Képek használata ügynökkel

Ez az oktatóanyag bemutatja, hogyan használhat képeket egy ügynökkel, így az ügynök elemezheti és válaszolhat a képtartalmakra.

Képek átadása az ügynöknek

Képeket küldhet egy ügynöknek egy szöveg- és képtartalmat ChatMessage is tartalmazó létrehozással. Az ügynök ezután elemezheti a képet, és ennek megfelelően válaszolhat.

Először hozzon létre egy olyant AIAgent , amely képes képek elemzésére.

AIAgent agent = new AIProjectClient(
    new Uri("<your-foundry-project-endpoint>"),
    new DefaultAzureCredential())
    .AsAIAgent(
        model: "gpt-4o",
        name: "VisionAgent",
        instructions: "You are a helpful agent that can analyze images");

Warning

DefaultAzureCredential a fejlesztéshez kényelmes, de a termelési környezetben gondos megfontolást igényel. Éles környezetben fontolja meg egy adott hitelesítő adat (pl. ManagedIdentityCredential) használatát a késési problémák elkerülése, a hitelesítő adatok nem szándékos próbálgatásának és a tartalék mechanizmusokból eredő esetleges biztonsági kockázatok elkerülése érdekében.

Ezután hozzon létre egy ChatMessage-t, amely tartalmaz egy szöveges utasítást és egy kép URL-címet is. A TextContent szöveghez és UriContent a képhez használható.

ChatMessage message = new(ChatRole.User, [
    new TextContent("What do you see in this image?"),
    new UriContent("https://upload.wikimedia.org/wikipedia/commons/thumb/d/dd/Gfp-wisconsin-madison-the-nature-boardwalk.jpg/2560px-Gfp-wisconsin-madison-the-nature-boardwalk.jpg", "image/jpeg")
]);

Futtassa az ügynököt a(z) üzenettel. A streamelést használva fogadhatja a választ, miközben az generálódik.

Console.WriteLine(await agent.RunAsync(message));

Ezzel kinyomtatja az ügynök képelemzését a konzolra.

Képek átadása az ügynöknek

Képeket küldhet egy ügynöknek egy szöveg- és képtartalmat Message is tartalmazó létrehozással. Az ügynök ezután elemezheti a képet, és ennek megfelelően válaszolhat.

Először hozzon létre egy ügynököt, amely képes képek elemzésére.

import asyncio
import os
from agent_framework.openai import OpenAIChatCompletionClient
from azure.identity import AzureCliCredential

agent = OpenAIChatCompletionClient(
    model=os.environ["AZURE_OPENAI_CHAT_COMPLETION_MODEL"],
    azure_endpoint=os.environ["AZURE_OPENAI_ENDPOINT"],
    api_version=os.getenv("AZURE_OPENAI_API_VERSION"),
    credential=AzureCliCredential(),
).as_agent(
    name="VisionAgent",
    instructions="You are a helpful agent that can analyze images"
)

Ezután hozzon létre egy Message-t, amely tartalmaz egy szöveges utasítást és egy kép URL-címet is. A Content.from_text() szöveghez és Content.from_uri() a képhez használható.

from agent_framework import Message, Content

message = Message(
    role="user",
    contents=[
        Content.from_text(text="What do you see in this image?"),
        Content.from_uri(
            uri="https://upload.wikimedia.org/wikipedia/commons/thumb/d/dd/Gfp-wisconsin-madison-the-nature-boardwalk.jpg/2560px-Gfp-wisconsin-madison-the-nature-boardwalk.jpg",
            media_type="image/jpeg"
        )
    ]
)

A helyi fájlrendszerből is betölthet egy képet a Content.from_data() használatával.

from agent_framework import Message, Content

# Load image from local file
with open("path/to/your/image.jpg", "rb") as f:
    image_bytes = f.read()

message = Message(
    role="user",
    contents=[
        Content.from_text(text="What do you see in this image?"),
        Content.from_data(
            data=image_bytes,
            media_type="image/jpeg"
        )
    ]
)

Futtassa az ügynököt a(z) üzenettel. A streamelést használva fogadhatja a választ, miközben az generálódik.

async def main():
    result = await agent.run(message)
    print(result.text)

asyncio.run(main())

Ezzel kinyomtatja az ügynök képelemzését a konzolra.

Képek átadása az ügynöknek

Képeket küldhet egy ügynöknek egy szöveg- és képtartalmat message is tartalmazó létrehozással. Az ügynök ezután elemezheti a képet, és ennek megfelelően válaszolhat.

Először hozzon létre egy ügynököt, amely képes képek elemzésére.

import (
    "context"
    "fmt"
    "os"

    "github.com/microsoft/agent-framework-go/agent"
    "github.com/microsoft/agent-framework-go/provider/foundryprovider"
    "github.com/microsoft/agent-framework-go/message"

    "github.com/Azure/azure-sdk-for-go/sdk/azidentity"
)

token, err := azidentity.NewDefaultAzureCredential(nil)
if err != nil {
    panic(err)
}

a := foundryprovider.NewAgent(
    os.Getenv("FOUNDRY_PROJECT_ENDPOINT"),
    token,
    foundryprovider.ModelDeployment(os.Getenv("FOUNDRY_MODEL")),
    foundryprovider.AgentConfig{
        Instructions: "You are a helpful agent that can analyze images",
        Config: agent.Config{
            Name: "VisionAgent",
        },
    },
)

Warning

azidentity.NewDefaultAzureCredential a fejlesztéshez kényelmes, de a termelési környezetben gondos megfontolást igényel. Éles környezetben a latenciaproblémák, a hitelesítési adatok nem szándékos végigpróbálása és a tartalék mechanizmusokból eredő lehetséges biztonsági kockázatok elkerülése érdekében fontolja meg egy adott hitelesítési adat, például a azidentity.NewManagedIdentityCredential, használatát.

Ezután hozzon létre egy üzenetet, amely szöveges és képi URL-címet is tartalmaz. A message.TextContent szöveghez és message.URIContent a képhez használható.

msg := message.New(
    &message.TextContent{Text: "What do you see in this image?"},
    &message.URIContent{
        URI:       "https://upload.wikimedia.org/wikipedia/commons/thumb/d/dd/Gfp-wisconsin-madison-the-nature-boardwalk.jpg/2560px-Gfp-wisconsin-madison-the-nature-boardwalk.jpg",
        MediaType: "image/jpeg",
    },
)

A helyi fájlrendszerből is betölthet egy képet a message.DataContent használatával.

import "encoding/base64"

imageBytes, err := os.ReadFile("path/to/your/image.jpg")
if err != nil {
    panic(err)
}

msg := message.New(
    &message.TextContent{Text: "What do you see in this image?"},
    &message.DataContent{
        Data:      base64.StdEncoding.EncodeToString(imageBytes),
        MediaType: "image/jpeg",
    },
)

Futtassa az ügynököt a(z) üzenettel. A streamelést használva fogadhatja a választ, miközben az generálódik.

ctx := context.Background()
resp, err := a.RunMessage(ctx, msg).Collect()
fmt.Println(resp.Text(), err)

Ezzel kinyomtatja az ügynök képelemzését a konzolra.

Következő lépések

Strukturált kimenetek