupa podacima.

Kreiranje minimalnog .NET agenta konzolne aplikacije pomoću Azure OpenAI-a

Da biste sve ovo konkretno objasnili, možete početi s jednostavnom .NET konzolnom aplikacijom koja komunicira s OpenAI ili Azure OpenAI Assistants API-jem.Ovakav minimalistički projekat je savršen za agente za proof-of-concept koji u potpunosti žive u kodu, ali već koriste alate, datoteke i niti za razgovor.

Prvi korak je kreiranje .NET konzolnog projekta i dodavanje potrebnih SDK paketa koji vam daju pristup OpenAI i Azure OpenAI klijentima.Kada su oni postavljeni, instancirate generički OpenAI klijent koristeći svoj API ključ ili klijent specifičan za Azure koji pokazuje na vašu Azure OpenAI krajnju tačku i koristi akreditiv kao što je DefaultAzureCredential.

Iz općeg klijenta izvode se specijalizirani klijenti: pomoćni klijent za upravljanje asistentima, nitima i izvršavanjima, te klijent za datoteke za otpremanje i preuzimanje datoteka.Ovo razdvajanje jasno pokazuje koje se operacije odnose na konfiguraciju i orkestraciju, a koje na rukovanje sirovim datotekama.

Zatim možete kreirati tok dokumenata u memoriji direktno unutar vašeg C# koda kako biste simulirali stvarne poslovne podatke.Na primjer, možete definirati mali JSON dokument koji sadrži mjesečne metrike prodaje za različite ID-ove proizvoda i pretvoriti ga u stream koji klijent datoteke može prenijeti.

Nakon što se datoteka otpremi za korištenje od strane asistenta, platforma vraća identifikator datoteke koji možete povezati s novim vektorskim skladištem i priložiti asistentu kao resurs za pretraživanje datoteka.U istoj konfiguraciji asistenta, omogućavate i interpreter koda tako da agent može ne samo pretraživati ​​vrijednosti već i generirati grafikone ili naprednije analize.

Nakon što pripremite opcije asistenta s imenom, instrukcijama i definicijama alata, kreirate asistenta podržanog modelom kao što je gpt-4oTakođer konfigurirate nit s početnom korisničkom porukom, možda nečim poput traženja o performansama određenog proizvoda tokom vremena i zahtjeva za vizualizaciju.

Pomoćni klijent vam omogućava da kreirate nit i odmah pokrenete izvršavanje u jednom pozivu, a zatim provjeravate status izvršavanja dok ne dostigne terminalno stanje.Ova petlja ispitivanja je jednostavna, ali efikasna za alate komandne linije; u web okruženju ili okruženju pozadinskih servisa, umjesto toga možete preći na obrasce vođene događajima ili asinhrone obrasce.

Nakon što se izvršavanje završi, strimujete poruke iz niti u rastućem redoslijedu i ispisujete odgovore asistenta na konzolu.Za svaki dio sadržaja možete pregledati tekst, napomene koje referenciraju ulazne ili izlazne datoteke i sve slike koje generira interpreter koda, a koje zatim spremate na disk i zapisujete pomoću jednostavne oznake rezerviranog mjesta u izlazu konzole.

Upravljanje stanjem, dizajn memorije i konverzacije

Čim prevaziđete primjere igračaka, stanje i memorija postaju centralna pitanja u dizajnu vašeg C# agenta.Izazov je u tome što historija razgovora raste neograničeno, dok modeli imaju stroga ograničenja tokena, a također je potrebno zadržati podatke za usklađenost, analitiku ili otklanjanje grešaka.

Jedna uobičajena strategija je održavanje odvojenih niti ili sesija po korisniku ili slučaju upotrebe i periodično sažimanje razgovora kako bi se zadržao samo najrelevantniji kontekst.Sažetke može generirati sam model, a zatim ih pohraniti zajedno sa strukturiranim metapodacima u bazu podataka ili vektorsko spremište.

Napredniji pristup koristi semantičku važnost prilikom odlučivanja šta zadržati, komprimovati ili odbacitiUmjesto jednostavnog skraćivanja najstarijih poruka, označavate ili indeksirate sadržaj po temama, entitetima ili poslovnim procesima i pokrećete ciljane upite kako biste rekonstruirali samo kontekst potreban za novo pokretanje.

U C#-u, memorija se obično implementira kao kombinacija keš memorija unutar procesa za brzi pristup i trajnih skladišta za izdržljivost i mogućnost revizije.To bi moglo značiti uparivanje relacijske baze podataka za strukturirane metapodatke s vektorskom bazom podataka za semantičko pretraživanje nestrukturiranog sadržaja, a sve to skriveno iza interfejsa repozitorija koje vaši agenti mogu pozivati ​​bez brige o osnovnoj tehnologiji.

Pažljivo osmišljen dizajn razgovora je također važan: trebali biste kreirati sistemske upute, opise alata i korisničke upute kako bi LLM mogao efikasno razmišljati, a da pritom ostane unutar granica vaše domene.Ovo uključuje pojašnjenje kada agent treba da postavlja pojašnjavajuća pitanja, kada da pozove alat i kada da odbije zahtjev koji izlazi izvan njegovog dozvoljenog opsega.

Alati kao C# funkcije, API-ji i eksterni servisi

U stvarnim aplikacijama, najmoćniji alati su vaše vlastite domenske funkcije, izložene tako da agent može orkestrirati rad u vašim internim sistemima.To može uključivati ​​operacije poput kreiranja tiketa, ispitivanja zapisa o kupcima, izvršavanja finansijskih proračuna ili pokretanja tokova rada u vašim postojećim mikroservisima.

Za svaki alat, želite pružiti bogate metapodatke koji opisuju šta radi, koje ulaze očekuje i šta vraća, idealno u shemi koju mašinski može čitati.To pomaže LLM-u da odabere pravi alat, izgradi valjane argumente i ispravno interpretira rezultate, smanjujući halucinacije i promašaje.

Sa strane implementacije, svaki rukovalac alatima u C# zahtijeva defanzivno programiranje: strogu validaciju ulaza, robusnu obradu izuzetaka i razumna vremenska ograničenja.Agent bi mogao pokušati stvari koje nemaju poslovnog smisla; vaš kod mora provoditi politike umjesto da pretpostavlja da se model uvijek ponaša predvidljivo.

Također je mudro evidentirati svako pozivanje alata zajedno s korisnikom koji ga je pozvao, segmentom prompta koji ga je pokrenuo i rezultatom.To vam daje jasan trag revizije, podržava sigurnosne preglede i omogućava vam da podesite koji su alati najefikasniji ili im je potrebna dodatna zaštita.

Višeagentska orkestracija i tokovi rada u .NET-u

Kako vaši scenariji postaju složeniji, možete otkriti da jedan agent nije dovoljan i da vam je potrebno više specijaliziranih agenata koji rade zajedno.Na primjer, jedan agent bi se mogao fokusirati na istraživanje i prikupljanje podataka, drugi na analizu, a treći na izradu korisnički prilagođenih rezultata.

Konceptualno, ovo se dobro podudara sa obrascima toka rada koje .NET programeri već poznaju: sekvencijalni koraci, paralelne grane, primopredaje i uloge nadzornika.Umjesto čvrsto kodirane logike, agenti koordiniraju putem strukturiranih poruka i zajedničkog radnog prostora, ali obrasci orkestracije djeluju poznato.

Sekvencijalni tokovi rada prenose rezultate jednog agenta direktno sljedećem, idealni za linearne zadatke poput prikupljanja zahtjeva, dizajna, implementacije i pregleda.Paralelni tokovi rada omogućavaju više agenata da istovremeno obrađuju različite aspekte problema, a zatim spajaju svoje rezultate u kasnijem koraku.

Obrasci primopredaje omogućavaju prenos odgovornosti s agenta na agenta na osnovu uslova, kao što su pragovi pouzdanosti, kategorije sadržaja ili korisničke akcije.Postavke u stilu grupnog chata stavljaju nekoliko agenata u zajednički razgovor gdje mogu raspravljati o opcijama, razmjenjivati ​​​​utiske i dogovoriti se o rješenju u stvarnom vremenu.

Nadzirane ili hijerarhijske postavke uvode menadžerskog agenta koji pregledava međurezultate, dodjeljuje zadatke i rješava konflikte.U .NET-u, ovu orkestraciju možete predstaviti korištenjem pozadinskih radnika, redova poruka ili mehanizama za radni tok, dok sami agenti komuniciraju putem Assistants API-ja ili srodnih apstrakcija.

Microsoft.Extensions.AI, VectorData i Agent Framework

Kako bi izgradnja agenata bila jednostavnija za .NET programere, Microsoft uvodi osnovne biblioteke poput Microsoft.Extensions.AI i Microsoft.Extensions.VectorData.Ove biblioteke su dizajnirane da budu slične drugim Microsoft.Extensions paketima koje već koristite za evidentiranje, konfiguraciju i ubrizgavanje zavisnosti.

AI ekstenzije pružaju modularne komponente za rad s modelima, alatima i upitima na način koji se može uključiti/isključiti.Umjesto fiksnog kodiranja određenog LLM dobavljača, možete registrirati dobavljače modela i prebacivati ​​ih putem konfiguracije, što je izuzetno korisno kada trebate uravnotežiti troškove, latenciju i mogućnosti u različitim okruženjima.

Ekstenzije za vektorske podatke fokusiraju se na integraciju semantičkog pretraživanja i generiranja proširenog pretraživanjem u vaše aplikacije.Oni apstrahuju specifične implementacije vektorskih baza podataka i daju vam zajednička sučelja za pohranjivanje, pretraživanje i upravljanje ugrađivanjima koja pokreću dugoročnu memoriju vašeg agenta.

Pored ovih gradivnih blokova, Microsoft Agent Framework ima za cilj da ponudi apstrakciju višeg nivoa posebno prilagođenu scenarijima agenata i toka rada.Dok se detalji nastavljaju razvijati, namjera je osigurati konzistentan način definiranja agenata, alata, tokova rada i konteksta, uz snažnu integraciju u širi .NET i Azure ekosistem.

AI Toolkit, Azure AI Foundry i agenti iz Visual Studio Code-a

Mnogi programeri preferiraju istraživanje i prototipiranje agenata direktno iz svog editora, i upravo tu dolaze do izražaja AI Toolkit i Azure AI Foundry ekstenzije za Visual Studio Code.Zajedno vam omogućavaju da pregledate modele, implementirate ih, procijenite kvalitet i povežete ih s agentima bez napuštanja vašeg kodnog okruženja.

Proširenje AI Toolkit nudi katalog modela u kojem možete pregledati modele hostovane u oblaku i lokalne modele, uključujući one koji se poslužuju putem alata poput Ollame.Možete pokrenuti modele hostovane na GitHub-u, uporediti rezultate različitih modela jedan pored drugog i brzo vidjeti koji odgovara vašem slučaju upotrebe.

Integracija sa Azure AI Foundry dodaje još jedan sloj: možete direktno implementirati modele u Azure, generirati primjer C# klijentskog koda za njihovo pozivanje i podešavati konfiguraciju i metapodatke iz VS Code-a.Ovo pojednostavljuje put od eksperimenta do produkcije, posebno kada vaš tim već živi u Azure ekosistemu.

Ova proširenja također pomažu pri evaluaciji omogućavajući vam postavljanje testnih skupova podataka, pokretanje evaluacija i pregled rezultata u alatima poput Data Wranglera.Možete definirati prilagođene evaluatore prilagođene vašoj domeni, pokrenuti ih na serijama izlaza modela i vizualizirati gdje vaši agenti dobro rade, a gdje imaju problema.

Za konstrukciju agenata, alati podržavaju kreiranje agenata sa sistemskim uputama, automatsko generiranje sistemskih poruka i povezivanje sa serverima Model Context Protocol (MCP) koji otkrivaju eksterne alate.Možete čak i kreirati agente u stilu escape-room-a ili agente specifične za domenu koji pozivaju prilagođene MCP servere koji predstavljaju vaše vlastite usluge.

Unutar samog Azure AI Foundryja, dobijate dizajner vizuelnih agenata plus YAML sinhronizaciju.To znači da možete konfigurirati agente, priključiti alate poput Bing pretrage ili interpretera koda, testirati interakcije u igralištu, a zatim izvesti ili sinhronizirati konfiguraciju u kontrolu izvornog koda, održavajući usklađenost vašeg C# koda i definicija vaših agenata.

Testiranje, uočljivost i kontrola troškova za C# AI agente

Agenti spremni za produkciju zahtijevaju istu rigoroznost kao i bilo koja druga usluga od kritične važnosti za misiju: ​​temeljito testiranje, dobru telemetriju i kontinuirano upravljanje troškovima.Razlika je u tome što LLM-ovi donose nove varijable poput stohastičkih izlaza i korištenja tokena na koje također morate paziti.

Što se tiče testiranja, želite kombinaciju klasičnih jediničnih testova za svoje alate i razgovora u stilu integracije koji simuliraju realistične tokove korisnika.Jedinični testovi provjeravaju da li se svaki alat ponaša ispravno s obzirom na određene ulazne podatke, dok konverzacijski testovi provjeravaju da li agent bira razumne alate, generira valjane argumente i ostaje unutar granica politike.

Promatranje treba da obuhvati više od samog uspjeha ili neuspjeha; želite distribuciju latencije, potrošnju tokena, tragove koraka izvršavanja i statistiku poziva alata.Ove metrike olakšavaju uočavanje regresija kada mijenjate modele, upute ili implementacije alata, a pomažu vam i da podesite svoj sistem u pogledu performansi i troškova.

Kontrola troškova je usko povezana s načinom na koji upravljate dužinom razgovora i učestalošću poziva za alate.Dugi, neograničeni razgovori mogu povećati korištenje tokena i usporiti odgovore, tako da su strategije poput sumiranja, kontekstualnih prozora i inteligentnog skraćivanja ključne u svakoj ozbiljnoj implementaciji C#-a.

Također je dobra ideja pratiti stope uspjeha na nivou specifičnih putanja izvršenja ili tokova rada, ne samo na nivou cijelog agenta.Na taj način možete vidjeti koje su rute kroz vaš multiagentni sistem pouzdane, a kojima su potrebni bolji upiti, novi alati ili dodatne zaštitne ograde.

Sigurnost, usklađenost i integracija preduzeća

Kada vaši agenti počnu dodirivati ​​osjetljive podatke ili automatizirati poslovne operacije kritične za poslovanje, sigurnost i usklađenost ne smiju biti sporedna stvar.Kombinacija fleksibilnosti LLM-a i ograničenja preduzeća zahtijeva vrlo promišljen sigurnosni pristup.

Prvo, nikada ne ugrađujte vjerodajnice ili tajne podatke u svoj C# kod.Koristite standardne mehanizme upravljanja tajnim podacima u svojoj cloud platformi, varijablama okruženja ili upravljanim identitetima i osigurajte da vaš agentski proces ima samo one privilegije koje su mu zaista potrebne.

Drugo, svaki eksterni poziv upućen u ime agenta treba da prođe kroz slojeve sanitizacije i validacije.To uključuje i korisničke unose i argumente generirane modelom za alate, budući da oba mogu sadržavati neočekivan, oštećen ili zlonamjeran sadržaj.

Treće, trebali biste evidentirati i revidirati svako pozivanje alata, uključujući ključni kontekst poput korisnika, pozivajućeg agenta, ciljnog sistema i ishoda.U reguliranim industrijama, ovaj revizorski trag može biti obavezan; čak i izvan tih okruženja, neprocjenjiv je za odgovor na incidente i upravljanje.

Konačno, uskladite svoju arhitekturu implementacije s poslovnim obrascima kao što je odvajanje kontrolnih i inferencijalnih ravni.To znači izolaciju orkestracije, konfiguracije i praćenja od teških procesa zaključivanja, što poboljšava skalabilnost, sigurnost i operativnu otpornost.

Implementacija, skaliranje i povezivanje s analitikom

Kada se vaši C# agenti dobro ponašaju u testovima, potrebna vam je strategija implementacije koja se graciozno skalira i integriše sa ostatkom vašeg steka.Kontejneri, orkestratori i upravljane AI usluge su vaši saveznici ovdje.

Uobičajeni obrazac je pakiranje sloja orkestracije agenata u kontejnere i njihovo pokretanje pod Kubernetesom ili nekim drugim orkestratorom, dok se LLM inferencija delegira upravljanim servisima poput Azure OpenAI-a.Ovo vam omogućava da skalirate svoju kontrolnu ravan i ravan zaključivanja nezavisno kako potražnja fluktuira.

Dugotrajne ili teške interakcije s agentima često imaju koristi od asinhrone obrade i redova čekanja.Umjesto blokiranja HTTP zahtjeva dok se završava složeno višekoračno izvršavanje, stavljate radne stavke u red čekanja, dozvoljavate pozadinskim radnicima da ih obrađuju i obavještavate klijente kada su rezultati spremni.

Iz poslovne perspektive, prava vrijednost se često pojavljuje kada se rezultati agenata unesu u alate za analitiku i poslovnu inteligenciju.To bi moglo značiti ubacivanje strukturiranih sažetaka, odluka ili metrika u skladišta podataka i njihovo izlaganje putem kontrolnih ploča u Power BI-u ili drugim BI platformama.

Ova zatvorena petlja – agenti generiraju uvide ili akcije, analitika mjeri utjecaj, a timovi iteriraju na temelju upita i alata – pretvara umjetnu inteligenciju iz novosti u održivu operativnu sposobnost.Vremenom možete precizirati koji agenti ostvaruju najveći povrat ulaganja, koje tokove rada treba dodatno automatizirati i gdje ljudski nadzor mora ostati uključen.

Spajanjem svih ovih dijelova, dobijate ekosistem usmjeren na C# u kojem asistenti, alati, tokovi rada i usluge u oblaku sarađuju: Assistants API pruža konverzacijsko zaključivanje, vaš .NET kod pruža robusne alate i stanja, Microsoft.Extensions biblioteke nude čiste apstrakcije, a Azure AI Foundry plus AI Toolkit pojednostavljuju eksperimentiranje i implementaciju.Uz pažljivu pažnju posvećenu memoriji, mogućnosti posmatranja, sigurnosti i arhitekturi, ovi agenti mogu pružiti stvarna, mjerljiva poboljšanja u efikasnosti, kvaliteti odlučivanja i automatizaciji u cijeloj vašoj organizaciji.