ai-agents-for-beginners

Ρύθμιση Μαθήματος

Εισαγωγή

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

Εγγραφείτε με άλλους μαθητές και λάβετε βοήθεια

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.

Κλωνοποιήστε ή κάντε Fork αυτό το αποθετήριο

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:

Forked Repo

Κλωνοποίηση με περιορισμένο 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 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.

Γρήγορη κλωνοποίηση με περιορισμένο 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 (αραιή) κλωνοποίηση — ελάχιστα αρχεία + μόνο επιλεγμένοι φάκελοι

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

Χρήση του GitHub Codespaces (συνιστάται για αποφυγή μεγάλων τοπικών λήψεων)

Συμβουλές

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 σας ταιριάζει καλύτερα.

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

Απαιτήσεις

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.

Ρύθμιση VSCode

Βεβαιωθείτε ότι χρησιμοποιείτε τη σωστή έκδοση του Python στο VSCode.

image

Ρύθμιση για Δείγματα με Χρήση των GitHub Models

Βήμα 1: Ανάκτηση του Προσωπικού σας Token Πρόσβασης (PAT) από το GitHub

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.

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

    Στη συνέχεια, επιλέξτε Generate new token.

    Generate 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 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 🚀.

    Token Name and Expiration

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

    Limit scope to fork repository

  4. 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. Add Models Permission

  5. Επαληθεύστε τα απαιτούμενα δικαιώματα πριν δημιουργήσετε το token. Verify Permissions

  6. 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. Store Token Securely

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

Βήμα 2: Δημιουργήστε το αρχείο .env

Για 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. GitHub Token Field

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

Ρύθμιση για Δείγματα με Χρήση του Azure AI Foundry και της Υπηρεσίας Azure AI Agent

Βήμα 1: Ανάκτηση του Endpoint του Έργου σας στο Azure

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.

Project Connection String

Βήμα 2: Δημιουργήστε το αρχείο .env

Για 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.

Βήμα 3: Συνδεθείτε στο Azure

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.

Πρόσθετες Μεταβλητές Περιβάλλοντος - Azure Search και Azure OpenAI

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:

Σελίδα Επισκόπησης (Έργο)

Κέντρο Διαχείρισης

Σελίδα Μοντέλων + Endpoints

Πύλη Azure

Επόμενο Μάθημα

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.