AI-agent

AI-agent-komponenten er en alsidigt byggesten designet til at fungere som en intelligent agent inden for en AI-arbejdsgang. Denne agent udnytter store sprogmodeller (LLM’er), kan forbindes til eksterne værktøjer og kan konfigureres til en bred vifte af use cases såsom samtale-AI, kompleks automatisering og dynamisk opgavekørsel.

Tilmeld dig vores nyhedsbrev

Få de seneste tips, trends og tilbud gratis.

E-mailadresse

Tilmeld

Hvad komponenten gør

AI-agenten behandler inputprompter, overvejer samtalehistorik (eventuelt) og kan bruge eksterne værktøjer til at generere kontekstbevidste svar. Dens evner kan tilpasses ved at angive en baghistorie, rolle og mål, hvilket giver agenten mulighed for at opføre sig i henhold til en bestemt persona eller mål. Agenten kan også udføre funktionskald, hvilket giver den mulighed for at interagere programmatisk med API’er eller eksterne systemer gennem aktiverede værktøjer.

AI-agent-indstillinger

LLM

Vælg den store sprogmodel, som agenten vil bruge. Du kan vælge mellem forskellige modeller fra 6 store udbydere. Standardmodellen er den seneste mellemklasse-model fra OpenAI.

Værktøjer

Dette er, hvor du giver agenten alle sine værktøjer. Der er mere end 900 elementer, du kan forbinde som værktøjer. Disse spænder fra nye funktioner til enkle handlinger udført i integrerede værktøjer. Praktisk talt ethvert interface, database eller kommunikationsapp kan blive et værktøj via API og MCP-servere.

Sådan forbinder du værktøjer

Klik + Tilføj værktøj. Den fulde liste over alle tilgængelige værktøjer. Du kan filtrere det efter kategori eller via søgning:

Hvert værktøj kommer med unikke indstillinger. For hvert element kan du enten lade AI beslutte, hvordan det skal bruges, eller konfigurere parametre manuelt. Du kan skifte til manuel input ved at klikke på knappen “AI bestemmer”. Når du definerer en parameter, låses den og kan ikke redigeres af AI.

Du kan springe parameterkonfigurationen over ved at klikke på “Spring over og tilføj”. Når værktøjet er konfigureret, skal du klikke på “Tilføj med konfiguration”. Du kan derefter fortsætte med at tilføje andre værktøjer.

Systembeskeder

Dette er hovedprompten, hvor du definerer agentens rolle, opgave, adfærd og eventuelle andre instruktioner.

Eksempel på systembeskeder:

Du er Sam, en venlig og vidende kundeserviceassistent for FlowHunt, en AI-arbejdsgangautomatiseringsplatform.

Dit primære mål er at løse kundeproblemer hurtigt og tilfredsstillende, hvilket efterlader hver kunde følelse af at være hørt, hjulpet og værdsat. Du sigter mod at reducere eskalationer ved at håndtere størstedelen af anmodninger uafhængigt og effektivt.

Instruktioner:
Hilsen altid kunden varmt og brug deres navn, hvis det er angivet.
Vær rolig, tålmodig og empathisk — selv hvis kunden er frustreret.
Vær præcis, men grundig; besvær aldrig et spørgsmål.
Undgå fagudtryk. Tal som en hjælpsom menneske, ikke et policydokument.
Argumentér aldrig med en kunde eller vær afvisende over for deres bekymringer.
Hvis du ikke ved noget, så sig det ærligt og tilbyd at finde ud af det eller eskalere.
Håndter almindelige anmodninger direkte, herunder: ordrestatus, returnering og refusion, produktspørgsmål, forsendelsesemner og kontohjelp.
Eskalér til en menneskelig agent, hvis: problemet involverer en klage uden for din myndighed, juridiske forhold, eller hvis kunden eksplicit anmoder om en menneskelig.
Bekræft løsning ved slutningen af hver interaktion — spørg, om der er noget mere, du kan hjælpe med.
Del aldrig interne politikker ordret, lav løfter uden for din myndighed eller opfind information, som du ikke har.

Tone: Varm, professionel og beroligende — som en vidende ven, ikke et virksomhedsscript.

Max Execution Time

Begrænser tiden (sekunder), som agenten kan bruge på en opgave (standard: 300).

Max Iterations

Maksimalt antal tænkeskridtene (standard: 10)

Max RPM

Begrænser anmodninger pr. minut (standard: 100).

Rolle

Definer eventuelt din agents rolle. Tænk på rollen som din agents jobtitel. Har du brug for, at din agent skal skrive blogindlæg? Kald det en “Indholdsskribendt”.

Mål

Målet er agentens opgave og det ideelle resultat. For eksempel kan opgaven for en indholdsskribendt være at skabe nye indlæg eller at korrekturlæse og revidere eksisterende indhold.

Baghistorie

Du bringer altid din personlighed, måde at tale på og erfaringer til alt, hvad du gør. Det er din baghistorie, og det er det, der adskiller dig og dit arbejde fra andre. Baghistorien er, hvor du giver din agent en historie, personlighed og arbejdserfaring.

Agent Chat History

Giver tidligere chatbeskeder som kontekst. Uden historik aktiveret fungerer agenten på basis af enkeltbeskeder.

Agent Memory

Om agenten kan læse og skrive dit arbejdsrums hukommelse. Hvis aktiveret, bliver du bedt om at definere tilstand og adfærdsprompter.

Note: Kun værktøjsinput er strengt påkrævet; alle andre indstillinger er valgfrie og giver yderligere tilpasning og stabil outputkvalitet.

Hvad gør en god AI-agent: Den rigtige model

Kraften bag en AI-agent er dens AI-model. Den rigtige model gør hele forskellen for dens funktion og ydeevne. Tjek denne blog for en ultimativ sammenligning baseret på benchmarktests.

• Store sprogmodeller (LLM’er): Modeller som GPT-4, Gemini og Claude har stærk forståelse og generering af naturligt sprog. De er perfekte til kompleks ræsonnering, planlægning og multitask-håndtering. Men de kræver større computerkraft og kan lave lejlighedsvise faktiske eller logiske fejl eller “hallucineringer”.
• Små sprogmodeller (SLM’er): Specifikke opgaver kræver specialiserede, strømsparende modeller, der kan specialisere sig og fungere med lavere driftsomkostninger bedst.
• Vektor-indlejringsmodeller: Modeller, der udsender vektor-indlejringer, er gode til at opdage og hente indhold. Det gør hurtig semantisk søgning mulig sammen med nem hentning af vidensbaserne, der er kritiske for agenter, der har brug for hurtig indsightgenerering.
• Beslutningstagnings-, ræsonnementsog planlægningsmodeller: For beslutningsvalg, der involverer vigtige beslutningsvalg, kommer ræsonnementsog planlægningsmodeller i fokus. Fra at bruge klassisk algo-baseret planlægning eller forstærkningslæringbaseret planlægning, gør beslutningsvalg agenter i stand til at tage velunderrettede valg.

I sidste ende er det din agents opgavekompleksitet, din datatilgængelighed og dit budget, der vil gøre din rigtige model. Det er at finde det søde sted mellem kraft og praktikalitet, der er vigtig.

Hvordan AI-agenter løser opgaver

AI-agenter reagerer ikke kun, men handler aktivt på erklærede mål. Processen går generelt gennem disse vigtige milepæle:

• Måldefiniton: Processen starter med et velformuleret mål, opgave eller udfordring, som din agent skal gennemføre. Miljøobservationer: Agenten tager derefter på relevante fakta fra sit miljø. Det kan gøre det gennem API’er, databaser, webskrabning eller sensorinput.
• Planlægning og ræsonnement: Baseret på fakta, der blev akkumuleret, skaber din agent en handlingsplan og opdeler komplekse opgaver i håndterbare opgavestykker
• Handlingsudførelse: Agenten udfører sin plan ved at bruge tilgængelige værktøjer til at handle på sit miljø.
• Læring og tilpasning: Når den kører, tester agenten sin ydeevne og forbedrer sig ved at lære gennem feedback, hvilket gør sin proces bedre egnet til sin næste opgave.

Det gør det muligt for AI-agenter at blive brugt på en stor vifte af apps, fra automatiseret kundeservice til indholdsgeneration.