Αυτό το μάθημα θα καλύψει πώς να εκτελέσετε τα δείγματα κώδικα αυτού του μαθήματος.
Πριν ξεκινήσετε να κάνετε κλωνοποίηση του αποθετηρίου σας, εγγραφείτε 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.
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 έχετε τη δική σας έκδοση του μαθήματος στον παρακάτω σύνδεσμο:

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 μερικούς φακέλους μαθημάτων, η κλωνοποίηση με περιορισμένο ιστορικό (ή αραιή κλωνοποίηση) αποφεύγει το μεγαλύτερο μέρος αυτής της λήψης, περιορίζοντας το ιστορικό και/ή παραλείποντας 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
Αυτό χρησιμοποιεί μερική κλωνοποίηση και αραιή επιλογή φακέλων (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:
Για bash:
cd ai-agents-for-beginners
Για Powershell:
Set-Location ai-agents-for-beginners
Στη συνέχεια, καθορίστε ποιοι φάκελοι χρειάζεστε (το παρακάτω παράδειγμα 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 όλες τις λειτουργίες του Git: δεν θα μπορείτε να κάνετε commits, pulls, pushes ή να έχετε πρόσβαση στο ιστορικό).
Για Linux/macOS:
rm -rf .git
Για Windows:
Remove-Item -Recurse -Force .git
Δημιουργήστε έναν νέο Codespace για αυτό το αποθετήριο μέσω του GitHub UI.
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 σας ταιριάζει καλύτερα.
Όποια επιλογή και αν επιλέξετε, θα καθορίσει ποια βήματα ρύθμισης πρέπει να ακολουθήσετε παρακάτω:
ΣΗΜΕΙΩΣΗ: Εάν δεν έχετε εγκαταστήσει το Python3.12, βεβαιωθείτε ότι το εγκαταστήσατε. Στη συνέχεια, δημιουργήστε το venv σας χρησιμοποιώντας το python3.12 για να διασφαλίσετε ότι οι σωστές εκδόσεις εγκαθίστανται από το αρχείο requirements.txt.
Παράδειγμα
Δημιουργία καταλόγου Python venv:
python3 -m venv venv
Στη συνέχεια, ενεργοποιήστε το περιβάλλον venv για:
macOS και Linux
source venv/bin/activate
Windows
venv\Scripts\activate
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 να δημιουργήσετε ένα εικονικό περιβάλλον Python για να αποφύγετε τυχόν συγκρούσεις και προβλήματα.
Βεβαιωθείτε ότι χρησιμοποιείτε τη σωστή έκδοση του Python στο VSCode.
Αυτό το μάθημα χρησιμοποιεί το GitHub Models Marketplace, παρέχοντας δωρεάν πρόσβαση σε Μεγάλα Μοντέλα Γλώσσας (LLMs) που θα χρησιμοποιήσετε για να δημιουργήσετε AI Agents.
Για να χρησιμοποιήσετε τα GitHub Models, θα χρειαστεί να δημιουργήσετε ένα Προσωπικό Token Πρόσβασης στο GitHub.
Αυτό μπορεί να γίνει πηγαίνοντας στις ρυθμίσεις Προσωπικών Tokens Πρόσβασης στον λογαριασμό σας στο GitHub.
Παρακαλώ ακολουθήστε την Αρχή της Ελάχιστης Προνομιακής Πρόσβασης όταν δημιουργείτε το token σας. Αυτό σημαίνει ότι θα πρέπει να δώσετε στο token μόνο τις άδειες που χρειάζεται για να εκτελέσει τα δείγματα κώδικα αυτού του μαθήματος.
Επιλέξτε την επιλογή Fine-grained tokens στην αριστερή πλευρά της οθόνης σας, μεταβαίνοντας στις Ρυθμίσεις Προγραμματιστή

Στη συνέχεια, επιλέξτε Generate new token.

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 μεγαλύτερη ασφάλεια, μπορείτε να επιλέξετε μικρότερη περίοδο—όπως 7 ημέρες 🛡️ Είναι ένας καλός τρόπος να θέσετε έναν προσωπικό στόχο και να ολοκληρώσετε το μάθημα ενώ η διάθεση για μάθηση είναι υψηλή 🚀.

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

Περιορίστε τα δικαιώματα του token: Στην καρτέλα Permissions, κάντε κλικ στην καρτέλα Account και πατήστε το κουμπί “+ Add permissions”. Θα εμφανιστεί ένα αναπτυσσόμενο μενού. Αναζητήστε Models και επιλέξτε το κουτάκι.

Επαληθεύστε τα απαιτούμενα δικαιώματα πριν δημιουργήσετε το token. 
Πριν δημιουργήσετε το token, βεβαιωθείτε ότι είστε έτοιμοι να αποθηκεύσετε το token σε ασφαλές μέρος, όπως ένα θησαυροφυλάκιο διαχείρισης 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.
.envΓια να δημιουργήσετε το αρχείο .env, εκτελέστε την παρακάτω εντολή στο τερματικό σας.
cp .env.example .env
Αυτό θα αντιγράψει το παράδειγμα αρχείου 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.
Ακολουθήστε τα βήματα για τη δημιουργία ενός hub και ενός έργου στο Azure AI Foundry που βρίσκονται εδώ: Επισκόπηση πόρων Hub
Μόλις 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 του Azure AI Foundry.

.envΓια να δημιουργήσετε το αρχείο .env, εκτελέστε την παρακάτω εντολή στο τερματικό σας.
cp .env.example .env
Αυτό θα αντιγράψει το παράδειγμα αρχείου 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.
Ως βέλτιστη πρακτική ασφαλείας, θα χρησιμοποιήσουμε keyless authentication για να συνδεθούμε 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.
Μόλις συνδεθείτε, επιλέξτε τη συνδρομή σας στο τερματικό.
Για το μάθημα Agentic RAG - Μάθημα 5 - υπάρχουν δείγματα που χρησιμοποιούν το Azure Search και το Azure OpenAI.
Εάν θέλετε να εκτελέσετε αυτά τα δείγματα, θα χρειαστεί να προσθέσετε τις παρακάτω μεταβλητές περιβάλλοντος στο αρχείο .env σας:
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 Περιλαμβανόμενες δυνατότητες για την Υπηρεσία Azure OpenAI στη σελίδα Επισκόπηση.
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. Εάν δεν αναφέρεται, ελέγξτε την πύλη Azure στον πόρο της ομάδας σας για το όνομα του πόρου AI Services.
AZURE_OPENAI_EMBEDDING_DEPLOYMENT_NAME - Επιλέξτε το μοντέλο ενσωμάτωσης σας (π.χ., text-embedding-ada-002) και σημειώστε το Όνομα ανάπτυξης από τις λεπτομέρειες του μοντέλου.
AZURE_OPENAI_CHAT_DEPLOYMENT_NAME - Επιλέξτε το μοντέλο συνομιλίας σας (π.χ., gpt-4o-mini) και σημειώστε το Όνομα ανάπτυξης από τις λεπτομέρειες του μοντέλου.
AZURE_OPENAI_ENDPOINT - Αναζητήστε Υπηρεσίες Azure AI, κάντε κλικ σε αυτό, στη συνέχεια μεταβείτε στη Διαχείριση Πόρων, Κλειδιά και Endpoint, και μετακινηθείτε προς τα κάτω στα “Endpoints Azure OpenAI” και αντιγράψτε αυτό που λέει “Language APIs”.
AZURE_OPENAI_API_KEY - Από την ίδια οθόνη, αντιγράψτε το ΚΛΕΙΔΙ
Αν αντιμετωπίζετε οποιοδήποτε πρόβλημα με την εκτέλεση αυτής της εγκατάστασης, μπείτε στο Azure AI Community Discord ή δημιουργήστε ένα ζήτημα.
Είστε πλέον έτοιμοι να εκτελέσετε τον κώδικα για αυτό το μάθημα. Καλή σας μάθηση για τον κόσμο των Πρακτόρων Τεχνητής Νοημοσύνης!
Εισαγωγή στους Πράκτορες Τεχνητής Νοημοσύνης και τις Χρήσεις τους
Αποποίηση ευθύνης:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης AI Co-op Translator. Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να γνωρίζετε ότι οι αυτοματοποιημένες 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.