ai-agents-for-beginners

Ρύθμιση Μαθήματος

Εισαγωγή

Αυτό το μάθημα θα καλύψει πώς να εκτελέσετε τα δείγματα κώδικα αυτού του μαθήματος.

Ενταχθείτε σε Άλλους Μαθητές και Ζητήστε Βοήθεια

Πριν ξεκινήσετε να κλωνοποιείτε το αποθετήριο σας, ενταχθείτε στο κανάλι Discord AI Agents For Beginners για να λάβετε βοήθεια με τη ρύθμιση, να κάνετε ερωτήσεις σχετικά με το μάθημα ή να συνδεθείτε με άλλους μαθητές.

Κλωνοποίηση ή Fork αυτού του Αποθετηρίου

Για να ξεκινήσετε, παρακαλώ κλωνοποιήστε ή κάντε fork το αποθετήριο GitHub. Αυτό θα δημιουργήσει τη δική σας έκδοση του υλικού του μαθήματος ώστε να μπορείτε να εκτελέσετε, να δοκιμάσετε και να τροποποιήσετε τον κώδικα!

Αυτό μπορεί να γίνει κάνοντας κλικ στον σύνδεσμο για fork το αποθετήριο.

Τώρα θα πρέπει να έχετε τη δική σας έκδοση του μαθήματος στον παρακάτω σύνδεσμο:

Κλωνοποίηση με Μικρό Ιστορικό (συνιστάται για εργαστήρια / Codespaces)

Το πλήρες αποθετήριο μπορεί να είναι μεγάλο (~3 GB) όταν κατεβάζετε όλο το ιστορικό και όλα τα αρχεία. Εάν παρακολουθείτε μόνο το εργαστήριο ή χρειάζεστε μόνο λίγους φακέλους μαθημάτων, μια κλωνοποίηση με μικρό ιστορικό (ή μερική κλωνοποίηση) αποφεύγει το μεγαλύτερο μέρος αυτής της λήψης, μειώνοντας το ιστορικό και/ή παραλείποντας blobs.

Γρήγορη κλωνοποίηση με μικρό ιστορικό — ελάχιστο ιστορικό, όλα τα αρχεία

Αντικαταστήστε το <your-username> στις παρακάτω εντολές με το URL του fork σας (ή το upstream URL αν προτιμάτε).

Για να κλωνοποιήσετε μόνο το πιο πρόσφατο ιστορικό commit (μικρή λήψη):

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

Για να κλωνοποιήσετε ένα συγκεκριμένο branch:

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

Μερική (σπάνια) κλωνοποίηση — ελάχιστα blobs + μόνο επιλεγμένοι φάκελοι

Αυτό χρησιμοποιεί μερική κλωνοποίηση και sparse-checkout (απαιτεί Git 2.25+ και συνιστάται σύγχρονο Git με υποστήριξη μερικής κλωνοποίησης):

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

Μεταβείτε στον φάκελο του αποθετηρίου:

cd ai-agents-for-beginners

Στη συνέχεια, καθορίστε ποιους φακέλους θέλετε (το παράδειγμα παρακάτω δείχνει δύο φακέλους):

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

Αφού κλωνοποιήσετε και επαληθεύσετε τα αρχεία, αν χρειάζεστε μόνο αρχεία και θέλετε να ελευθερώσετε χώρο (χωρίς ιστορικό git), παρακαλώ διαγράψτε τα μεταδεδομένα του αποθετηρίου (💀μη αναστρέψιμο — θα χάσετε όλη τη λειτουργικότητα του Git: χωρίς commits, pulls, pushes ή πρόσβαση στο ιστορικό).

# zsh/bash
rm -rf .git

# PowerShell
Remove-Item -Recurse -Force .git

Χρήση GitHub Codespaces (συνιστάται για αποφυγή μεγάλων τοπικών λήψεων)

• Δημιουργήστε έναν νέο Codespace για αυτό το αποθετήριο μέσω του GitHub UI.

• Στο τερματικό του νεοδημιουργημένου codespace, εκτελέστε μία από τις εντολές κλωνοποίησης με μικρό/σπάνιο ιστορικό παραπάνω για να φέρετε μόνο τους φακέλους μαθημάτων που χρειάζεστε στον χώρο εργασίας του Codespace.
• Προαιρετικά: μετά την κλωνοποίηση μέσα στο Codespaces, αφαιρέστε το .git για να ανακτήσετε επιπλέον χώρο (δείτε τις εντολές αφαίρεσης παραπάνω).
• Σημείωση: Αν προτιμάτε να ανοίξετε το αποθετήριο απευθείας στο Codespaces (χωρίς επιπλέον κλωνοποίηση), να γνωρίζετε ότι το Codespaces θα κατασκευάσει το περιβάλλον devcontainer και μπορεί να εξακολουθεί να προμηθεύει περισσότερα από όσα χρειάζεστε. Η κλωνοποίηση μιας μικρής έκδοσης μέσα σε ένα νέο Codespace σας δίνει περισσότερο έλεγχο στη χρήση του δίσκου.

Συμβουλές

• Πάντα αντικαταστήστε το URL κλωνοποίησης με το fork σας αν θέλετε να επεξεργαστείτε/κάνετε commit.
• Αν αργότερα χρειαστείτε περισσότερο ιστορικό ή αρχεία, μπορείτε να τα ανακτήσετε ή να προσαρμόσετε το sparse-checkout για να συμπεριλάβετε επιπλέον φακέλους.

Εκτέλεση του Κώδικα

Αυτό το μάθημα προσφέρει μια σειρά από Jupyter Notebooks που μπορείτε να εκτελέσετε για να αποκτήσετε πρακτική εμπειρία στη δημιουργία AI Agents.

Τα δείγματα κώδικα χρησιμοποιούν είτε:

Απαιτεί Λογαριασμό GitHub - Δωρεάν:

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

Απαιτεί Συνδρομή Azure: 3) Azure AI Foundry + Azure AI Agent Service. Ετικέτα ως (azureaiagent.ipynb)

Σας ενθαρρύνουμε να δοκιμάσετε και τους τρεις τύπους παραδειγμάτων για να δείτε ποιος λειτουργεί καλύτερα για εσάς.

Όποια επιλογή κι αν επιλέξετε, θα καθορίσει ποια βήματα ρύθμισης πρέπει να ακολουθήσετε παρακάτω:

Απαιτήσεις

• Python 3.12+

  • ΣΗΜΕΙΩΣΗ: Αν δεν έχετε εγκατεστημένο το Python3.12, βεβαιωθείτε ότι το εγκαταστήσατε. Στη συνέχεια, δημιουργήστε το venv σας χρησιμοποιώντας python3.12 για να διασφαλίσετε ότι οι σωστές εκδόσεις εγκαθίστανται από το αρχείο requirements.txt.

    Παράδειγμα

    Δημιουργία καταλόγου Python venv:

    python -m venv venv
    

    Στη συνέχεια ενεργοποιήστε το περιβάλλον venv για:

    # zsh/bash
    source venv/bin/activate
    

    # Command Prompt for Windows
    venv\Scripts\activate
    

• .NET 10+: Για τα δείγματα κώδικα που χρησιμοποιούν .NET, βεβαιωθείτε ότι έχετε εγκαταστήσει το .NET 10 SDK ή νεότερο. Στη συνέχεια, ελέγξτε την εγκατεστημένη έκδοση του .NET SDK:

    dotnet --list-sdks
  

• Λογαριασμός GitHub - Για πρόσβαση στο GitHub Models Marketplace
• Συνδρομή Azure - Για πρόσβαση στο Azure AI Foundry
• Λογαριασμός Azure AI Foundry - Για πρόσβαση στην Υπηρεσία Azure AI Agent

Έχουμε συμπεριλάβει ένα αρχείο requirements.txt στη ρίζα αυτού του αποθετηρίου που περιέχει όλα τα απαραίτητα πακέτα Python για την εκτέλεση των δειγμάτων κώδικα.

Μπορείτε να τα εγκαταστήσετε εκτελώντας την παρακάτω εντολή στο τερματικό σας στη ρίζα του αποθετηρίου:

pip install -r requirements.txt

Συνιστούμε τη δημιουργία ενός εικονικού περιβάλλοντος Python για να αποφύγετε τυχόν συγκρούσεις και προβλήματα.

Ρύθμιση VSCode

Βεβαιωθείτε ότι χρησιμοποιείτε τη σωστή έκδοση Python στο VSCode.

Ρύθμιση για Δείγματα που Χρησιμοποιούν GitHub Models

Βήμα 1: Ανάκτηση του Προσωπικού Access Token (PAT) του GitHub

Αυτό το μάθημα χρησιμοποιεί το GitHub Models Marketplace, παρέχοντας δωρεάν πρόσβαση σε Μεγάλα Γλωσσικά Μοντέλα (LLMs) που θα χρησιμοποιήσετε για να δημιουργήσετε AI Agents.

Για να χρησιμοποιήσετε τα GitHub Models, θα χρειαστεί να δημιουργήσετε ένα Προσωπικό Access Token του GitHub.

Αυτό μπορεί να γίνει πηγαίνοντας στις ρυθμίσεις Προσωπικών Access Tokens στον λογαριασμό σας στο GitHub.

Παρακαλώ ακολουθήστε την Αρχή της Ελάχιστης Προνομιακής Πρόσβασης κατά τη δημιουργία του token σας. Αυτό σημαίνει ότι πρέπει να δώσετε στο token μόνο τις άδειες που χρειάζεται για να εκτελέσει τα δείγματα κώδικα αυτού του μαθήματος.

1. Επιλέξτε την επιλογή Fine-grained tokens στην αριστερή πλευρά της οθόνης σας μεταβαίνοντας στις Ρυθμίσεις Προγραμματιστή.

   

   Στη συνέχεια, επιλέξτε Generate new token.

   

2. Εισάγετε ένα περιγραφικό όνομα για το token σας που να αντικατοπτρίζει τον σκοπό του, ώστε να είναι εύκολο να το αναγνωρίσετε αργότερα.

   🔐 Σύσταση Διάρκειας Token

   Συνιστώμενη διάρκεια: 30 ημέρες Για πιο ασφαλή στάση, μπορείτε να επιλέξετε μικρότερη περίοδο—όπως 7 ημέρες 🛡️ Είναι ένας εξαιρετικός τρόπος να θέσετε έναν προσωπικό στόχο και να ολοκληρώσετε το μάθημα ενώ η μαθησιακή σας ορμή είναι υψηλή 🚀.

   

3. Περιορίστε το πεδίο του token στο fork αυτού του αποθετηρίου.

   

4. Περιορίστε τις άδειες του token: Στην καρτέλα Permissions, κάντε κλικ στην καρτέλα Account και πατήστε το κουμπί “+ Add permissions”. Θα εμφανιστεί ένα dropdown. Αναζητήστε Models και επιλέξτε το κουτάκι.

   

5. Επαληθεύστε τις απαιτούμενες άδειες πριν δημιουργήσετε το token.

6. Πριν δημιουργήσετε το token, βεβαιωθείτε ότι είστε έτοιμοι να αποθηκεύσετε το token σε ασφαλές μέρος όπως ένα θησαυροφυλάκιο διαχειριστή κωδικών πρόσβασης, καθώς δεν θα εμφανιστεί ξανά μετά τη δημιουργία του.

Αντιγράψτε το νέο token που μόλις δημιουργήσατε. Τώρα θα το προσθέσετε στο αρχείο .env που περιλαμβάνεται σε αυτό το μάθημα.

Βήμα 2: Δημιουργία του Αρχείου .env

Για να δημιουργήσετε το αρχείο .env, εκτελέστε την παρακάτω εντολή στο τερματικό σας.

# zsh/bash
cp .env.example .env

# PowerShell
Copy-Item .env.example .env

Αυτό θα αντιγράψει το αρχείο παραδείγματος και θα δημιουργήσει ένα .env στον κατάλογό σας, όπου θα συμπληρώσετε τις τιμές για τις μεταβλητές περιβάλλοντος.

Με το token σας αντιγραμμένο, ανοίξτε το αρχείο .env στον αγαπημένο σας επεξεργαστή κειμένου και επικολλήστε το token στο πεδίο GITHUB_TOKEN.

Τώρα θα πρέπει να μπορείτε να εκτελέσετε τα δείγματα κώδικα αυτού του μαθήματος.

Ρύθμιση για Δείγματα που Χρησιμοποιούν Azure AI Foundry και Azure AI Agent Service

Βήμα 1: Ανάκτηση του Endpoint του Έργου Azure

Ακολουθήστε τα βήματα για τη δημιουργία ενός hub και έργου στο Azure AI Foundry που βρίσκονται εδώ: Επισκόπηση πόρων hub

Αφού δημιουργήσετε το έργο σας, θα χρειαστεί να ανακτήσετε τη συμβολοσειρά σύνδεσης για το έργο σας.

Αυτό μπορεί να γίνει πηγαίνοντας στη σελίδα Επισκόπηση του έργου σας στην πύλη Azure AI Foundry.

Βήμα 2: Δημιουργία του Αρχείου .env

Για να δημιουργήσετε το αρχείο .env, εκτελέστε την παρακάτω εντολή στο τερματικό σας.

# zsh/bash
cp .env.example .env

# PowerShell
Copy-Item .env.example .env

Αυτό θα αντιγράψει το αρχείο παραδείγματος και θα δημιουργήσει ένα .env στον κατάλογό σας, όπου θα συμπληρώσετε τις τιμές για τις μεταβλητές περιβάλλοντος.

Με το token σας αντιγραμμένο, ανοίξτε το αρχείο .env στον αγαπημένο σας επεξεργαστή κειμένου και επικολλήστε το token στο πεδίο PROJECT_ENDPOINT.

Βήμα 3: Σύνδεση στο Azure

Ως βέλτιστη πρακτική ασφαλείας, θα χρησιμοποιήσουμε αυθεντικοποίηση χωρίς κλειδιά για να αυθεντικοποιηθούμε στο Azure OpenAI με το Microsoft Entra ID.

Στη συνέχεια, ανοίξτε ένα τερματικό και εκτελέστε az login --use-device-code για να συνδεθείτε στον λογαριασμό σας στο Azure.

Αφού συνδεθείτε, επιλέξτε τη συνδρομή σας στο τερματικό.

Πρόσθετες Μεταβλητές Περιβάλλοντος - Azure Search και Azure OpenAI

Για το μάθημα Agentic RAG - Μάθημα 5 - υπάρχουν δείγματα που χρησιμοποιούν Azure Search και Azure OpenAI.

Αν θέλετε να εκτελέσετε αυτά τα δείγματα, θα χρειαστεί να προσθέσετε τις παρακάτω μεταβλητές περιβάλλοντος στο αρχείο .env σας:

Σελίδα Επισκόπησης (Έργο)

• AZURE_SUBSCRIPTION_ID - Ελέγξτε τις Λεπτομέρειες Έργου στη σελίδα Επισκόπηση του έργου σας.

• AZURE_AI_PROJECT_NAME - Δείτε την κορυφή της σελίδας Επισκόπηση για το έργο σας.

• AZURE_OPENAI_SERVICE - Βρείτε αυτό στην καρτέλα Included capabilities για την Υπηρεσία Azure OpenAI στη σελίδα Επισκόπηση.

Κέντρο Διαχείρισης

• AZURE_OPENAI_RESOURCE_GROUP - Μεταβείτε στις Ιδιότητες Έργου στη σελίδα Επισκόπηση του Κέντρου Διαχείρισης.

• GLOBAL_LLM_SERVICE - Στην καρτέλα Συνδεδεμένοι πόροι, βρείτε το όνομα σύνδεσης Azure AI Services. Αν δεν αναφέρεται, ελέγξτε την πύλη Azure κάτω από την ομάδα πόρων σας για το όνομα του πόρου AI Services.

Σελίδα Μοντέλα + Endpoints

• AZURE_OPENAI_EMBEDDING_DEPLOYMENT_NAME - Επιλέξτε το μοντέλο ενσωμάτωσης σας (π.χ., text-embedding-ada-002) και σημειώστε το Deployment name από τις λεπτομέρειες του μοντέλου.

• AZURE_OPENAI_CHAT_DEPLOYMENT_NAME - Επιλέξτε το μοντέλο συνομιλίας σας (π.χ., gpt-4o-mini) και σημειώστε το Deployment name από τις λεπτομέρειες του μοντέλου.

Πύλη Azure

• AZURE_OPENAI_ENDPOINT - Αναζητήστε Υπηρεσίες Azure AI, κάντε κλικ σε αυτό, στη συνέχεια Αν αντιμετωπίσετε οποιοδήποτε πρόβλημα με την εκτέλεση αυτής της ρύθμισης, μπείτε στο Azure AI Community Discord ή δημιουργήστε ένα ζήτημα.

Επόμενο Μάθημα

Είστε πλέον έτοιμοι να εκτελέσετε τον κώδικα για αυτό το μάθημα. Καλή μάθηση για τον κόσμο των AI Agents!

Εισαγωγή στους AI Agents και τις Χρήσεις τους

---

Αποποίηση ευθύνης:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης Co-op Translator. Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.

This site is open source. Improve this page.