Hinweis:

Einfaches KI-Agent-Tool mit Oracle Cloud Infrastructure Generative AI und REST-APIs entwickeln

Einführung

Der Einsatz von Large Language Models (LLM) hat die Art und Weise, wie wir mit Systemen und Geschäftsprozessen interagieren, revolutioniert. Mit der Fähigkeit, natürliche Sprache zu verstehen und mit Legacy-Services zu integrieren, machen diese Modelle Anwendungen intelligenter und effizienter.

Dieses Material soll anhand eines praktischen Beispiels zeigen, wie LLM-Konzepte zur Optimierung von Integrationen mit Legacy-Systemen eingesetzt werden können. Durch den Einsatz von KI-Agents ist es möglich, die Komplexität des API-Verbrauchs erheblich zu reduzieren und die Prozessautomatisierung flexibler und zugänglicher zu machen.

Im gesamten Dokument werden allgemeine Szenarien vorgestellt, in denen die Anwendung von KI-Agents den Geschäftsbetrieb vereinfachen, die manuelle Konfiguration reduzieren und die Kommunikation zwischen verschiedenen Systemen erleichtern kann.

Verwenden Sie LLM-Modelle, um Geschäftsprozesse und die direkte Ausführung für Legacy-Services zu verstehen. Verständnis ist durch die Einbeziehung von Kontext möglich, was den Aufbau von Anwendungen erheblich erleichtert und beschleunigt. LLM-Modelle verwenden natürliche Sprache, einschließlich der Übersetzung in mehrere andere Sprachen.

Das folgende Tutorial zeigt, wie Sie eine einfache Anwendung basierend auf einem Legacy-System erstellen. Wenn es ein Legacy-System von APIs gibt, ermöglicht die Verwendung von KI-Agents leistungsstarke Integrationen. Durch die Anwendung von LLM-Konzepten auf KI-Agents können häufig komplexe API-Verbrauchsprobleme gelöst werden. Ohne KI erfordert eine API viel Arbeit für die Integration, da sie alle Eingabe- und Ausgabeattribute kennt.

Ziele

Aufgabe 1: Code herunterladen und verstehen

Laden Sie den Code hier herunter: agent_ocigenai.py.

Der Code ist in fünf Module unterteilt:

Einfache Datenbankpersistenzservices: Der Code definiert die Erstellung einer einfachen Datenbank zum Einfügen, Löschen, Abfragen und Zusammenfassen der Reihenfolge.

Servicedefinition: Der Code definiert mehrere Services, wie insert_order, delete_order, search_order, order_cost und delivery_address. Diese Services sind mit dem @tool-Dekorator ausgestattet, der angibt, dass sie vom Conversational Agent aufgerufen werden können.

Definition des Sprachmodells: Der Code verwendet das Sprachmodell ChatOCIGenAI, um Antworten auf Benutzerfragen zu generieren.

Konversations-Agent-Definition: Der Code erstellt einen Konversations-Agent mit der Funktion create_tool_calling_agent von LangChain und übergibt als Parameter das Sprachmodell, die definierten Services und eine Prompt-Vorlage.

Konversationsschleife: Der Code tritt in eine Endlosschleife ein, in der er auf Benutzereingaben wartet und Antworten mit dem Konversations-Agent verarbeitet.

In jeder Service-Definition ist es möglich, einen bestimmten Kontext zu bestimmen, so dass die Bibliothek beim Senden einer Anforderung in natürlicher Sprache die angeforderten Informationen interpretieren und bestimmen kann, welcher geeignete Service ausgeführt werden soll.

Die langchain_core.tools-Bibliothek versteht den Arbeitsumfang, indem sie die zur Verwendung verfügbaren Kontexte und Services verknüpft. Dies geschieht durch die Deklaration in der folgenden Abbildung.

img.png

Ein weiterer interessanter Punkt bei der langchain_core.tools-Bibliothek ist, dass die Servicesignaturattribute ebenfalls interpretiert werden, d.h. die Library selbst bestimmt, wie die Anforderung in natürlicher Sprache weitergeleitet und die Attribute der Parameter des betreffenden Service definiert werden. Dies ist an sich schon sehr beeindruckend, da es den Implementierungsaufwand für Integrationen erheblich reduziert. Im traditionellen Integrationsmodell muss Zeit für die Definition des FROM-TO zwischen Quelle und Ziel dieser Integrationen aufgewendet werden. Dies ist eine sehr vernünftige Anstrengung. Im AI-Modell des Agents werden die Attribute über den Kontext übergeben, d.h. die Library kann bestimmen, was die einzelnen Parameter sind, und sie auf die richtige Weise an den Service übergeben.

img.png

Aufgabe 2: Code ändern

Sie können den Code für Ihre Zwecke testen und ändern. Der Service delivery_address wurde implementiert, der eine REST-API aufruft. In diesem Beispiel können Sie den Code testen und die echte REST-Anforderung in eine gefälschte Anforderung ändern.

  1. Kommentieren Sie den folgenden Code, indem Sie # in die Zeilen einfügen.

    img_2.png

    img_3.png

  2. Entfernen Sie die Kommentarzeichen für den folgenden Code.

    img_3.png

Sie können Ihre eigene API mit den OCI-Ressourcen integrieren. Sie können Folgendes verwenden:

img.png

Und Sie können sie in On-Premises- oder andere Cloud-Ressourcen integrieren.

Aufgabe 3: Code konfigurieren

  1. Dieser python-Code benötigt einige Librarys. Sie müssen also die Datei requirements.txt herunterladen. Diese Datei enthält die Bibliotheken.

  2. Führen Sie folgenden Befehl aus, um die Bibliotheken zu installieren.

    pip install -r requirements.txt

  3. Sie müssen die Oracle Cloud Infrastructure-Befehlszeilenschnittstelle (OCI-CLI) konfigurieren und mit Ihrem Mandanten verknüpfen. Informationen zur Installation und Konfiguration finden Sie unter OCI-CLI installieren.

  4. Konfigurieren Sie ein Compartment, in dem Ihre Ressourcen für die OCI Generative AI gespeichert werden. Aktualisieren Sie compartment_id, und behalten Sie auth_profile als STANDARD bei.

    img_5.png

Aufgabe 4: Code ausführen

Führen Sie den Code mit dem folgenden Befehl aus.

python agent_ocigenai.py

img_4.png

Szenarios für KI-Agents

Es gibt verschiedene Szenarien für Integrationen mit mehreren REST-APIs und die Verwendung von Agents AI. Die Komplexität zwischen der Zuordnung von Geschäftsinformationen und verfügbaren APIs ist vielfältig. Dies ist in mehreren Unternehmenssituationen sehr häufig. Im Folgenden finden Sie einige Beispiele, in denen eine Agents-KI diese Aufgabe erleichtern kann:

  1. Finanzprozessautomatisierung (ERP und Banken)

    • Szenario: Unternehmen müssen sich in mehrere Banken integrieren lassen, um Auszüge zu erhalten, Zahlungsabrechnungen zu generieren, Zahlungen zu verarbeiten und Steuerinformationen zu validieren.
    • Herausforderungen: Jede Bank verfügt über eine eigene API mit spezifischen Parametern für Zahlungen, PIX, Überweisungen und Finanzabstimmung.
    • Unterstützung von KI-Agents: Sie kann Anforderungen wie Rechnung für Lieferant X bezahlen interpretieren und mit den erforderlichen Parametern zur richtigen Bank-API umleiten.

  2. Order Management und Logistik (E-Commerce, ERP, WMS)

    • Szenario: Ein E-Commerce muss Aufträge orchestrieren, Bestände aktualisieren und Spediteure für verschiedene Liefertypen anfordern.
    • Herausforderungen: Spediteur-APIs variieren (Post, FedEx, DHL, lokale Spediteure), erfordern bestimmte Anforderungsformate.
    • Wie KI-Agents helfen: Sie kann Anforderungen wie Diese Bestellung über den günstigsten Spediteur versenden und automatisch den richtigen Service auswählen.

  3. Kundenservice und Helpdesk

    • Szenario: Unternehmen mit CRMs wie Siebel, Oracle CX, ServiceNow müssen Kundenanforderungen mit verschiedenen APIs integrieren.
    • Herausforderungen: Jedes System verfügt über verschiedene Endpunkte zum Erstellen von Tickets, Aktualisieren von Statusangaben, Abrufen von Kundeninformationen und Verfolgungshistorie.
    • Wie KI-Agents helfen: Sie kann Anforderungen wie Zeigen Sie mir die letzten Anrufe von Kunde X an verstehen und die korrekte CRM-API aufrufen.

  4. HR- und Entgeltabrechnungsintegration

    • Szenario: HR-Systeme müssen Entgeltabrechnung, Benefits und Onboarding über mehrere Anbieter und ERPs hinweg synchronisieren.
    • Herausforderungen: APIs für Benefits, Entgeltabrechnung und Talentmanagement haben unterschiedliche regulatorische Parameter und Validierungen.
    • Wie KI-Agents helfen: Sie kann Befehle wie Neuen Mitarbeiter in die Entgeltabrechnung aufnehmen interpretieren und dies in geeignete Aufrufe der richtigen APIs übersetzen.

  5. Infrastruktur- und Sicherheitsüberwachung (SIEM und ITSM)

    • Szenario: Großunternehmen verwenden mehrere Überwachungssysteme (Splunk, Datadog, ServiceNow, Zabbix), um Vorfälle und Anomalien zu verfolgen.
    • Herausforderungen: Jedes Tool verfügt über eine andere API für Alerts, Logs und automatisierte Antworten.
    • Funktionsweise von AI-Agents: Er kann Befehle wie Die neuesten kritischen Alerts auflisten und ein Ticket in ServiceNow öffnen interpretieren.

  6. Vertragsmanagement und digitale Signaturen

    • Szenario: Unternehmen verwenden Services wie DocuSign und Adobe Sign, um Verträge und Signaturen zu verwalten.
    • Herausforderungen: Jeder Service hat unterschiedliche Anforderungen an das Senden von Dokumenten, das Validieren von Signaturen und das Verfolgen des Status.
    • Funktionsweise von AI-Agents: Es kann eine Anforderung wie Diesen Vertrag zur Signatur an Client X senden und mich benachrichtigen, wenn er signiert ist erhalten und an die richtige API weiterleiten.

  7. Gesundheitsmanagement und elektronische Patientenakten (HIS, PACS, LIS, ERP)

    • Szenario: Krankenhäuser und Kliniken verwenden verschiedene Systeme, um Patienteninformationen, Labortests und medizinische Bilder zu speichern.
    • Herausforderungen: APIs aus Systemen wie Tasy (Philips), MV, Epic und PACS (DICOM-Imagedateien) haben unterschiedliche Anforderungsformate.
    • Wie KI-Agents helfen: Sie kann Befehle wie Letzten Bluttest des Patienten John Smith abrufen und an die Patientenakte anhängen und automatisch die richtigen APIs aufrufen.

  8. Telekommunikation (Technischer Support und Servicebereitstellung)

    • Szenario: Telekommunikationsbetreiber bieten Telefon-, Internet- und Fernsehdienste an und müssen mehrere Abrechnungs-, CRM- und Netzwerküberwachungssysteme integrieren.
    • Herausforderungen: Jeder Vorgang (z.B. das Öffnen von Aufrufen, Ändern von Plänen, Prüfen des Verbrauchs) umfasst verschiedene APIs, die für jeden Service spezifisch sind.
    • Wie AI-Agents helfen: Sie kann verstehen, ich möchte meine Internetzulage auf 500 MB erhöhen und die richtige API für das Upgrade des Plans auslösen.

  9. Versicherungsautomatisierung (Ansprüche und Richtlinienausstellung)

    • Szenario: Versicherungsunternehmen müssen APIs für die Angebotserstellung, die Ausstellung von Policen und Ansprüche integrieren.
    • Herausforderungen: Jede Versicherungsgesellschaft verfügt über eine eigene API, und die Parameter variieren je nach Versicherungsart (Fahrzeug, Krankenversicherung, Hausrat).
    • Wie KI-Agents helfen: Sie kann eine Anforderung wie Anspruch für das Auto des Kunden Pedro Souza registrieren, mit Nebenwirkung in automatische Aufrufe der richtigen APIs übersetzen.

  10. Außenhandel und Zollabfertigung

    • Szenario: Unternehmen, die Import/Export durchführen, müssen sich mit IRS-APIs, internationalen Spediteuren und Zollkontrollsystemen befassen.
    • Herausforderungen: Jedes Land hat unterschiedliche Regeln und Formate für die Dokumentation (DU-E, DI, Rechnung, Packliste).
    • Wie KI-Agents helfen: Es kann die Freigabe von Fracht X am Hafen von Santos verfolgen und dies in Anforderungen in der IRS- und Carrier-API umsetzen.

  11. Hotelmanagement und Online-Buchung

    • Szenario: Hotels müssen in Plattformen wie Booking, Expedia und Airbnb integriert werden, um Reservierungen und Zimmerverfügbarkeit zu verwalten.
    • Herausforderungen: Jede Plattform hat unterschiedliche Regeln für Stornierungen, Preisanpassungen und Reaktionszeiten.
    • Wie KI-Agents helfen: Sie können verstehen, den Satz am Freitag auf R$400 anpassen und Reservierungen für Montag blockieren und die richtigen APIs aufrufen.

  12. Marketingautomatisierung und Werbekampagnen

    • Szenario: Unternehmen verwenden Tools wie Meta Ads, Google Ads, HubSpot und RD Station für digitale Kampagnen.
    • Herausforderungen: Um Kampagnen zu erstellen, Zielgruppen zu segmentieren und Metriken zu analysieren, ist eine Integration mit mehreren APIs erforderlich.
    • Wie KI-Agents helfen: Es kann eine Anzeige auf Facebook für die 25- bis 40-jährige Zielgruppe erstellen, die an Technologie interessiert ist, mit einem Budget von 500 R$ und die Kampagne automatisch konfigurieren.

  13. Supply Chain und Inventory Management

    • Szenario: Große Einzelhandelsketten müssen den Bestand in Echtzeit überwachen und die automatische Bestandsauffüllung vorhersagen.
    • Herausforderungen: ERP-, WMS- und Lieferantensysteme verfügen über separate APIs für Produktanforderungen und Bedarfsprognosen.
    • Wie KI-Agents helfen: Sie kann verstehen, Produkt X auffüllen, wenn es 10 Einheiten erreicht, und die richtigen APIs auslösen.

  14. Integration von Chatbots und Omnichannel-Service

    • Szenario: Unternehmen bieten Support über WhatsApp, Telegramm, E-Mail und Chatbot an und müssen alles im CRM zentralisieren.
    • Herausforderungen: Unterschiedliche APIs für jeden Kanal mit unterschiedlichen Regeln für automatische Antworten und Routing.
    • Wie KI-Agents helfen: Sie kann Diese Zahlungsfrage an einen menschlichen Assistenten weiterleiten und zum richtigen Kanal umleiten.

  15. Energiemanagement und IoT (Smart Grid)

    • Szenario: Elektrizitätsunternehmen verwenden APIs, um den Verbrauch zu messen, den Bedarf zu prognostizieren und vorbeugende Wartung durchzuführen.
    • Herausforderungen: IoT Systeme, Sensoren und Energieverteiler verfügen über verschiedene und regulierte APIs.
    • Wie AI-Agents helfen: Sie kann verstehen, die Nutzung von Factory X überwachen und mich benachrichtigen, wenn sie 100 kWh überschreitet, und automatische Alerts konfigurieren.

Nächste Schritte

Die Einführung von KI-Agenten auf Basis von LLMs hat ein enormes Potenzial zur Optimierung der Integration mit Legacy-Systemen gezeigt. Durch die Interpretation von Befehlen in natürlicher Sprache und die Übersetzung von Anforderungen in genaue API-Aufrufe reduzieren diese Agents die Komplexität der Automatisierung von Geschäftsprozessen erheblich.

Die hier vorgestellten Beispiele zeigen, wie dieser Ansatz auf eine Vielzahl von Branchen angewendet werden kann, von der Finanz- und Logistikbranche über den Kundenservice bis hin zur Infrastrukturüberwachung. Die Fähigkeit von KI-Agenten, sich dynamisch an verschiedene Services und Kontexte anzupassen, bietet ein neues Maß an Flexibilität und Effizienz bei der digitalen Transformation von Unternehmen.

Mit der Weiterentwicklung von KI-Modellen werden diese Integrationen voraussichtlich noch intelligenter und ermöglichen immer natürlichere und genauere Interaktionen zwischen Benutzern und Systemen. Die Zukunft der Automatisierung umfasst die Kombination von künstlicher Intelligenz und APIs, und KI-Agents sind der Schlüssel zu dieser neuen Ära der digitalen Konnektivität.

Danksagungen

Weitere Lernressourcen

Sehen Sie sich andere Übungen zu docs.oracle.com/learn an, oder greifen Sie im Oracle Learning YouTube-Channel auf weitere kostenlose Lerninhalte zu. Besuchen Sie außerdem education.oracle.com/learning-explorer, um Oracle Learning Explorer zu werden.

Die Produktdokumentation finden Sie im Oracle Help Center.