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 un Fork de este Repositorio

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 un fork del repositorio

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

Repositorio Bifurcado

Clonación Superficial (recomendado para talleres / 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 las lecciones, una clonación superficial (o clonación dispersa) evita la mayoría de esa descarga al truncar el historial y/o saltar los blobs.

Clonación rápida superficial — historial mínimo, todos los archivos

Reemplaza <your-username> en los comandos siguientes con la URL de tu fork (o la URL original 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 (dispersa) — blobs mínimos + solo carpetas seleccionadas

Esto usa clonación parcial y sparse-checkout (requiere Git 2.25+ y se recomienda Git moderno con soporte de 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 repositorio:

cd ai-agents-for-beginners

Luego especifica qué carpetas quieres (el ejemplo abajo 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 de git), elimina la metadata del repositorio (💀 irreversible — perderás toda funcionalidad de Git: sin commits, pulls, pushes ni acceso al historial).

# zsh/bash
rm -rf .git

# PowerShell
Remove-Item -Recurse -Force .git

Uso de GitHub Codespaces (recomendado para evitar grandes descargas locales)

Consejos

Ejecutando el 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 FoundryChatClient, que se conecta con Microsoft Foundry Agent Service V2 (la API de Respuestas) a través de Microsoft Foundry.

Todos los notebooks en 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 en la raíz del repositorio:

pip install -r requirements.txt

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

Configurar VSCode

Asegúrate de usar la versión correcta de Python en VSCode.

imagen

Configurar Microsoft Foundry y Microsoft Foundry Agent Service

Paso 1: Crear un Proyecto Microsoft Foundry

Necesitas un hub y un proyecto de Microsoft 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). Ver: Resumen de recursos Hub.
  3. Dentro del hub, crea un proyecto.
  4. Despliega un modelo (por ejemplo, gpt-5-mini) desde Modelos + Endpoints → Desplegar modelo.

Paso 2: Obtén el Endpoint de tu Proyecto y el Nombre del Despliegue del Modelo

Desde tu proyecto en el portal de Microsoft Foundry:

Cadena de Conexión del Proyecto

Paso 3: Inicia sesión en Azure con az login

Todos los notebooks usan AzureCliCredential para autenticación — no hay claves API que gestionar. Esto requiere que estés autenticado vía Azure CLI.

  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 se solicita — elige la que contenga tu proyecto Foundry.

  4. Verifica que has iniciado sesión:

     az account show

¿Por qué az login? Los notebooks se autentican usando AzureCliCredential del paquete azure-identity. Esto significa que tu sesión Azure CLI proporciona las credenciales — sin claves API o secretos en tu archivo .env. Esto es una práctica recomendada 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 rellena 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-5-mini
Variable Dónde encontrarla
AZURE_AI_PROJECT_ENDPOINT Portal Foundry → tu proyecto → página Resumen
AZURE_AI_MODEL_DEPLOYMENT_NAME Portal Foundry → Modelos + Endpoints → nombre de tu 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 anteriormente.

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, agrega estas variables a tu archivo .env:

Variable Dónde encontrarla
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 administrativa primaria

Configuración Adicional para Lecciones que Llaman Azure OpenAI Directamente (Lecciones 6 y 8)

Algunos notebooks en las lecciones 6 y 8 llaman a Azure OpenAI directamente (usando la API de Respuestas) en lugar de pasar por un proyecto Microsoft Foundry. Estos ejemplos usaban anteriormente Modelos de GitHub, que están obsoletos (retiro en julio de 2026) y no soportan la API de Respuestas. Si planeas ejecutar esos ejemplos, agrega estas variables a tu archivo .env:

Variable Dónde encontrarla
AZURE_OPENAI_ENDPOINT Portal Azure → tu recurso Azure OpenAI → Claves y Endpoint → Endpoint (ej. https://<tu-recurso>.openai.azure.com)
AZURE_OPENAI_DEPLOYMENT Nombre de tu modelo desplegado (ej. gpt-5-mini) que soporta la API de Respuestas
AZURE_OPENAI_API_KEY Opcional — solo si usas autenticación basada en clave en lugar de az login / Entra ID

La API de Respuestas usa el endpoint estable /openai/v1/, así que no se requiere api-version. Inicia sesión con az login para usar autenticación Entra ID sin clave.

Proveedor Alternativo: MiniMax (Compatible con OpenAI)

MiniMax ofrece modelos de contexto grande (hasta 204K tokens) a través de una API compatible con OpenAI. Como el OpenAIChatClient del Microsoft Agent Framework funciona con cualquier endpoint compatible con OpenAI, puedes usar MiniMax como alternativa directa a Azure OpenAI o OpenAI.

Agrega estas variables a tu archivo .env:

Variable Dónde encontrarla
MINIMAX_API_KEY Plataforma MiniMax → Claves API
MINIMAX_BASE_URL Usa https://api.minimax.io/v1 (valor por defecto)
MINIMAX_MODEL_ID Nombre del modelo a usar (ej., MiniMax-M3)

Modelos ejemplo: MiniMax-M3 (recomendado), MiniMax-M2.7, MiniMax-M2.7-highspeed (respuestas más rápidas). Los nombres y disponibilidad de modelos pueden cambiar con el tiempo, y el acceso a un modelo dado puede depender de tu cuenta o región — verifica la Plataforma MiniMax para la lista actual. Si MiniMax-M3 no está disponible para tu cuenta, configura MINIMAX_MODEL_ID a un modelo al que tengas acceso (ej. MiniMax-M2.7).

Los ejemplos de código que usan OpenAIChatClient (ej., flujo de reserva de hotel de la Lección 14) detectarán y usarán automáticamente tu configuración MiniMax cuando MINIMAX_API_KEY esté configurado.

Proveedor Alternativo: Foundry Local (Ejecuta Modelos en el Dispositivo)

Foundry Local es un runtime ligero que descarga, gestiona y sirve modelos de lenguaje entero en tu propia máquina a través de una API compatible con OpenAI — sin nube, sin suscripción Azure y sin claves API. Es una gran opción para desarrollo offline, experimentar sin costos en la nube o mantener datos en el dispositivo.

Como el OpenAIChatClient del Microsoft Agent Framework trabaja con cualquier endpoint compatible con OpenAI, Foundry Local es una alternativa local que se integra a Azure OpenAI.

1. Instala Foundry Local

# Windows
winget install Microsoft.FoundryLocal

# macOS
brew install foundrylocal

2. Descarga y ejecuta un modelo (esto también inicia el servicio local):

foundry model list          # ver modelos disponibles
foundry model run phi-4-mini

3. Instala el SDK de Python usado para descubrir el endpoint local:

pip install foundry-local-sdk

4. Apunta el Microsoft Agent Framework a tu modelo local:

from foundry_local import FoundryLocalManager
from agent_framework.openai import OpenAIChatClient

# Descarga (si es necesario) y sirve el modelo localmente, luego descubre el endpoint/puerto.
manager = FoundryLocalManager("phi-4-mini")

chat_client = OpenAIChatClient(
    base_url=manager.endpoint,      # p.ej. http://localhost:<port>/v1
    api_key=manager.api_key,        # siempre "no requerido" para 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.",
)

Nota: Foundry Local expone un endpoint de Chat Completions compatible con OpenAI. Úsalo para desarrollo local y situaciones offline. Para el conjunto completo de funciones de la API de Respuestas (conversaciones con estado, orquestación profunda de herramientas y desarrollo estilo agente), usa Azure OpenAI o un proyecto Microsoft Foundry como se muestra en las lecciones. Consulta la documentación de Foundry Local para el catálogo actual de modelos y soporte de plataforma.

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

El cuaderno de trabajo condicional en la lección 8 utiliza Bing grounding a través de Microsoft Foundry. Si planeas ejecutar ese ejemplo, agrega esta variable a tu archivo .env:

Variable Dónde encontrarla
BING_CONNECTION_ID Portal Microsoft Foundry → tu proyecto → Gestión → Recursos conectados → tu conexión Bing → copia el ID de conexión

Solución de problemas

Errores de verificación de certificado SSL en macOS

Si estás en macOS y encuentras un error como:

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 son confiados automáticamente. Prueba las siguientes soluciones en orden:

Opción 1: Ejecutar el script de instalación de certificados de Python (recomendado)

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

Opción 2: Usar connection_verify=False en tu cuaderno (solo para cuadernos Models de GitHub)

En el cuaderno de la Lección 6 (06-building-trustworthy-agents/code_samples/06-system-message-framework.ipynb), ya se incluye una solución alternativa comentada. Descomenta connection_verify=False al crear 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 saltarse la validación de certificados. Usa esto solo como solución temporal en entornos de desarrollo, nunca en producción.

Opción 3: Instalar y usar truststore

pip install truststore

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

import truststore
truststore.inject_into_ssl()

¿Atascado en algún punto?

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

Próxima lección

Ahora estás listo para ejecutar el código de este curso. ¡Feliz aprendizaje sobre el mundo de los Agentes de IA!

Introducción a los Agentes de IA y Casos de uso de Agentes

Descargo de responsabilidad: Este documento ha sido traducido utilizando el servicio de traducción automática Co-op Translator. Aunque nos esforzamos por la precisión, 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 humana. No somos responsables de cualquier malentendido o interpretación errónea que surja del uso de esta traducción.

This site is open source. Improve this page.