ai-agents-for-beginners

Kursusopsætning

Introduktion

Denne lektion forklarer, hvordan du kører kodeeksemplerne i dette kursus.

Deltag med andre kursister og få hjælp

Før du begynder at klone dit repo, deltag i AI Agents For Beginners Discord channel for at få hjælp til opsætning, stille spørgsmål om kurset eller forbindes med andre kursister.

Klon eller fork dette repo

For at begynde, klon eller fork venligst GitHub-repositoriet. Dette laver din egen version af kursusmaterialet, så du kan køre, teste og justere koden!

Dette kan gøres ved at klikke på linket til oprette en fork af repoet

Du bør nu have din egen forkede version af dette kursus på følgende link:

Forket repo

Shallow Clone (anbefales til workshop / Codespaces)

Det fulde repository kan være stort (~3 GB), når du downloader fuld historik og alle filer. Hvis du kun deltager i workshoppen eller kun har brug for et par lektionsmapper, undgår en shallow clone (eller en sparse clone) det meste af den download ved at trunkere historik og/eller springe blobs over.

Hurtig shallow clone — minimal historik, alle filer

Erstat <your-username> i nedenstående kommandoer med din fork-URL (eller upstream-URL’en, hvis du foretrækker det).

To clone only the latest commit history (small download):

git clone --depth 1 https://github.com/<your-username>/ai-agents-for-beginners.git

To clone a specific branch:

git clone --depth 1 --branch <branch-name> https://github.com/<your-username>/ai-agents-for-beginners.git

Partial (sparse) clone — minimale blobs + kun valgte mapper

Dette bruger partial clone og sparse-checkout (kræver Git 2.25+ og anbefales med moderne Git med partial clone-understøttelse):

git clone --depth 1 --filter=blob:none --sparse https://github.com/<your-username>/ai-agents-for-beginners.git

Traverse into the repo folder:

cd ai-agents-for-beginners

Then specify which folders you want (example below shows two folders):

git sparse-checkout set 00-course-setup 01-intro-to-ai-agents

After cloning and verifying the files, if you only need files and want to free space (no git history), please delete the repository metadata (💀irreversible — you will lose all Git functionality: no commits, pulls, pushes, or history access).

# zsh/bash
rm -rf .git

# PowerShell
Remove-Item -Recurse -Force .git

Tips

Kør koden

Dette kursus tilbyder en række Jupyter-notebooks, som du kan køre for at få praktisk erfaring med at bygge AI-agenter.

Kodeeksemplerne bruger Microsoft Agent Framework (MAF) med AzureAIProjectAgentProvider, som forbinder til Azure AI Agent Service V2 (Responses API) via Microsoft Foundry.

Alle Python-notebooks er mærket *-python-agent-framework.ipynb.

Krav

Vi har inkluderet en requirements.txt-fil i roden af dette repository, som indeholder alle nødvendige Python-pakker for at køre kodeeksemplerne.

Du kan installere dem ved at køre følgende kommando i din terminal i rodmappen af repositoryet:

pip install -r requirements.txt

Vi anbefaler at oprette et Python-virtualmiljø for at undgå konflikter og problemer.

Opsæt VSCode

Sørg for, at du bruger den rigtige version af Python i VSCode.

billede

Opsæt Microsoft Foundry og Azure AI Agent Service

Trin 1: Opret et Microsoft Foundry-projekt

Du har brug for et Azure AI Foundry hub og projekt med en deployet model for at kunne køre notebooks.

  1. Gå til ai.azure.com og log ind med din Azure-konto.
  2. Opret et hub (eller brug et eksisterende). Se: Hub resources overview.
  3. Inde i hubben, opret et projekt.
  4. Deploy en model (f.eks. gpt-4o) fra Models + Endpoints → Deploy model.

Trin 2: Hent dit projekt-endpoint og navnet på modeldeployeringen

Fra dit projekt i Microsoft Foundry-portalen:

Projektforbindelsesstreng

Trin 3: Log ind på Azure med az login

Alle notebooks bruger AzureCliCredential til autentificering — ingen API-nøgler at administrere. Dette kræver, at du er logget ind via Azure CLI.

  1. Installer Azure CLI hvis du ikke allerede har gjort det: aka.ms/installazurecli

  2. Log ind ved at køre:

     az login

    Eller hvis du er i et remote/Codespace-miljø uden en browser:

     az login --use-device-code

  3. Vælg dit abonnement hvis du bliver bedt om det — vælg det, der indeholder dit Foundry-projekt.

  4. Bekræft, at du er logget ind:

     az account show

Hvorfor az login? Notebooks autentificerer ved hjælp af AzureCliCredential fra azure-identity-pakken. Det betyder, at din Azure CLI-session leverer legitimationsoplysningerne — ingen API-nøgler eller hemmeligheder i din .env-fil. Dette er en sikkerhedsbedste praksis.

Trin 4: Opret din .env-fil

Kopier eksempel-filen:

# zsh/bash
cp .env.example .env

# PowerShell
Copy-Item .env.example .env

Åbn .env og udfyld disse to værdier:

AZURE_AI_PROJECT_ENDPOINT=https://<your-project>.services.ai.azure.com/api/projects/<your-project-id>
AZURE_AI_MODEL_DEPLOYMENT_NAME=gpt-4o
Variabel Hvor du finder det
AZURE_AI_PROJECT_ENDPOINT Foundry-portal → dit projekt → Oversigt-siden
AZURE_AI_MODEL_DEPLOYMENT_NAME Foundry-portal → Models + Endpoints → navnet på din deployede model

Det var det for de fleste lektioner! Notebooks vil autentificere automatisk gennem din az login-session.

Trin 5: Installer Python-afhængigheder

pip install -r requirements.txt

Vi anbefaler at køre dette inde i det virtualmiljø, du oprettede tidligere.

Yderligere opsætning for Lektion 5 (Agentic RAG)

Lektion 5 bruger Azure AI Search til retrieval-augmented generation. Hvis du planlægger at køre den lektion, tilføj disse variabler til din .env-fil:

Variabel Hvor du finder det
AZURE_SEARCH_SERVICE_ENDPOINT Azure-portalen → din Azure AI Search-ressource → Oversigt → URL
AZURE_SEARCH_API_KEY Azure-portalen → din Azure AI Search-ressource → Indstillinger → Nøgler → primær administratornøgle

Yderligere opsætning for Lektion 6 og Lektion 8 (GitHub Models)

Nogle notebooks i lektion 6 og 8 bruger GitHub Models i stedet for Azure AI Foundry. Hvis du planlægger at køre disse eksempler, tilføj disse variabler til din .env-fil:

Variabel Hvor du finder det
GITHUB_TOKEN GitHub → Settings → Developer settings → Personal access tokens
GITHUB_ENDPOINT Brug https://models.inference.ai.azure.com (standardværdi)
GITHUB_MODEL_ID Modelnavn som skal bruges (f.eks. gpt-4o-mini)

Yderligere opsætning for Lektion 8 (Bing Grounding Workflow)

Den betingede workflow-notebook i lektion 8 bruger Bing grounding via Azure AI Foundry. Hvis du planlægger at køre det eksempel, tilføj denne variabel til din .env-fil:

Variabel Hvor du finder det
BING_CONNECTION_ID Azure AI Foundry-portalen → dit projekt → Management → Connected resources → din Bing-forbindelse → kopier connection ID

Fejlfinding

SSL-certifikatverificeringsfejl på macOS

Hvis du er på macOS og støder på en fejl som:

ssl.SSLCertVerificationError: [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed: self-signed certificate in certificate chain

Dette er et kendt problem med Python på macOS, hvor systemets SSL-certifikater ikke automatisk bliver betroet. Prøv følgende løsninger i rækkefølge:

Mulighed 1: Kør Pythons Install Certificates-script (anbefalet)

# Udskift 3.XX med din installerede Python-version (f.eks. 3.12 eller 3.13):
/Applications/Python\ 3.XX/Install\ Certificates.command

Mulighed 2: Brug connection_verify=False i din notebook (kun for GitHub Models-notebooks)

I Lesson 6-notebooken (06-building-trustworthy-agents/code_samples/06-system-message-framework.ipynb) er en kommenteret workaround allerede inkluderet. Fjern kommentaren på connection_verify=False, når du opretter klienten:

client = ChatCompletionsClient(
    endpoint=endpoint,
    credential=AzureKeyCredential(token),
    connection_verify=False,  # Deaktiver SSL-verifikation, hvis du støder på certifikatfejl
)

⚠️ Advarsel: Deaktivering af SSL-verificering (connection_verify=False) reducerer sikkerheden ved at springe certifikatvalidering over. Brug dette kun som en midlertidig workaround i udviklingsmiljøer, aldrig i produktion.

Mulighed 3: Installer og brug truststore

pip install truststore

Tilføj derefter følgende øverst i din notebook eller script, før du foretager netværkskald:

import truststore
truststore.inject_into_ssl()

Står du fast et sted?

Hvis du har problemer med at køre denne opsætning, hop ind i vores Azure AI Community Discord eller opret en issue.

Næste lektion

Du er nu klar til at køre koden i dette kursus. God fornøjelse med at lære mere om verdenen af AI-agenter!

Introduktion til AI-agenter og anvendelsestilfælde

Ansvarsfraskrivelse: Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator (https://github.com/Azure/co-op-translator). Selvom vi stræber efter nøjagtighed, bedes du være opmærksom på, at automatiske oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritiske oplysninger anbefales en professionel menneskelig oversættelse. Vi er ikke ansvarlige for eventuelle misforståelser eller fejltolkninger, som måtte opstå som følge af brugen af denne oversættelse.

This site is open source. Improve this page.