ai-agents-for-beginners

Kursusopsætning

Introduktion

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

Deltag i andre elever og få hjælp

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

Klon eller fork dette repo

For at begynde bedes du klone eller fork GitHub-repositoriet. Dette vil gøre din egen version af kursusmaterialet, så du kan køre, teste og justere koden!

Dette kan gøres ved at klikke på linket til at fork repoet

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

Forked Repo

Lav dybdeksemplarkloning (anbefales til workshop / Codespaces)

Hele repositoriet kan være stort (~3 GB) når du downloader fuld historik og alle filer. Hvis du kun deltager i workshoppen eller kun behøver et par lektionmapper, undgår en lav dybdeksemplarkloning (eller en sparsommelig kloning) det meste af den download ved at afkorte historikken og/eller springe over blobber.

Hurtig lav dybdeksemplarkloning — minimal historik, alle filer

Udskift <your-username> i kommandoerne nedenfor 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 bestemt branche:

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

Delvis (sparse) kloning — minimal blob + kun valgte mapper

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

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

Naviger ind i repo-mappen:

cd ai-agents-for-beginners

Derefter angiv hvilke mapper du ønsker (eksemplet nedenfor viser to mapper):

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

Efter kloning og verifikation af filerne, hvis du kun behøver filerne og vil frigive plads (ingen git historik), så slet venligst repository metadata (💀irreversibelt — du mister al Git funktionalitet: ingen commits, pulls, pushes eller historik adgang).

# zsh/bash
rm -rf .git

# PowerShell
Remove-Item -Recurse -Force .git

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

Tips

Kørsel af koden

Dette kursus tilbyder en serie 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) gennem 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 til at køre kodeeksemplerne.

Du kan installere dem ved at køre følgende kommando i din terminal i repository-roden:

pip install -r requirements.txt

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

Opsæt VSCode

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

image

Opsæt Microsoft Foundry og Azure AI Agent Service

Trin 1: Opret et Microsoft Foundry-projekt

Du skal bruge et Azure AI Foundry hub og projekt med en deployet model for at 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 (fx. gpt-4o) fra Models + Endpoints → Deploy model.

Trin 2: Hent dit projekte endpoint og model deployeringsnavn

Fra dit projekt i Microsoft Foundry-portalen:

Project Connection String

Trin 3: Log på Azure med az login

Alle notebooks bruger AzureCliCredential til autentificering — ingen API nøgler at håndtere. 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 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 giver legitimationsoplysninger — ingen API-nøgler eller hemmeligheder i din .env fil. Dette er en sikkerhedspraksis.

Trin 4: Opret din .env fil

Kopiér 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 findes den
AZURE_AI_PROJECT_ENDPOINT Foundry-portalen → dit projekt → Overview side
AZURE_AI_MODEL_DEPLOYMENT_NAME Foundry-portalen → Models + Endpoints → navnet på din deployede model

Det var det for de fleste lektioner! Notebooks autentificerer automatisk via din az login session.

Trin 5: Installer Python-afhængigheder

pip install -r requirements.txt

Vi anbefaler at køre dette inde i det virtuelle miljø, 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 findes den
AZURE_SEARCH_SERVICE_ENDPOINT Azure portal → din Azure AI Search ressource → Overview → URL
AZURE_SEARCH_API_KEY Azure portal → din Azure AI Search ressource → Settings → Keys → primær admin nøgle

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 findes den
GITHUB_TOKEN GitHub → Settings → Developer settings → Personal access tokens
GITHUB_ENDPOINT Brug https://models.inference.ai.azure.com (standardværdi)
GITHUB_MODEL_ID Modelnavn at bruge (fx gpt-4o-mini)

Alternativ leverandør: MiniMax (OpenAI-kompatibel)

MiniMax tilbyder store kontekstmodeller (op til 204K tokens) via et OpenAI-kompatibelt API. Da Microsoft Agent Frameworks OpenAIChatClient fungerer med ethvert OpenAI-kompatibelt endpoint, kan du bruge MiniMax som en drop-in erstatning for GitHub Models eller OpenAI.

Tilføj disse variabler til din .env fil:

Variabel Hvor findes den
MINIMAX_API_KEY MiniMax Platform → API Keys
MINIMAX_BASE_URL Brug https://api.minimax.io/v1 (standardværdi)
MINIMAX_MODEL_ID Modelnavn at bruge (fx MiniMax-M2.7)

Tilgængelige modeller: MiniMax-M2.7 (anbefalet), MiniMax-M2.7-highspeed (hurtigere svar)

Kodeeksempler, der bruger OpenAIChatClient (fx Lektion 14 med hotelbooking workflow), vil automatisk registrere og bruge din MiniMax-konfiguration, når MINIMAX_API_KEY er sat.

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 findes den
BING_CONNECTION_ID Azure AI Foundry portalen → dit projekt → Management → Connected resources → din Bing-forbindelse → kopier forbindelses-ID

Fejlfinding

SSL Certificate Verification fejl på macOS

Hvis du er på macOS og får 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 godkendes. Prøv følgende løsninger i rækkefølge:

Mulighed 1: Kør Python’s Install Certificates script (anbefalet)

# Erstat 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 lektion 6 notebook (06-building-trustworthy-agents/code_samples/06-system-message-framework.ipynb) findes allerede en kommenteret workaround. Fjern kommentaren på connection_verify=False når klienten oprettes:

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

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

Mulighed 3: Installer og brug truststore

pip install truststore

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

import truststore
truststore.inject_into_ssl()

Sidder 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 for dette kursus. Glæd dig til at lære mere om AI Agenternes verden!

Introduktion til AI-agenter og agentbrugstilfælde

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

This site is open source. Improve this page.