ai-agents-for-beginners

ការតំឡើងវគ្គសិក្សា

ការណែនាំ

មេរៀននេះនឹងពិភាក្សាពីរបៀបដំណើរការឧទាហរណ៍កូដនៃវគ្គសិក្សានេះ។

ចូលរួមជាមួយអ្នករៀនផ្សេងទៀត និងទទួលបានជំនួយ

មុនពេលអ្នកចាប់ផ្តើមបង្កើតច្បាប់ចម្លង repo របស់អ្នក សូមចូលរួមក្នុង ប៉ុស្តិ៍ AI Agents For Beginners Discord channel ដើម្បីទទួលបានជំនួយណាមួយទាក់ទងនឹងការតំឡើង, សំណួរអំពីវគ្គសិក្សា, ឬដើម្បីភ្ជាប់ជាមួយអ្នករៀនផ្សេងទៀត។

ចម្លងឬចុះបញ្ជី Fork Repo នេះ

ដើម្បីចាប់ផ្តើម សូមចម្លងឬ fork GitHub Repository។ នេះនឹងបង្កើតជំនាន់ផ្ទាល់ខ្លួនរបស់អ្នកនៃសម្ភារៈវគ្គសិក្សា ដើម្បីអោយអ្នកអាចដំណើរការ, សាកល្បង, និងកែប្រែកូដបាន!

អ្នកអាចធ្វើបានដោយចុចលីងទៅ fork the repo

ឥឡូវនេះអ្នកគួរតែមានជំនាន់ fork ផ្ទាល់ខ្លួនរបស់វគ្គសិក្សានេះនៅលីងដូចខាងក្រោម៖

ចម្លង Shallow (ផ្ដល់អនុសាសន៍សម្រាប់សិក្ខាសាលា / Codespaces)

Repository ពេញលេញអាចធំ (~3 GB) នៅពេលអ្នកទាញយកប្រវត្តិពេញលេញនិងឯកសារទាំងអស់។ ប្រសិនបើអ្នកតែចូលរួមសិក្ខាសាលា ឬត្រូវការត្រឹមតែមេរៀនខ្លះៗទេ ភាពចម្លង shallow (ឬ sparse clone) នឹងជៀសវាងការទាញយកភាគច្រើនដោយកាត់បន្ថយប្រវត្តិនិង/ឬបដិសេធ blobs។

ចម្លង shallow លឿន — ប្រវត្តិទាបជាង គ្រប់ឯកសារ

ជំនួស <your-username> ក្នុងពាក្យបញ្ជានៅខាងក្រោមជាមួយ URL fork របស់អ្នក (ឬ URL upstream ប្រសិនបើអ្នកចូលចិត្ត)។

ដើម្បីចម្លងតែប្រវត្តិ commit ចុងក្រោយប៉ុណ្ណោះ (ទាញយកតិច):

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

ដើម្បីចម្លងសាខាតែមួយច្បាស់លាស់:

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

ចម្លង​បង្រួម (sparse) — blobs ទាបបំផុត + ត្រឹមតែថតដែលបានជ្រើសរើស

វានៅត្រូវការចម្លងបង្រួម និង sparse-checkout (តម្រូវ Git 2.25+ និងផ្ដល់អនុសាសន៍ថ្មីសម្រាប់ Git មាន partial clone):

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

ចូលទៅក្នុងថត repo:

cd ai-agents-for-beginners

បន្ទាប់មកបញ្ជាក់ថតដែលអ្នកចង់បាន (ឧទាហរណ៍ខាងក្រោមបង្ហាញពីពីរថត):

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

បន្ទាប់ពីចម្លងនិងផ្ទៀងផ្ទាត់ឯកសារ ប្រសិនបើអ្នកត្រូវការតែឯកសារនិងចង់សំអាតកន្លែងទំនេរ (គ្មានប្រវត្តិ git) សូមលុបបណ្តាញទិន្នន័យ repo (💀 មិនអាចប្រតិបត្តិឡើងវិញ — អ្នកនឹងបាត់បង់មុខងារ Git ទាំងឡាយ៖ គ្មាន commit, pull, push ឬការចូលប្រវត្តិ)។

# zsh/bash
rm -rf .git

# PowerShell
Remove-Item -Recurse -Force .git

ប្រើ GitHub Codespaces (ផ្ដល់អនុសាសន៍ដើម្បីជៀសវាងការទាញយកធំៗនៅក្នុងម៉ាស៊ីន)

• បង្កើត Codespace ថ្មីសម្រាប់ repo នេះតាមរយៈ GitHub UI។

• នៅក្នុង terminal របស់ codespace ថ្មី បើកដំណើរការបញ្ជា shallow/sparse clone ខាងលើដើម្បីយកតែថតមេរៀនដែលអ្នកត្រូវការចូលទៅក្នុងបរិយាកាស Codespace។
• ជម្រើសបន្ថែម៖ បន្ទាប់ពីចម្លងក្នុង Codespaces សូមដក .git ដើម្បីស្ដារកន្លែងបន្ថែម (មើលបញ្ជាដកចេញខាងលើ)។
• សម្គាល់៖ ប្រសិនបើអ្នកចូលចិត្តបើក repo ដោយផ្ទាល់នៅក្នុង Codespaces (គ្មានការចម្លងបន្ថែម) សូមយល់ព្រមថា Codespaces នឹងរៀបចំបរិយាកាស devcontainer ហើយអាចនឹងពន្លឿនការផ្គត់ផ្គង់លើសត្រូវការដែរ។ ការ fork ចម្លង shallow ក្នុង Codespace ថ្មីផ្តល់ឱ្យអ្នកការត្រួតពិនិត្យល្អជាងការប្រើទំហំ hard disk។

យោបល់ជំនួយ

• តែងតែជំនួស URL ចម្លងជាមួយ fork របស់អ្នកប្រសិនបើចង់កែប្រែ/commit។
• ប្រសិនបើអ្នកត្រូវការប្រវត្តិឬឯកសារបន្ថែមពេលក្រោយ អ្នកអាច fetch ឬកែ sparse-checkout ដើម្បីបញ្ចូលថតបន្ថែម។

ដំណើរការកូដ

វគ្គសិក្សានេះផ្តល់អោយនូវ Jupyter Notebooks ដែលអ្នកអាចដំណើរការដើម្បីទទួលបទពិសោធន៍ដៃលើការបង្កើត AI Agents។

ឧទាហរណ៍កូដប្រើ Microsoft Agent Framework (MAF) ជាមួយ FoundryChatClient ដែលភ្ជាប់ទៅកាន់ Microsoft Foundry Agent Service V2 (API Responses) តាមរយៈ Microsoft Foundry។

កំណត់ត្រា Python ទាំងអស់ត្រូវបានស្លាក *-python-agent-framework.ipynb។

តម្រូវការ

• Python 3.12+

  • សម្គាល់៖ ប្រសិនអ្នកមិនមាន Python3.12 ត្រូវតែដំឡើងវា។ បន្ទាប់មកបង្កើត venv របស់អ្នកដោយប្រើ python3.12 ដើម្បីធានាថាចំំណែកត្រូវបានដំឡើងត្រឹមត្រូវពី requirements.txt។

    ឧទាហរណ៍

    បង្កើតថត Python venv:

    python -m venv venv
    

    បន្ទាប់មកបើកបរិយាកាស venv សម្រាប់:

    # zsh/bash
    source venv/bin/activate
    

    # Command Prompt for Windows
    venv\Scripts\activate
    

• .NET 10+: សម្រាប់ឧទាហរណ៍កូដដែលប្រើ .NET សូមដំឡើង .NET 10 SDK ឬថ្មីជាងនេះ។ បន្ទាប់មកពិនិត្យមើលកំណែ .NET SDK ដែលបានដំឡើងរបស់អ្នក។

    dotnet --list-sdks
  

• Azure CLI — តម្រូវឲ្យមានសម្រាប់ការផ្ទៀងផ្ទាត់។ ដំឡើងពី aka.ms/installazurecli។
• Azure Subscription — សម្រាប់ចូលដំណើរការទៅ Microsoft Foundry និង Microsoft Foundry Agent Service។
• Microsoft Foundry Project — គម្រោងមួយដែលមានម៉ូដែលបានចុះបញ្ជី (ឧ. gpt-5-mini)។ មើល ជំហានទី 1 ខាងក្រោម។

យើងបានបញ្ចូលឯកសារ requirements.txt នៅឬកណ្តាល repo នេះដែលមាន កញ្ចប់ Python រួមទាំងអស់ដែលត្រូវការដើម្បីរត់ឧទាហរណ៍កូដ។

អ្នកអាចដំឡើងវាដោយបញ្ជារបញ្ជាដូចខាងក្រោមក្នុង terminal នៅឬកណ្តាល repo៖

pip install -r requirements.txt

យើងផ្ដល់អនុសាសន៍បង្កើតបរិយាកាស Python virtual environment ដើម្បីជៀសវាងជំងឺផ្ទុះណាមួយនិងបញ្ហា។

កំណត់ VSCode

ត្រូវប្រាកដថាអ្នកកំពុងប្រើកំណែ Python ត្រឹមត្រូវនៅក្នុង VSCode។

កំណត់ Microsoft Foundry និង Microsoft Foundry Agent Service

ជំហាន 1៖ បង្កើតគម្រោង Microsoft Foundry

អ្នកត្រូវការប្រព័ន្ធ Microsoft Foundry hub និង project ដែលមានម៉ូដែលបានចុះបញ្ជីដើម្បីរត់ notebooks។

1. ចូលទៅ ai.azure.com ហើយចុះឈ្មោះជាមួយគណនី Azure របស់អ្នក។
2. បង្កើត hub (ឬប្រើវាដែលមានរួចមកហើយ)។ មើល៖ Hub resources overview។
3. ក្នុង hub បង្កើត project។
4. ចុះបញ្ជីម៉ូដែល (ឧ. gpt-5-mini) ពី Models + Endpoints → Deploy model។

ជំហាន 2៖ យក Endpoint គំរូនិងឈ្មោះម៉ូដែលចុះបញ្ជីរបស់អ្នក

ពីគម្រោងរបស់អ្នកក្នុង Microsoft Foundry portal៖

• Project Endpoint — ចូលទៅទំព័រ Overview ហើយចម្លង URL endpoint។

• Model Deployment Name — ចូលទៅ Models + Endpoints រើសម៉ូដែលដែលបានចុះបញ្ជី ហើយចំណាំឈ្មោះ Deployment name (ឧ. gpt-5-mini)។

ជំហាន 3៖ ចូលតាម Azure ជាមួយ az login

កំណត់ត្រាគ្រប់ទាំង notebooks ប្រើ AzureCliCredential សម្រាប់ការផ្ទៀងផ្ទាត់ — គ្មាន key API ត្រូវគ្រប់គ្រងទេ។ នេះទាមទារឲ្យអ្នកចូលតាម Azure CLI។

1. ដំឡើង Azure CLI ប្រសិនបើអ្នកមិនទាន់មានៈ aka.ms/installazurecli

2. ចូល ដោយបញ្ជារបញ្ជា:

    az login
   

   ប្រសិនអ្នកនៅក្នុងបរិយាកាស remote/Codespace ដែលគ្មាន browser:

    az login --use-device-code
   

3. ជ្រើសរើស subscription ប្រសិនបានស្នើ — ជ្រើសរើស subscription ដែលមានគម្រោង Foundry របស់អ្នក។

4. ផ្ទៀងផ្ទាត់ ថាអ្នកបានចូល។

    az account show
   

ហេតុអ្វីគួរប្រើ az login? notebooks ផ្ទៀងផ្ទាត់ដោយប្រើ AzureCliCredential ពី package azure-identity។ នេះមានន័យថា អង្គភាព Azure CLI របស់អ្នកផ្ដល់អត្តសញ្ញាណ — គ្មាន key API ឬសម្ងាត់នៅក្នុងឯកសារ .env។ នេះគឺជាលំនាំអនុវត្តល្អបំផុតក្នុងសន្តិសុខ។

ជំហាន 4៖ បង្កើតឯកសារ .env របស់អ្នក

ចម្លងឯកសារឧទាហរណ៍:

# zsh/bash
cp .env.example .env

# PowerShell
Copy-Item .env.example .env

បើក .env ហើយបំពេញតម្លៃទាំងពីរនេះ៖

AZURE_AI_PROJECT_ENDPOINT=https://<your-project>.services.ai.azure.com/api/projects/<your-project-id>
AZURE_AI_MODEL_DEPLOYMENT_NAME=gpt-5-mini

ប្លាក	កន្លែងរកឃើញ
AZURE_AI_PROJECT_ENDPOINT	កន្លែង Microsoft Foundry portal → គម្រោងរបស់អ្នក → ទំព័រ Overview
AZURE_AI_MODEL_DEPLOYMENT_NAME	Microsoft Foundry portal → Models + Endpoints → ឈ្មោះម៉ូដែលដែលបានចុះបញ្ជី

នេះគឺគ្រប់គ្រាន់សម្រាប់មេរៀនភាគច្រើន! notebooks នឹងផ្ទៀងផ្ទាត់ស្វ័យប្រវត្តិតាមរយៈសម័យ az login របស់អ្នក។

ជំហាន 5៖ តំឡើង Python Dependencies

pip install -r requirements.txt

យើងផ្ដល់អនុសាសន៍ដំណើរការនេះនៅក្នុងបរិយាកាស virtual environment ដែលអ្នកបានបង្កើតមុននេះ។

ការតំឡើងបន្ថែមសម្រាប់មេរៀនទី 5 (Agentic RAG)

មេរៀន 5 ប្រើ Azure AI Search សម្រាប់ការបង្កើតតាមការស្វែងរកបន្ថែម។ ប្រសិនបើអ្នកមានគម្រោងដំណើរការមេរៀននោះ សូមបន្ថែមប្លាកទាំងនេះទៅឯកសារ .env របស់អ្នក៖

ប្លាក	កន្លែងរក
AZURE_SEARCH_SERVICE_ENDPOINT	នាយកដ្ឋាន Azure → អ្នក resource Azure AI Search → Overview → URL
AZURE_SEARCH_API_KEY	នាយកដ្ឋាន Azure → អ្នក resource Azure AI Search → Settings → Keys → កូនសោគ្រប់គ្រងសំខាន់

ការតំឡើងបន្ថែមសម្រាប់មេរៀនដែលហៅ Azure OpenAI ដោយផ្ទាល់ (មេរៀនទី 6 និង 8)

គម្រោង notebooks ក្នុងមេរៀន 6 និង 8 ហៅ Azure OpenAI ដោយផ្ទាល់ (ប្រើ Responses API) ជំនួសមិនឲ្យឆ្លងកាត់គម្រោង Microsoft Foundry។ ឧទាហរណ៍នោះត្រូវបានប្រើក្រោយមក GitHub Models ដែលត្រូវបានលើកលែង (នឹងផុតកំណត់ត្រឡប់ខ្សែ ២០២៦ ខែកញ្ញា) ហើយមិនគាំទ្រ Responses API ទេ។ ប្រសិនបើអ្នកមានគម្រោងដំណើរការឧទាហរណ៍ទាំងនេះ សូមបន្ថែមប្លាកទាំងនេះទៅឯកសារ .env របស់អ្នក៖

ប្លាក	កន្លែងរក
AZURE_OPENAI_ENDPOINT	នាយកដ្ឋាន Azure → អ្នក resource Azure OpenAI → Keys and Endpoint → Endpoint (ឧ. https://<your-resource>.openai.azure.com)
AZURE_OPENAI_DEPLOYMENT	ឈ្មោះម៉ូដែលដែលបានចុះបញ្ជី (ឧ. gpt-5-mini) ដែលគាំទ្រ Responses API
AZURE_OPENAI_API_KEY	ជាចំណង់ចំណូល — តែបើអ្នកប្រើការផ្ទៀងផ្ទាត់ដោយ key ជំនួស az login / Entra ID

Responses API ប្រើ stable endpoint /openai/v1/ ដូច្នេះមិនចាំបាច់មាន api-version ទេ។ ចូលតាម az login ដើម្បីប្រើការផ្ទៀងផ្ទាត់ Entra ID ដោយគ្មាន key។

អ្នកផ្គត់ផ្គង់ជំនួស៖ MiniMax (បង្កើតស្របទៅ OpenAI)

MiniMax ផ្ដល់ម៉ូដែល context ធំ (រហូតដល់ 204K tokens) តាមរយៈ API ដែលស្របទៅ OpenAI។ ពីព្រោះ Microsoft Agent Framework OpenAIChatClient អាចប្រើជាមួយ endpoint ស្របទៅ OpenAI មួយណាក៏បាន អ្នកអាចប្រើ MiniMax ជាជំនួសត្រង់ទៅ Azure OpenAI ឬ OpenAI។

បន្ថែមប្លាកទាំងនេះទៅក្នុងឯកសារ .env របស់អ្នក៖

ប្លាក	កន្លែងរក
MINIMAX_API_KEY	MiniMax Platform → API Keys
MINIMAX_BASE_URL	ប្រើ https://api.minimax.io/v1 (តម្លៃលំនាំដើម)
MINIMAX_MODEL_ID	ឈ្មោះម៉ូដែលសម្រាប់ប្រើ (ឧ. MiniMax-M3)

ម៉ូដែលឧទាហរណ៍៖ MiniMax-M3 (ផ្តល់អនុសាសន៍), MiniMax-M2.7, MiniMax-M2.7-highspeed (ឆ្លើយតបលឿនជាង)។ ឈ្មោះម៉ូដែល និងភាពរួមមានអាចផ្លាស់ប្ដូរតាមពេលវេលា ហើយការចូលដំណើរការម៉ូដែលមួយអាចអាស្រ័យលើគណនីឬតំបន់របស់អ្នក — សូមពិនិត្យ MiniMax Platform សម្រាប់បញ្ជីបច្ចុប្បន្ន។ បើ MiniMax-M3 មិនអាចប្រើបាន សូមកំណត់ MINIMAX_MODEL_ID ទៅម៉ូដែលដែលអ្នកអាចចូលប្រើ (ឧ. MiniMax-M2.7)។

ឧទាហរណ៍កូដដែលប្រើ OpenAIChatClient (ឧ. មេរៀន 14 លំហាត់ការកក់សណ្ឋាគារ) នឹងស្វ័យប្រវត្តិកំណត់ហើយប្រើកំណត់រចនាសម្ព័ន្ធ MiniMax របស់អ្នកពេល MINIMAX_API_KEY ត្រូវបានកំណត់។

អ្នកផ្គត់ផ្គង់ជំនួស៖ Foundry Local (ដំណើរការម៉ូដែលលើឧបករណ៍)

Foundry Local គឺជាកម្មវិធី runtime ទ្រទ្រង់ស្រាលដែលទាញយក គ្រប់គ្រង និងបម្រើម៉ូដែលភាសា តែម្ដងនៅលើម៉ាស៊ីនរបស់អ្នកផ្ទាល់ តាមរយៈ API ស្របទៅ OpenAI — គ្មាន cloud, គ្មាន اشتراك Azure, ហើយគ្មាន key API។ វាជាជម្រើសល្អសម្រាប់ការអភិវឌ្ឍក្រៅបណ្តាញ សាកល្បងដោយគ្មានចំណាយ cloud, ឬរក្សាទិន្នន័យនៅលើឧបករណ៍។

ពីព្រោះ Microsoft Agent Framework OpenAIChatClient អាចប្រើជាមួយ endpoint ស្របទៅ OpenAI ណាមួយបាន Foundry Local គឺជាជំនួសក្នុងស្រុកមួយសម្រាប់ Azure OpenAI។

1. ដំឡើង Foundry Local

# វីនដូว์
winget install Microsoft.FoundryLocal

# ម៉ាក់អូអេស
brew install foundrylocal

2. ទាញយក ហើយរត់ម៉ូដែល (វានៅចាប់ផ្តើមសេវាកម្មក្នុងស្រុកផងដែរ)៖

foundry model list          # មើលម៉ូដែលដែលមានស្រាប់
foundry model run phi-4-mini

3. ដំឡើង Python SDK ដែលប្រើសម្រាប់រក endpoint ក្នុងស្រុក៖

pip install foundry-local-sdk

4. ផ្ដោត Microsoft Agent Framework នឹងម៉ូដែលក្នុងស្រុករបស់អ្នក៖

from foundry_local import FoundryLocalManager
from agent_framework.openai import OpenAIChatClient

# ទាញយក (បើត្រូវការ) ហើយបម្រើម៉ូដែលក្នុងតំបន់រួចបន្ទាប់មកស្វែងរកចំណុចចេញ/គ្រឿងចុច។
manager = FoundryLocalManager("phi-4-mini")

chat_client = OpenAIChatClient(
    base_url=manager.endpoint,      # ឧទាហរណ៍ http://localhost:<port>/v1
    api_key=manager.api_key,        # ទៅតែ "មិនទាមទារ" សម្រាប់ Foundry Local ផង​ពេលណា
    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.",
)

សម្គាល់: Foundry Local បង្ហាញ endpoint OpenAI-compatible Chat Completions។ ប្រើវាសម្រាប់អភិវឌ្ឍន៍ក្នុងស្រុក និងករណីក្រៅបណ្តាញ។ សម្រាប់មុខងារ Responses API ពេញលេញ (ការសន្ទនាស្ថិតស្ថេរ, រៀបចំឧបករណ៍ជ្រៅ, និងអភិវឌ្ឍអ្នកតំណាង), សូមកំណត់ត្រូវទៅ Azure OpenAI ឬគម្រោង Microsoft Foundry ដូចបានបង្ហាញនៅក្នុងមេរៀន។ សូមមើល ឯកសាររបស់ Foundry Local សម្រាប់បញ្ជីម៉ូដែលបច្ចុប្បន្ន និងការគាំទ្រផ្ល랫폼។

ការតំឡើងបន្ថែមសម្រាប់មេរៀន 8 (កម្មវិធី Bing Grounding)

សៀវភៅកំណត់ត្រាដំណើរការតាមលក្ខខណ្ឌនៅក្នុងមេរៀនទី 8 ប្រើ Bing grounding តាមរយៈ Microsoft Foundry។ ប្រសិនបើអ្នកមានគម្រោងធ្វើដំណើរការឧទាហរណ៍នោះ សូមបន្ថែមអថេរនេះទៅក្នុងឯកសារ .env របស់អ្នក៖

អថេរ	បណ្តឹងរកទីតាំង
BING_CONNECTION_ID	វេទិកា Microsoft Foundry → គម្រោងរបស់អ្នក → Management → Connected resources → ការតភ្ជាប់ Bing របស់អ្នក → ចម្លង ID ការតភ្ជាប់

ការដោះស្រាយបញ្ហា

កំហុសផ្ទៀងផ្ទាត់លិខិតសញ្ញា SSL នៅលើ macOS

បើអ្នកប្រើ macOS ហើយជួបប្រទះកំហុសដូចជា៖

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

នេះជាបញ្ហាដែលបានគេដឹងជាមួយ Python នៅលើ macOS ដូចដែលលិខិតសញ្ញា SSL ប្រព័ន្ធមិនត្រូវបានទុកចិត្តដោយស្វ័យប្រវត្តិ។ សូមព្យាយាមដំណោះស្រាយខាងក្រោមតាមលំដាប់៖

ជម្រើស 1៖ ដំណើរការស្ក្រីប Install Certificates របស់ Python (ផ្តល់អនុសាសន៍)

# ជំនួស 3.XX ជាមួយនឹងកំណែ Python ដែលអ្នកបានដំឡើង (ឧ. 3.12 ឬ 3.13):
/Applications/Python\ 3.XX/Install\ Certificates.command

ជម្រើស 2៖ ប្រើ connection_verify=False នៅក្នុងសៀវភៅកំណត់ត្រារបស់អ្នក (សម្រាប់សៀវភៅកំណត់ត្រា GitHub Models ប៉ុណ្ណោះ)

នៅក្នុងសៀវភៅកំណត់ត្រាមេរៀនទី 6 (06-building-trustworthy-agents/code_samples/06-system-message-framework.ipynb), មានការធ្វើបច្ចុប្បន្នភាពដោយមិនបង្ហាញសម្ងាត់ហើយ។ សូមដោះសោ connection_verify=False ពេលបង្កើត client៖

client = ChatCompletionsClient(
    endpoint=endpoint,
    credential=AzureKeyCredential(token),
    connection_verify=False,  # បិទការត្រួតពិនិត្យ SSL ប្រសិនបើអ្នកប្រទះបញ្ហាការផ្ទៀងផ្ទាត់វិញ្ញាបនបត្រ
)

⚠️ សំគាល់៖ ការផ្អាកការផ្ទៀងផ្ទាត់ SSL (connection_verify=False) នាំឲ្យសុវត្ថិភាពកាន់តិចដោយផ្លាស់ប្ដូរដំណើរការផ្ទៀងផ្ទាត់លិខិតសញ្ញាដោយខ្លួនឯង។ សូមប្រើវាមិនលើសពីឱកាសបណ្ដោះអាសន្នក្នុងបរិយាកាសអភិវឌ្ឍន៍ទេ ហើយមិនត្រូវប្រើសម្រាប់ផលិតកម្មឡើយ។

ជម្រើស 3៖ ตំឡើង និងប្រើ truststore

pip install truststore

បន្ទាប់មកបន្ថែមអ្វីខាងក្រោមនៅលើបណ្តាសៀវភៅកំណត់ត្រារបស់អ្នក ឬ ស្ក្រីបជាមុនសិនមុនពេលធ្វើការហៅបណ្តាញណាមួយ៖

import truststore
truststore.inject_into_ssl()

ចាប់សោះនៅកន្លែងណាមួយ?

ប្រសិនបើអ្នកមានបញ្ហារបស់ការបង្ហោះការដំឡើងនេះ សូមចូលរួមនៅ Azure AI Community Discord ឬ បង្កើតបញ្ហាតាមតំណ។

មេរៀនបន្ទាប់

ឥឡូវនេះអ្នករួចរាល់ក្នុងការប្រតិបត្តិកូដសម្រាប់វគ្គនេះ។ សូមសំណាងល្អក្នុងការស្វែងយល់បន្ថែមអំពីពិភពខ្លួន AI Agents!

Introduction to AI Agents and Agent Use Cases

---

ការបដិសេធ: ឯកសារនេះត្រូវបានបម្លែងភាសា ដោយប្រើសេវាបម្លែងភាសា AI Co-op Translator។ ទោះយើងខ្ញុំមានក្តីប្រាថ្នាឱ្យបានច្បាស់លាស់ តែសូមយល់ដឹងថាការបម្លែងដោយស្វ័យប្រវត្តិក៏អាចមានកំហុសឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមជាភាសាទីតាំងគួរត្រូវបានគេប្រើជាប្រភពច្បាស់លាស់។ សម្រាប់ព័ត៌មានសំខាន់ៗ សូមណែនាំឱ្យប្រើប្រាស់ការប្រែដោយមនុស្សជំនាញ។ យើងខ្ញុំមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសបន្ទាប់ពីការប្រើប្រាស់ការបម្លែងនេះនោះទេ។

This site is open source. Improve this page.