ai-agents-for-beginners

Configuration du cours

Introduction

Cette leçon couvrira comment exécuter les exemples de code de ce cours.

Rejoignez d’autres apprenants et obtenez de l’aide

Avant de commencer à cloner votre dépôt, rejoignez le canal Discord AI Agents For Beginners pour obtenir de l’aide sur la configuration, poser des questions sur le cours ou vous connecter avec d’autres apprenants.

Cloner ou forker ce dépôt

Pour commencer, veuillez cloner ou forker le dépôt GitHub. Cela créera votre propre version du matériel du cours afin que vous puissiez exécuter, tester et modifier le code !

Cela peut être fait en cliquant sur le lien pour forker le dépôt.

Vous devriez maintenant avoir votre propre version forkée de ce cours au lien suivant :

Dépôt forké

Clone superficiel (recommandé pour les ateliers / Codespaces)

Le dépôt complet peut être volumineux (~3 Go) lorsque vous téléchargez tout l’historique et tous les fichiers. Si vous assistez uniquement à l’atelier ou avez besoin de quelques dossiers de leçons, un clone superficiel (ou un clone partiel) évite la plupart de ce téléchargement en tronquant l’historique et/ou en sautant les blobs.

Clone superficiel rapide — historique minimal, tous les fichiers

Remplacez <your-username> dans les commandes ci-dessous par l’URL de votre fork (ou l’URL d’origine si vous préférez).

Pour cloner uniquement l’historique du dernier commit (petit téléchargement) :

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

Pour cloner une branche spécifique :

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

Clone partiel (sparse) — blobs minimaux + seulement les dossiers sélectionnés

Cela utilise un clone partiel et un sparse-checkout (nécessite Git 2.25+ et recommandé avec un Git moderne prenant en charge le clone partiel) :

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

Accédez au dossier du dépôt :

cd ai-agents-for-beginners

Ensuite, spécifiez les dossiers que vous souhaitez (l’exemple ci-dessous montre deux dossiers) :

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

Après avoir cloné et vérifié les fichiers, si vous n’avez besoin que des fichiers et souhaitez libérer de l’espace (sans historique Git), veuillez supprimer les métadonnées du dépôt (💀irréversible — vous perdrez toutes les fonctionnalités Git : pas de commits, pulls, pushes ou accès à l’historique).

# zsh/bash
rm -rf .git

# PowerShell
Remove-Item -Recurse -Force .git

Utilisation de GitHub Codespaces (recommandé pour éviter les téléchargements locaux volumineux)

Conseils

Exécution du code

Ce cours propose une série de Jupyter Notebooks que vous pouvez exécuter pour acquérir une expérience pratique dans la création d’agents IA.

Les exemples de code utilisent soit :

Requiert un compte GitHub - Gratuit :

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

Requiert un abonnement Azure : 3) Azure AI Foundry + Azure AI Agent Service. Étiqueté comme (azureaiagent.ipynb)

Nous vous encourageons à essayer les trois types d’exemples pour voir lequel fonctionne le mieux pour vous.

Quel que soit l’option choisie, cela déterminera les étapes de configuration que vous devrez suivre ci-dessous :

Prérequis

Nous avons inclus un fichier requirements.txt à la racine de ce dépôt contenant tous les packages Python nécessaires pour exécuter les exemples de code.

Vous pouvez les installer en exécutant la commande suivante dans votre terminal à la racine du dépôt :

pip install -r requirements.txt

Nous recommandons de créer un environnement virtuel Python pour éviter tout conflit ou problème.

Configuration de VSCode

Assurez-vous d’utiliser la bonne version de Python dans VSCode.

image

Configuration pour les exemples utilisant les modèles GitHub

Étape 1 : Récupérez votre jeton d’accès personnel GitHub (PAT)

Ce cours utilise le GitHub Models Marketplace, offrant un accès gratuit à des modèles de langage étendus (LLMs) que vous utiliserez pour créer des agents IA.

Pour utiliser les modèles GitHub, vous devrez créer un jeton d’accès personnel GitHub.

Cela peut être fait en accédant à vos paramètres de jetons d’accès personnel dans votre compte GitHub.

Veuillez suivre le principe du moindre privilège lors de la création de votre jeton. Cela signifie que vous ne devez donner au jeton que les permissions nécessaires pour exécuter les exemples de code de ce cours.

  1. Sélectionnez l’option Fine-grained tokens sur le côté gauche de votre écran en accédant aux paramètres du développeur.

    Paramètres du développeur

    Ensuite, sélectionnez Generate new token.

    Générer un jeton

  2. Entrez un nom descriptif pour votre jeton qui reflète son objectif, afin de le reconnaître facilement plus tard.

    🔐 Recommandation de durée du jeton

    Durée recommandée : 30 jours
    Pour une posture plus sécurisée, vous pouvez opter pour une période plus courte — comme 7 jours 🛡️
    C’est une excellente façon de se fixer un objectif personnel et de terminer le cours tout en maintenant votre élan d’apprentissage 🚀.

    Nom et expiration du jeton

  3. Limitez la portée du jeton à votre fork de ce dépôt.

    Limiter la portée au dépôt forké

  4. Restreignez les permissions du jeton : Sous Permissions, cliquez sur l’onglet Account, puis sur le bouton “+ Add permissions”. Un menu déroulant apparaîtra. Veuillez rechercher Models et cocher la case correspondante.

    Ajouter la permission Models

  5. Vérifiez les permissions requises avant de générer le jeton. Vérifier les permissions

  6. Avant de générer le jeton, assurez-vous d’être prêt à le stocker dans un endroit sécurisé comme un coffre-fort de gestionnaire de mots de passe, car il ne sera plus affiché après sa création. Stocker le jeton en toute sécurité

Copiez votre nouveau jeton que vous venez de créer. Vous allez maintenant l’ajouter à votre fichier .env inclus dans ce cours.

Étape 2 : Créez votre fichier .env

Pour créer votre fichier .env, exécutez la commande suivante dans votre terminal.

# zsh/bash
cp .env.example .env

# PowerShell
Copy-Item .env.example .env

Cela copiera le fichier exemple et créera un fichier .env dans votre répertoire où vous remplirez les valeurs des variables d’environnement.

Avec votre jeton copié, ouvrez le fichier .env dans votre éditeur de texte préféré et collez votre jeton dans le champ GITHUB_TOKEN.

Champ du jeton GitHub

Vous devriez maintenant être en mesure d’exécuter les exemples de code de ce cours.

Configuration pour les exemples utilisant Azure AI Foundry et Azure AI Agent Service

Étape 1 : Récupérez votre point de terminaison de projet Azure

Suivez les étapes pour créer un hub et un projet dans Azure AI Foundry ici : Vue d’ensemble des ressources du hub

Une fois que vous avez créé votre projet, vous devrez récupérer la chaîne de connexion pour votre projet.

Cela peut être fait en accédant à la page Vue d’ensemble de votre projet dans le portail Azure AI Foundry.

Chaîne de connexion du projet

Étape 2 : Créez votre fichier .env

Pour créer votre fichier .env, exécutez la commande suivante dans votre terminal.

# zsh/bash
cp .env.example .env

# PowerShell
Copy-Item .env.example .env

Cela copiera le fichier exemple et créera un fichier .env dans votre répertoire où vous remplirez les valeurs des variables d’environnement.

Avec votre jeton copié, ouvrez le fichier .env dans votre éditeur de texte préféré et collez votre jeton dans le champ PROJECT_ENDPOINT.

Étape 3 : Connectez-vous à Azure

En tant que bonne pratique de sécurité, nous utiliserons l’authentification sans clé pour nous authentifier à Azure OpenAI avec Microsoft Entra ID.

Ensuite, ouvrez un terminal et exécutez az login --use-device-code pour vous connecter à votre compte Azure.

Une fois connecté, sélectionnez votre abonnement dans le terminal.

Variables d’environnement supplémentaires - Azure Search et Azure OpenAI

Pour la leçon Agentic RAG - Leçon 5 - il existe des exemples utilisant Azure Search et Azure OpenAI.

Si vous souhaitez exécuter ces exemples, vous devrez ajouter les variables d’environnement suivantes à votre fichier .env :

Page Vue d’ensemble (Projet)

Centre de gestion

Page Modèles + Points de terminaison

Portail Azure

Page externe

Configuration de l’authentification sans clé

Plutôt que de coder en dur vos identifiants, nous utiliserons une connexion sans clé avec Azure OpenAI. Pour ce faire, nous importerons DefaultAzureCredential et appellerons ensuite la fonction DefaultAzureCredential pour obtenir l’identifiant.

# Python
from azure.identity import DefaultAzureCredential, InteractiveBrowserCredential

Vous êtes bloqué quelque part ?

Si vous rencontrez des problèmes avec cette configuration, rejoignez notre Discord de la communauté Azure AI ou créez un problème.

Leçon suivante

Vous êtes maintenant prêt à exécuter le code de ce cours. Bonne découverte du monde des agents IA !

Introduction aux agents IA et cas d’utilisation des agents

Avertissement :
Ce document a été traduit à l’aide du service de traduction automatique Co-op Translator. Bien que nous nous efforcions d’assurer l’exactitude, veuillez noter que les traductions automatisées peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue d’origine doit être considéré comme la source faisant autorité. Pour des informations critiques, il est recommandé de recourir à une traduction humaine professionnelle. Nous ne sommes pas responsables des malentendus ou des interprétations erronées résultant de l’utilisation de cette traduction.

This site is open source. Improve this page.