ai-agents-for-beginners

Kursusopsætning

Introduktion

Denne lektion vil dække, hvordan du kører kodeeksemplerne i dette kursus.

Deltag med andre lærende og få hjælp

Før du begynder at klone dit repo, skal du deltage i AI Agents For Beginners Discord-kanalen for at få hjælp med opsætning, stille spørgsmål om kurset eller for at forbinde med andre lærende.

Klon eller fork dette repo

For at komme i gang skal du klone eller fork GitHub-repositoriet. Dette vil give dig din egen version af kursusmaterialet, så du kan køre, teste og tilpasse koden!

Dette kan gøres ved at klikke på linket for at forke repoet

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

Shallow Clone (anbefales til workshop / Codespaces)

Det fulde repository kan være stort (~3 GB), når du downloader hele historikken og alle filer. Hvis du kun deltager i workshoppen eller kun har brug for nogle få lektionsmapper, undgår en shallow clone (eller en sparse clone) det meste af den download ved at afkorte historikken 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, hvis du foretrækker det).

For kun at klone den seneste commit-historik (lille download):

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

For at klone en specifik branch:

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

Delvis (sparse) clone — minimale blobs + kun udvalgte mapper

Dette bruger delvis kloning og sparse-checkout (kræver Git 2.25+ og anbefales moderne Git med delvis kloningssupport):

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

Gå ind i repo-mappen:

cd ai-agents-for-beginners

Angiv derefter, hvilke mapper du vil have (eksemplet nedenfor viser to mapper):

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

Efter kloning og verificering af filerne, hvis du kun har brug for filerne og vil frigøre plads (ingen git-historik), skal du slette repository-metadata (💀irreversibelt — du mister al Git-funktionalitet: ingen commits, pulls, pushes eller adgang til historik).

# zsh/bash
rm -rf .git

# PowerShell
Remove-Item -Recurse -Force .git

Brug af GitHub Codespaces (anbefales for at undgå lokale store downloads)

• Opret en ny Codespace for dette repo via GitHub UI.

• I terminalen i den nyoprettede Codespace skal du køre en af de shallow/sparse clone-kommandoer ovenfor for kun at bringe de lektionsmapper, du har brug for, ind i Codespace-arbejdsområdet.
• Valgfrit: efter kloning inde i Codespaces, fjern .git for at genvinde ekstra plads (se fjernelseskommandoer ovenfor).
• Bemærk: Hvis du foretrækker at åbne repoet direkte i Codespaces (uden en ekstra kloning), skal du være opmærksom på, at Codespaces vil konstruere devcontainer-miljøet og stadig kan provisionere mere end nødvendigt. Kloning af en shallow kopi inde i en frisk Codespace giver dig mere kontrol over diskforbruget.

Tips

• Erstat altid klon-URL’en med din fork, hvis du vil redigere/committe.
• Hvis du senere har brug for mere historik eller flere filer, kan du hente dem eller justere sparse-checkout for at inkludere yderligere mapper.

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 enten:

Kræver GitHub-konto - Gratis:

1) Semantic Kernel Agent Framework + GitHub Models Marketplace. Mærket som (semantic-kernel.ipynb) 2) AutoGen Framework + GitHub Models Marketplace. Mærket som (autogen.ipynb)

Kræver Azure-abonnement: 3) Azure AI Foundry + Azure AI Agent Service. Mærket som (azureaiagent.ipynb)

Vi opfordrer dig til at prøve alle tre typer eksempler for at se, hvilken der fungerer bedst for dig.

Uanset hvilken mulighed du vælger, vil det afgøre, hvilke opsætningstrin du skal følge nedenfor:

Krav

• Python 3.12+

  • NOTE: Hvis du ikke har Python3.12 installeret, skal du sørge for at installere det. Opret derefter din venv ved hjælp af python3.12 for at sikre, at de korrekte versioner installeres fra requirements.txt-filen.

    Eksempel

    Opret Python venv-mappe:

    python -m venv venv
    

    Aktiver derefter venv-miljøet for:

    # zsh/bash
    source venv/bin/activate
    

    # Command Prompt for Windows
    venv\Scripts\activate
    

• .NET 10+: For de kodeeksempler, der bruger .NET, skal du sørge for at installere .NET 10 SDK eller nyere. Kontroller derefter din installerede .NET SDK-version:

    dotnet --list-sdks
  

• En GitHub-konto - For adgang til GitHub Models Marketplace
• Azure-abonnement - For adgang til Azure AI Foundry
• Azure AI Foundry-konto - For adgang til Azure AI Agent Service

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

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

pip install -r requirements.txt

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

Opsætning af VSCode

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

Opsætning til eksempler, der bruger GitHub-modeller

Trin 1: Hent din GitHub Personal Access Token (PAT)

Dette kursus udnytter GitHub Models Marketplace, som giver gratis adgang til Large Language Models (LLMs), som du vil bruge til at bygge AI-agenter.

For at bruge GitHub-modellerne skal du oprette en GitHub Personal Access Token.

Dette kan gøres ved at gå til dine indstillinger for personlige adgangstokens i din GitHub-konto.

Følg venligst Princippet om mindst privilegium, når du opretter dit token. Det betyder, at du kun skal give tokenet de tilladelser, det har brug for, for at køre kodeeksemplerne i dette kursus.

1. Vælg Fine-grained tokens-muligheden på venstre side af din skærm ved at navigere til Udviklerindstillinger

   

   Vælg derefter Generate new token.

   

2. Indtast et beskrivende navn for dit token, der afspejler dets formål, så det er nemt at identificere senere.

   🔐 Anbefaling for tokenvarighed

   Anbefalet varighed: 30 dage For en mere sikker tilgang kan du vælge en kortere periode—såsom 7 dage 🛡️ Det er en god måde at sætte et personligt mål og gennemføre kurset, mens din læringsmomentum er høj 🚀.

   

3. Begræns tokenets rækkevidde til din fork af dette repository.

   

4. Begræns tokenets tilladelser: Under Permissions, klik på Account-fanen, og klik på “+ Add permissions”-knappen. En rullemenu vil dukke op. Søg efter Models og marker boksen for det.

   

5. Bekræft de nødvendige tilladelser, før du genererer tokenet.

6. Før du genererer tokenet, skal du sørge for at gemme det på et sikkert sted som en adgangskodehåndteringsvault, da det ikke vil blive vist igen efter oprettelsen.

Kopiér dit nye token, som du lige har oprettet. Du vil nu tilføje dette til din .env-fil, der er inkluderet i dette kursus.

Trin 2: Opret din .env-fil

For at oprette din .env-fil skal du køre følgende kommando i din terminal.

# zsh/bash
cp .env.example .env

# PowerShell
Copy-Item .env.example .env

Dette vil kopiere eksempel-filen og oprette en .env i din mappe, hvor du udfylder værdierne for miljøvariablerne.

Med dit kopierede token skal du åbne .env-filen i din foretrukne teksteditor og indsætte dit token i GITHUB_TOKEN-feltet.

Du bør nu kunne køre kodeeksemplerne i dette kursus.

Opsætning til eksempler, der bruger Azure AI Foundry og Azure AI Agent Service

Trin 1: Hent din Azure-projektendepunkt

Følg trinnene for at oprette en hub og et projekt i Azure AI Foundry, som findes her: Hub resources overview

Når du har oprettet dit projekt, skal du hente forbindelsesstrengen til dit projekt.

Dette kan gøres ved at gå til Oversigt-siden for dit projekt i Azure AI Foundry-portalen.

Trin 2: Opret din .env-fil

For at oprette din .env-fil skal du køre følgende kommando i din terminal.

# zsh/bash
cp .env.example .env

# PowerShell
Copy-Item .env.example .env

Dette vil kopiere eksempel-filen og oprette en .env i din mappe, hvor du udfylder værdierne for miljøvariablerne.

Med dit kopierede token skal du åbne .env-filen i din foretrukne teksteditor og indsætte dit token i PROJECT_ENDPOINT-feltet.

Trin 3: Log ind på Azure

Som en sikkerhedsbedste praksis vil vi bruge keyless authentication til at autentificere til Azure OpenAI med Microsoft Entra ID.

Åbn derefter en terminal og kør az login --use-device-code for at logge ind på din Azure-konto.

Når du er logget ind, skal du vælge dit abonnement i terminalen.

Yderligere miljøvariabler - Azure Search og Azure OpenAI

For Agentic RAG-lektionen - Lektion 5 - er der eksempler, der bruger Azure Search og Azure OpenAI.

Hvis du vil køre disse eksempler, skal du tilføje følgende miljøvariabler til din .env-fil:

Oversigtsside (Projekt)

• AZURE_SUBSCRIPTION_ID - Tjek Projektoplysninger på Oversigt-siden for dit projekt.

• AZURE_AI_PROJECT_NAME - Se øverst på Oversigt-siden for dit projekt.

• AZURE_OPENAI_SERVICE - Find dette i Inkluderede kapaciteter-fanen for Azure OpenAI Service på Oversigt-siden.

Management Center

• AZURE_OPENAI_RESOURCE_GROUP - Gå til Projektoplysninger på Oversigt-siden for Management Center.

• GLOBAL_LLM_SERVICE - Under Forbundne ressourcer, find Azure AI Services-forbindelsesnavnet. Hvis det ikke er angivet, skal du tjekke Azure-portalen under din ressourcegruppe for AI Services-ressourcenavnet.

Models + Endpoints Page

• AZURE_OPENAI_EMBEDDING_DEPLOYMENT_NAME - Vælg din embedding-model (f.eks. text-embedding-ada-002) og noter Deploymentsnavnet fra modeldetaljerne.

• AZURE_OPENAI_CHAT_DEPLOYMENT_NAME - Vælg din chat-model (f.eks. gpt-4o-mini) og noter Deploymentsnavnet fra modeldetaljerne.

Azure Portal

• AZURE_OPENAI_ENDPOINT - Se efter Azure AI services, klik på det, gå derefter til Resource Management, Keys and Endpoint, scroll ned til “Azure OpenAI endpoints”, og kopier den, der siger “Language APIs”.

• AZURE_OPENAI_API_KEY - Fra samme skærm, kopier KEY 1 eller KEY 2.

• AZURE_SEARCH_SERVICE_ENDPOINT - Find din Azure AI Search-ressource, klik på den, og se Oversigt.

• AZURE_SEARCH_API_KEY - Gå derefter til Indstillinger og derefter Nøgler for at kopiere den primære eller sekundære admin-nøgle.

Ekstern webside

• AZURE_OPENAI_API_VERSION - Besøg siden API version lifecycle under Latest GA API release.

Opsætning af keyless authentication

I stedet for at hardkode dine legitimationsoplysninger, vil vi bruge en keyless-forbindelse med Azure OpenAI. For at gøre dette vil vi importere DefaultAzureCredential og senere kalde funktionen DefaultAzureCredential for at få legitimationsoplysningerne.

# Python
from azure.identity import DefaultAzureCredential, InteractiveBrowserCredential

Sidder du fast et sted?

Hvis du oplever problemer med at køre denne opsætning, kan du hoppe ind i vores Azure AI Community Discord eller oprette en issue.

Næste Lektion

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

Introduktion til AI-agenter og anvendelsesområder

---

Ansvarsfraskrivelse:
Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator. Selvom vi bestræber os på nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi er ikke ansvarlige for eventuelle misforståelser eller fejltolkninger, der opstår som følge af brugen af denne oversættelse.

This site is open source. Improve this page.