Denne lektion vil dække, hvordan du kører kodeeksemplerne i dette kursus.
Før du begynder at klone dit repo, skal du deltage i AI Agents For Beginners Discord-kanalen for at få hjælp til opsætning, stille spørgsmål om kurset eller forbinde med andre lærende.
For at komme i gang skal du klone eller forke 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:
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. Markeret som (semantic-kernel.ipynb) 2) AutoGen Framework + GitHub Models Marketplace. Markeret som (autogen.ipynb)
Kræver Azure-abonnement: 3) Azure AI Foundry + Azure AI Agent Service. Markeret 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 opsætningsinstruktioner du skal følge nedenfor:
NOTE: Hvis du ikke har Python 3.12 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:
python3 -m venv venv
Aktiver derefter venv-miljøet for:
macOS og Linux
source venv/bin/activate
Windows
venv\Scripts\activate
Vi har inkluderet en requirements.txt
-fil i roden af dette repository, som 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 repositoriet:
pip install -r requirements.txt
Vi anbefaler at oprette et Python-virtuelt miljø for at undgå konflikter og problemer.
Sørg for, at du bruger den rigtige version af Python i VSCode.
Dette kursus bruger 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 Personal Access Tokens i din GitHub-konto.
Følg venligst Princippet om mindst privilegium, når du opretter din token. Det betyder, at du kun skal give tokenet de tilladelser, det har brug for til at køre kodeeksemplerne i dette kursus.
Vælg Fine-grained tokens
-muligheden på venstre side af skærmen ved at navigere til Developer settings.
Vælg derefter Generate new token
.
Indtast et beskrivende navn for din token, der afspejler dens formål, så den er nem 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 🚀.
Begræns tokenets rækkevidde til din fork af dette repository.
Begræns tokenets tilladelser: Under Permissions, klik på fanen Account, og klik på knappen “+ Add permissions”. En dropdown-menu vil dukke op. Søg efter Models og marker boksen for det.
Bekræft de nødvendige tilladelser, før du genererer tokenet.
Før du genererer tokenet, skal du sikre dig, at du er klar til at gemme tokenet 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.
.env
-filFor at oprette din .env
-fil skal du køre følgende kommando i din terminal.
cp .env.example .env
Dette vil kopiere eksempel-filen og oprette en .env
i din mappe, hvor du udfylder værdierne for miljøvariablerne.
Med dit token kopieret, skal du åbne .env
-filen i din foretrukne teksteditor og indsætte dit token i feltet GITHUB_TOKEN
.
Du bør nu kunne køre kodeeksemplerne i dette kursus.
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 Overview-siden for dit projekt i Azure AI Foundry-portalen.
.env
-filFor at oprette din .env
-fil skal du køre følgende kommando i din terminal.
cp .env.example .env
Dette vil kopiere eksempel-filen og oprette en .env
i din mappe, hvor du udfylder værdierne for miljøvariablerne.
Med dit token kopieret, skal du åbne .env
-filen i din foretrukne teksteditor og indsætte dit token i feltet PROJECT_ENDPOINT
.
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.
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:
AZURE_SUBSCRIPTION_ID
- Tjek Project details på Overview-siden for dit projekt.
AZURE_AI_PROJECT_NAME
- Se øverst på Overview-siden for dit projekt.
AZURE_OPENAI_SERVICE
- Find dette under fanen Included capabilities for Azure OpenAI Service på Overview-siden.
AZURE_OPENAI_RESOURCE_GROUP
- Gå til Project properties på Overview-siden for Management Center.
GLOBAL_LLM_SERVICE
- Under Connected resources, find navnet på Azure AI Services-forbindelsen. Hvis det ikke er angivet, skal du tjekke Azure portal under din ressourcegruppe for AI Services-ressourcenavnet.
AZURE_OPENAI_EMBEDDING_DEPLOYMENT_NAME
- Vælg din embedding-model (f.eks. text-embedding-ada-002
) og noter Deployment name fra modeldetaljerne.
AZURE_OPENAI_CHAT_DEPLOYMENT_NAME
- Vælg din chat-model (f.eks. gpt-4o-mini
) og noter Deployment name fra modeldetaljerne.
AZURE_OPENAI_ENDPOINT
- Find 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 Overview.
AZURE_SEARCH_API_KEY
- Gå derefter til Settings og derefter Keys for at kopiere den primære eller sekundære admin-nøgle.
AZURE_OPENAI_API_VERSION
- Besøg siden API version lifecycle under Latest GA API release.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.
from azure.identity import DefaultAzureCredential, InteractiveBrowserCredential
Hvis du har problemer med at køre denne opsætning, kan du hoppe ind i vores Azure AI Community Discord eller oprette en issue.
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 agentanvendelser
Ansvarsfraskrivelse:
Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator. Selvom vi bestræber os på at sikre nøjagtighed, skal det bemærkes, 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 påtager os ikke ansvar for misforståelser eller fejltolkninger, der måtte opstå som følge af brugen af denne oversættelse.