ai-agents-for-beginners

Configuración del Curso

Introducción

Esta lección cubrirá cómo ejecutar los ejemplos de código de este curso.

Únete a Otros Estudiantes y Obtén Ayuda

Antes de comenzar a clonar tu repositorio, únete al canal de Discord AI Agents For Beginners para obtener ayuda con la configuración, cualquier pregunta sobre el curso o para conectar con otros estudiantes.

Clona o Haz Fork de este Repo

Para comenzar, por favor clona o haz un fork del repositorio de GitHub. Esto creará tu propia versión del material del curso para que puedas ejecutar, probar y modificar el código.

Esto se puede hacer haciendo clic en el enlace para hacer fork del repositorio

Ahora deberías tener tu propia versión bifurcada de este curso en el siguiente enlace:

Forked Repo

Clonación superficial (recomendada para taller / Codespaces)

El repositorio completo puede ser grande (~3 GB) cuando descargas todo el historial y todos los archivos. Si solo asistirás al taller o solo necesitas algunas carpetas de lecciones, una clonación superficial (o clonación parcial) evita la mayor parte de esa descarga al truncar el historial y/o saltarse blobs.

Clonación superficial rápida — historial mínimo, todos los archivos

Reemplaza <your-username> en los comandos a continuación con la URL de tu fork (o la URL upstream si prefieres).

Para clonar solo el historial del último commit (descarga pequeña):

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

Para clonar una rama específica:

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

Clonación parcial (sparse) — blobs mínimos + solo carpetas seleccionadas

Esto utiliza clonación parcial y sparse-checkout (requiere Git 2.25+ y se recomienda usar una versión moderna de Git con soporte para clonación parcial):

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

Entra en la carpeta del repo:

cd ai-agents-for-beginners

Luego especifica qué carpetas quieres (el ejemplo a continuación muestra dos carpetas):

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

Después de clonar y verificar los archivos, si solo necesitas los archivos y quieres liberar espacio (sin historial git), elimina los metadatos del repositorio (💀irreversible — perderás toda la funcionalidad de Git: sin commits, pulls, pushes ni acceso al historial).

# zsh/bash
rm -rf .git

# PowerShell
Remove-Item -Recurse -Force .git

Usando GitHub Codespaces (recomendado para evitar descargas grandes locales)

Consejos

Ejecución del Código

Este curso ofrece una serie de Jupyter Notebooks que puedes ejecutar para obtener experiencia práctica construyendo Agentes de IA.

Los ejemplos de código usan Microsoft Agent Framework (MAF) con el AzureAIProjectAgentProvider, que se conecta a Azure AI Agent Service V2 (la API de respuestas) a través de Microsoft Foundry.

Todos los notebooks Python están etiquetados como *-python-agent-framework.ipynb.

Requisitos

Hemos incluido un archivo requirements.txt en la raíz de este repositorio que contiene todos los paquetes Python necesarios para ejecutar los ejemplos de código.

Puedes instalarlos ejecutando el siguiente comando en tu terminal, desde la raíz del repositorio:

pip install -r requirements.txt

Recomendamos crear un entorno virtual Python para evitar conflictos y problemas.

Configura VSCode

Asegúrate de estar usando la versión correcta de Python en VSCode.

image

Configura Microsoft Foundry y Azure AI Agent Service

Paso 1: Crea un Proyecto Microsoft Foundry

Necesitas un hub y un proyecto de Azure AI Foundry con un modelo desplegado para ejecutar los notebooks.

  1. Ve a ai.azure.com e inicia sesión con tu cuenta de Azure.
  2. Crea un hub (o usa uno existente). Consulta: Resumen de recursos del Hub.
  3. Dentro del hub, crea un proyecto.
  4. Despliega un modelo (p.ej., gpt-4o) desde Modelos + Endpoints → Desplegar modelo.

Paso 2: Recupera el Endpoint de tu Proyecto y el Nombre de la Implementación del Modelo

Desde tu proyecto en el portal de Microsoft Foundry:

Project Connection String

Paso 3: Inicia sesión en Azure con az login

Todos los notebooks utilizan AzureCliCredential para la autenticación — no hay claves API que administrar. Esto requiere que hayas iniciado sesión mediante la CLI de Azure.

  1. Instala Azure CLI si aún no lo has hecho: aka.ms/installazurecli

  2. Inicia sesión ejecutando:

     az login

    O si estás en un entorno remoto/Codespace sin navegador:

     az login --use-device-code

  3. Selecciona tu suscripción si te lo solicita — elige la que contiene tu proyecto Foundry.

  4. Verifica que estás conectado:

     az account show

¿Por qué az login? Los notebooks se autentican usando AzureCliCredential del paquete azure-identity. Esto significa que tu sesión de Azure CLI proporciona las credenciales — no necesitas claves API ni secretos en tu archivo .env. Esto es una mejor práctica de seguridad.

Paso 4: Crea tu archivo .env

Copia el archivo de ejemplo:

# zsh/bash
cp .env.example .env

# PowerShell
Copy-Item .env.example .env

Abre .env y completa estos dos valores:

AZURE_AI_PROJECT_ENDPOINT=https://<your-project>.services.ai.azure.com/api/projects/<your-project-id>
AZURE_AI_MODEL_DEPLOYMENT_NAME=gpt-4o
Variable Dónde encontrarlo
AZURE_AI_PROJECT_ENDPOINT Portal Foundry → tu proyecto → página de Resumen
AZURE_AI_MODEL_DEPLOYMENT_NAME Portal Foundry → Modelos + Endpoints → nombre del modelo desplegado

¡Eso es todo para la mayoría de las lecciones! Los notebooks se autenticarán automáticamente a través de tu sesión az login.

Paso 5: Instala las Dependencias de Python

pip install -r requirements.txt

Recomendamos ejecutar esto dentro del entorno virtual que creaste antes.

Configuración Adicional para la Lección 5 (Agentic RAG)

La lección 5 usa Azure AI Search para generación aumentada por recuperación. Si planeas ejecutar esa lección, añade estas variables a tu archivo .env:

Variable Dónde encontrarlo
AZURE_SEARCH_SERVICE_ENDPOINT Portal Azure → tu recurso Azure AI Search → Resumen → URL
AZURE_SEARCH_API_KEY Portal Azure → tu recurso Azure AI Search → Configuración → Claves → clave principal de administrador

Configuración Adicional para las Lecciones 6 y 8 (Modelos GitHub)

Algunos notebooks en las lecciones 6 y 8 usan Modelos GitHub en lugar de Azure AI Foundry. Si planeas ejecutar esos ejemplos, añade estas variables a tu archivo .env:

Variable Dónde encontrarlo
GITHUB_TOKEN GitHub → Configuración → Configuración de desarrollador → Tokens de acceso personal
GITHUB_ENDPOINT Usa https://models.inference.ai.azure.com (valor predeterminado)
GITHUB_MODEL_ID Nombre del modelo a usar (e.g., gpt-4o-mini)

Configuración Adicional para la Lección 8 (Flujo de Trabajo Bing Grounding)

El notebook de flujo de trabajo condicional en la lección 8 usa Bing grounding vía Azure AI Foundry. Si planeas ejecutar ese ejemplo, añade esta variable a tu archivo .env:

Variable Dónde encontrarlo
BING_CONNECTION_ID Portal Azure AI Foundry → tu proyecto → Administración → Recursos conectados → tu conexión Bing → copia el ID de conexión

Resolución de Problemas

Errores de Verificación de Certificado SSL en macOS

Si estás en macOS y ves un error así:

ssl.SSLCertVerificationError: [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed: self-signed certificate in certificate chain

Este es un problema conocido con Python en macOS donde los certificados SSL del sistema no se confían automáticamente. Prueba las siguientes soluciones en orden:

Opción 1: Ejecuta el script Install Certificates de Python (recomendado)

# Reemplace 3.XX con la versión de Python que tiene instalada (por ejemplo, 3.12 o 3.13):
/Applications/Python\ 3.XX/Install\ Certificates.command

Opción 2: Usa connection_verify=False en tu notebook (solo para notebooks de Modelos GitHub)

En el notebook de la Lección 6 (06-building-trustworthy-agents/code_samples/06-system-message-framework.ipynb), ya hay una solución alternativa comentada. Descomenta connection_verify=False cuando crees el cliente:

client = ChatCompletionsClient(
    endpoint=endpoint,
    credential=AzureKeyCredential(token),
    connection_verify=False,  # Deshabilitar la verificación SSL si encuentra errores de certificado
)

⚠️ Advertencia: Deshabilitar la verificación SSL (connection_verify=False) reduce la seguridad al omitir la validación del certificado. Utilízalo solo como una solución temporal en entornos de desarrollo, nunca en producción.

Opción 3: Instala y usa truststore

pip install truststore

Luego añade lo siguiente al inicio de tu notebook o script antes de hacer cualquier llamada en red:

import truststore
truststore.inject_into_ssl()

¿Atascado en algún punto?

Si tienes problemas para ejecutar esta configuración, únete a nuestro Discord de la Comunidad Azure AI o crea un issue.

Próxima Lección

Ahora ya estás listo para ejecutar el código de este curso. ¡Disfruta aprendiendo más sobre el mundo de los Agentes de IA!

Introducción a Agentes de IA y Casos de Uso de Agentes

Aviso legal:
Este documento ha sido traducido utilizando el servicio de traducción automática Co-op Translator. Aunque nos esforzamos por la exactitud, tenga en cuenta que las traducciones automatizadas pueden contener errores o inexactitudes. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda una traducción profesional realizada por humanos. No nos hacemos responsables de malentendidos o interpretaciones erróneas derivadas del uso de esta traducción.

This site is open source. Improve this page.