Denne lektion vil gennemgå, hvordan du kører kodeeksemplerne i dette kursus.
Før du begynder at klone dit repo, så deltag i AI Agents For Beginners Discord-kanalen for at få hjælp til opsætningen, stille spørgsmål om kurset, eller for at komme i kontakt med andre lærende.
For at begynde, skal du klone eller fork 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 for at forke repoet
Du burde nu have din egen forkkede version af dette kursus i følgende link:

Det fulde repositorium 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 lektion-mapper, downloader en shallow clone (eller en sparse clone) væsentligt mindre.
Erstat <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 specifik gren:
git clone --depth 1 --branch <branch-name> https://github.com/<your-username>/ai-agents-for-beginners.git
Dette bruger partial clone og sparse-checkout (kræver Git 2.25+ og anbefales at bruge moderne Git med support til partial clone):
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 herefter 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 repository metadata (💀irreversibelt — du mister al Git-funktionalitet):
# zsh/bash
rm -rf .git
# PowerShell
Remove-Item -Recurse -Force .git
Opret en ny Codespace for dette repo via GitHub UI.
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 FoundryChatClient, som forbinder til Microsoft Foundry Agent Service V2 (Responses API’en) gennem Microsoft Foundry.
Alle Python notebooks er mærket med *-python-agent-framework.ipynb.
NOTE: Hvis du ikke har Python3.12 installeret, skal du sikre dig at installere det. Opret derefter dit virtuelle miljø med python3.12 for at sikre de korrekte versioner installeres fra requirements.txt-filen.
Eksempel
Opret Python venv-mappe:
python -m venv venv
Aktivér herefter venv-miljøet for:
# zsh/bash
source venv/bin/activate
# Command Prompt for Windows
venv\Scripts\activate
.NET 10+: For eksemplerne der bruger .NET, sørg for at installere .NET 10 SDK eller nyere. Tjek derefter din installerede .NET SDK-version:
dotnet --list-sdks
gpt-5-mini). Se Trin 1 nedenfor.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 rodmappen 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 rette version af Python i VSCode.
Du har brug for et Microsoft Foundry projekt med en deployeret model for at køre notebooks. Opret projektet direkte i den nuværende Microsoft Foundry-oplevelse; et hub er ikke påkrævet.
gpt-5-mini) fra Models + Endpoints → Deploy model.Fra dit projekt i Microsoft Foundry-portalen:

gpt-5-mini).az loginDe fleste notebooks autentificerer gennem din Azure CLI login — ved brug af AzureCliCredential eller DefaultAzureCredential (begge bruger din az login session) fra azure-identity pakken — så de kræver ikke API-nøgler. Nogle lektioner og valgfrie integrationer bruger API-nøgler; tjek hver lektions forudsætninger for yderligere miljøvariabler. Dette kræver, at du er logget ind via Azure CLI.
Installer Azure CLI hvis du ikke allerede har den: aka.ms/installazurecli
Log ind ved at køre:
az login
Eller hvis du er i et remote/Codespace miljø uden browser:
az login --use-device-code
Vælg dit abonnement hvis du bliver spurgt — vælg det der indeholder dit Foundry projekt.
Bekræft at du er logget ind:
az account show
Hvorfor
az login? Notebooks autentificerer medAzureCliCredential(ellerDefaultAzureCredential, som også bruger din Azure CLI login) fraazure-identitypakken. Det betyder, at din Azure CLI-session leverer legitimationsoplysningerne — ingen API-nøgler eller hemmeligheder i din.envfil. Dette er en bedste sikkerhedspraksis.
.env filKopier 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-5-mini
| Variabel | Hvor finder du 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 vil autentificere automatisk gennem din az login session.
pip install -r requirements.txt
Vi anbefaler at køre dette inde i det virtuelle miljø, du oprettede tidligere.
Lektion 5 (Agentic RAG) og Lektion 16 notebooks kører ud af boksen med en in-memory knowledge base — ingen ekstra Azure-ressourcer nødvendige. Hvis du ønsker at bakke dem op med en rigtig Azure AI Search indeks, så bemærk at Lektion 16 notebook i øjeblikket bruger nøglebaseret autentificering: den skifter fra in-memory søgning til Azure AI Search kun når begge AZURE_SEARCH_SERVICE_ENDPOINT og AZURE_SEARCH_API_KEY er sat, ellers forbliver den på in-memory søgning — så for at køre den mod et reelt indeks skal du også sætte adminnøglen. Nøglefri autentificering med Microsoft Entra ID (RBAC) er den anbefalede tilgang for din egen produktionskode, i overensstemmelse med az login flowet brugt i resten af kurset.
RBAC trinnene nedenfor gælder for opsætningsvejledningens prøver og din egen kode. De muliggør ikke nøglefri autentificering i Lektion 16 notebook; Lektion 16 kræver stadig både endpoint og admin-nøgle for at bruge Azure AI Search.
Aktiver rollebaseret adgang på din søgetjeneste:
az search service update --name <service-name> --resource-group <resource-group> --auth-options aadOrApiKey
Tilknyt dig selv de nødvendige roller (opret/indlæs indeks og forespørg):
az role assignment create --assignee <your-user-or-principal-id> --role "Search Service Contributor" --scope $(az search service show -g <resource-group> -n <service-name> --query id -o tsv)
az role assignment create --assignee <your-user-or-principal-id> --role "Search Index Data Contributor" --scope $(az search service show -g <resource-group> -n <service-name> --query id -o tsv)
Tilføj endpoint til din .env fil:
| Variabel | Hvor finder du den |
|---|---|
AZURE_SEARCH_SERVICE_ENDPOINT |
Azure-portalen → din Azure AI Search ressource → Overview → URL |
AZURE_SEARCH_API_KEY |
Nødvendig (sammen med endpoint) for at aktivere Azure AI Search i Lektion 16 notebook, som bruger nøglebaseret autentificering. Azure-portalen → Settings → Keys → primær admin-nøgle |
Hvorfor nøglefri? Admin-nøgler giver fuld skriveadgang til din søgetjeneste og kan lække via
.envfiler. Med RBAC bruges dinaz loginidentitet i stedet — samme nøglefri Entra ID mønster som kursusnotebooks bruger (viaAzureCliCredential/DefaultAzureCredential). Se Forbind til Azure AI Search med roller.
Se Azure AI Search opsætningsguide for fulde indeks-oprettelseseksempler i Python og .NET.
Nogle notebooks i lektion 6 og 8 kalder Azure OpenAI direkte (ved brug af Responses API) i stedet for via et Microsoft Foundry projekt. Disse eksempler brugte tidligere GitHub Models, som er forældet og ikke understøtter Responses API. Tilføj disse variabler til din .env fil:
| Variabel | Hvor finder du den |
|---|---|
AZURE_OPENAI_ENDPOINT |
Azure-portalen → din Azure OpenAI ressource → Keys and Endpoint → Endpoint (fx https://<your-resource>.openai.azure.com) |
AZURE_OPENAI_DEPLOYMENT |
Navnet på din deployerede model (fx gpt-5-mini) der understøtter Responses API |
AZURE_OPENAI_API_KEY |
Valgfri — kun hvis du bruger nøglebaseret auth i stedet for az login / Entra ID |
Responses API bruger det stabile
/openai/v1/endpoint, så ingenapi-versioner nødvendig. Log ind medaz loginfor at bruge nøglefri Entra ID autentificering.
MiniMax tilbyder store-kontekst modeller (op til 204K tokens) gennem en OpenAI-kompatibel API. Da Microsoft Agent Frameworks OpenAIChatClient virker med ethvert OpenAI-kompatibelt endpoint, kan du bruge MiniMax som en plug-in erstatning til lektioner, der bruger OpenAIChatClient.
Tilføj disse variabler til din .env fil:
| Variabel | Hvor finder du den |
|---|---|
MINIMAX_API_KEY |
MiniMax Platform → API-nøgler |
MINIMAX_BASE_URL |
Brug https://api.minimax.io/v1 (standardværdi) |
MINIMAX_MODEL_ID |
Modelnavn til brug (fx MiniMax-M3) |
Eksempler på modeller: MiniMax-M3 (anbefalet), MiniMax-M2.7, MiniMax-M2.7-highspeed (hurtigere svar). Modelnavne og tilgængelighed kan ændre sig over tid, og adgang til en given model kan afhænge af din konto.
Kodeeksemplerne, der bruger OpenAIChatClient (fx Lektion 14 hotel booking workflow), vil automatisk opdage og bruge din MiniMax konfiguration, når MINIMAX_API_KEY er sat.
Novita AI tilbyder en OpenAI-kompatibel API til open-source og frontlinje LLM’er (DeepSeek, Llama, Qwen og flere). Da Microsoft Agent Frameworks OpenAIChatClient fungerer med enhver OpenAI-kompatibel endpoint, kan du bruge Novita AI som et drop-in alternativ til Azure OpenAI eller OpenAI.
Tilføj disse variabler til din .env fil:
| Variabel | Hvor kan du finde den |
|---|---|
NOVITA_API_KEY |
Novita AI Dashboard → API Keys |
NOVITA_BASE_URL |
Brug https://api.novita.ai/openai/v1 (standardværdi) |
NOVITA_MODEL_ID |
Modelnavn der skal bruges (f.eks. moonshotai/kimi-k3) |
Eksempelmodeller: moonshotai/kimi-k3, zai-org/glm-5.2, deepseek/deepseek-v4-flash-0731. Novita AI hoster også mange andre open-source modelfamilier (Llama, Qwen, GLM og flere) — se Novita AI modelbiblioteket for den aktuelle liste over tilgængelige modeller og deres model-ID’er.
De nuværende eksempler bruger ikke automatisk NOVITA_* variabler. For at bruge Novita AI skal du eksplicit videregive disse værdier, når du konstruerer OpenAIChatClient i det eksempel, du kører.
Foundry Local er en letvægts runtime, som downloader, administrerer og leverer sprogmodeller helt på din egen maskine gennem en OpenAI-kompatibel API — ingen cloud er nødvendig.
Da Microsoft Agent Frameworks OpenAIChatClient fungerer med enhver OpenAI-kompatibel endpoint, er Foundry Local et lokalt drop-in alternativ til Azure OpenAI.
1. Installer Foundry Local
# Windows
winget install Microsoft.FoundryLocal
# macOS
brew install foundrylocal
2. Download og kør en model (det starter også den lokale service):
foundry model list # see available models
foundry model run phi-4-mini
3. Installer Python SDK’en brugt til at opdage den lokale endpoint:
pip install foundry-local-sdk
4. Peg Microsoft Agent Framework mod din lokale model:
from foundry_local import FoundryLocalManager
from agent_framework.openai import OpenAIChatClient
# Downloads (if needed) and serves the model locally, then discovers the endpoint/port.
manager = FoundryLocalManager("phi-4-mini")
chat_client = OpenAIChatClient(
base_url=manager.endpoint, # e.g. http://localhost:<port>/v1
api_key=manager.api_key, # always "not-required" for Foundry Local
model_id=manager.get_model_info("phi-4-mini").id,
)
agent = chat_client.as_agent(
name="LocalAgent",
instructions="You are a helpful assistant running fully on-device.",
)
Note: Foundry Local udstiller en OpenAI-kompatibel Chat Completions endpoint. Brug den til lokal udvikling og offline scenarier. For det fulde Responses API funktionssæt (stateful samtaler, osv.), brug Azure OpenAI eller et Microsoft Foundry projekt.
Den betingede workflow-notebook i lesson 8 bruger Bing grounding via Microsoft Foundry. Hvis du planlægger at køre det eksempel, tilføj denne variabel til din .env fil:
| Variabel | Hvor kan du finde den |
|---|---|
BING_CONNECTION_ID |
Microsoft Foundry portal → dit projekt → Management → Connected resources → din Bing-forbindelse → kopier forbindelses-ID |
Hvis du bruger 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)
# Replace 3.XX with your installed Python version (e.g., 3.12 or 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 udkommenteret løsning allerede inkluderet. Fjern kommenteringen af connection_verify=False, når du rammer certifikatfejl:
client = ChatCompletionsClient(
endpoint=endpoint,
credential=AzureKeyCredential(token),
connection_verify=False, # Disable SSL verification if you encounter certificate errors
)
⚠️ Advarsel: Deaktivering af SSL-verificering (
connection_verify=False) reducerer sikkerheden ved at springe validering af certifikater over. Brug dette kun som en midlertidig løsning i udviklingsmiljøer. Brug det aldrig i produktion.
Mulighed 3: Installer og brug truststore
pip install truststore
Tilføj derefter følgende øverst i din notebook eller script før netværkskald foretages:
import truststore
truststore.inject_into_ssl()
Hvis du har problemer med at køre denne opsætning, hop ind i vores Azure AI Community Discord eller opret en issue.
Du er nu klar til at køre koden for dette kursus. God fornøjelse med at lære mere om AI-agenternes verden!
Introduktion til AI-agenter og agentbrugssager
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 påtager os intet ansvar for misforståelser eller fejltolkninger, der opstår som følge af brugen af denne oversættelse.