ai-agents-for-beginners

ಕೋರ್ಸ್ ಸೆಟ್‌ಅಪ್

ಪರಿಚಯ

ಈ ಪಾಠವು ಈ ಕೋರ್ಸ್‌ನ ಕೋಡ್ ನಮೂನೆಗಳನ್ನು ಹೇಗೆ ನಡೆಸುವುದು ಎಂಬುದರ ಕುರಿತು ತಿಳಿಸಲಿದೆ.

ಇತರ ಕಲಿಕಾರರ ಜೊತೆ ಸೇರಿ ಸಹಾಯ ಪಡೆಯಿರಿ

ನೀವು ನಿಮ್ಮ ರೆಪೋಯನ್ನು ಕ್ಲೋನ್ ಮಾಡಿಕೊಳ್ಳುವ ಮೊದಲು, ಯಾವ ಸಹಾಯ ಬೇಕಾದರೂ, ಕೋರ್ಸ್ ಬಗ್ಗೆ ಪ್ರಶ್ನೆ ಫಲಿಸಲು ಅಥವಾ ಇತರ ಕಲಿಕಾರರ ಜೊತೆ ಸಂಪರ್ಕ ಸಾಧಿಸಲು AI Agents For Beginners Discord ಚಾನೆಲ್ ಗೆ ಸೇರಿರಿ.

ಈ ರೆಪೋ ಅನ್ನು ಕ್ಲೋನ್ ಅಥವಾ ಫೋರ್ಕ್ ಮಾಡಿ

ಪ್ರಾರಂಭಿಸಲು, ದಯವಿಟ್ಟು GitHub ರೆಪೋಸಿಟರಿಯನ್ನು ಕ್ಲೋನ್ ಅಥವಾ ಫೋರ್ಕ್ ಮಾಡಿ. ಇದು ನಿಮಗೆ ಕೋರ್ಸ್ ವಸ್ತುಗಳ ಸ್ವಂತ ಆವೃತ್ತಿಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ, ಇದರಿಂದ ನೀವು ಕೋಡ್ ಅನ್ನು ಸಂಚಲನ, ಪರೀಕ್ಷೆ ಮತ್ತು ತಿದ್ದುಪಡಿ ಮಾಡಬಹುದು!

ಇದನ್ನು ಮಾಡಲು ರೆಪೋ ಫೋರ್ಕ್ ಮಾಡಲು ಲಿಂಕ್‌ನಲ್ಲಿ ಕ್ಲಿಕ್ ಮಾಡಿ

ಈಗ ನಿಮಗೆ ಈ ಕೋರ್ಸ್‌ನ ನಿಮ್ಮ ಸ್ವಂತ ಫೋರ್ಕ್ಡ್ ಆವೃತ್ತಿ ಈ ಕೆಳಗಿನ ಲಿಂಕ್‌ನಲ್ಲಿ ತೋರಿಸಿಕೊಳ್ಳಬೇಕು:

Forked Repo

ಶ್ಯಾಲೋ ಕ್ಲೋನ್ (ಕಾರಾಗಾರ / ಕೋಡ್ಸ್ಪೇಸ್ಗೆ ಶಿಫಾರಸು ಮಾಡಿ)

ಪೂರ್ಣ ರೆಪೋಸಿಟರಿ ಸಂಪೂರ್ಣ ಇತಿಹಾಸ ಹಾಗೂ ಎಲ್ಲಾ ಫೈಲ್ಗಳೊಂದಿಗೆ ಡೌನ್‌ಲೋಡ್ ಮಾಡಿದಾಗ ದೊಡ್ಡದಾಗಬಹುದು (~3 GB). ನೀವು ಕೇವಲ ಕಾರ್ಯಾಗಾರದಲ್ಲಿ ಪಾಲ್ಗೊಳ್ಳುತ್ತಿದ್ದರೆ ಅಥವಾ ಕೆಲವು ಪಾಠ ಫೋಲ್ಡರ್‌ಗಳನ್ನು ಮಾತ್ರ ಬೇಕಾದರೆ, ಶ್ಯಾಲೋ ಕ್ಲೋನ್ (ಅಥವಾ ಸ್ಪಾರ್ಸ್ ಕ್ಲೋನ್) ಇತಿಹಾಸವನ್ನು ಸ್ಥಗಿತಗೊಳಿಸುವ ಮೂಲಕ ಅಥವಾ ಬ್ಲಾಬ್‌ಗಳನ್ನು ತೊರೆಯುವ ಮೂಲಕ ಹೆಚ್ಚಿನ ಡೌನ್‌ಲೋಡ್ ತಪ್ಪಿಸುತ್ತದೆ.

ತ್ವರಿತ ಶ್ಯಾಲೋ ಕ್ಲೋನ್ — ಕನಿಷ್ಠ ಇತಿಹಾಸ, ಎಲ್ಲಾ ಫೈಲ್‌ಗಳು

ಕೆಳಗಿನ ಆಜ್ಞೆಗಳಲ್ಲಿ <your-username> ಅನ್ನು ನಿಮ್ಮ ಫೋರ್ಕ್ URLಅಥವಾ ನೀವು ಮೆಚ್ಚಿದರೆ ಅಪ್ಸ್ಟ್ರೀಮ್ URL ಮೂಲಕ ಬದಲಾಯಿಸಿ.

ಇತ್ತೀಚಿನ ಕಮಿಟ್ ಇತಿಹಾಸವನ್ನು ಮಾತ್ರ ಕ್ಲೋನ್ ಮಾಡಲು (ಚಿಕ್ಕ ಡೌನ್‌ಲೋಡ್):

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

ಒಂದು ನಿರ್ದಿಷ್ಟ ಶಾಖೆಯನ್ನು ಕ್ಲೋನ್ ಮಾಡಲು:

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

ಭಾಗಶಃ (ಸ್ಪಾರ್ಸ್) ಕ್ಲೋನ್ — ಕನಿಷ್ಠ ಬ್ಲಾಬ್ + ಆಯ್ಕೆ ಮಾಡಲಾದ ಫೋಲ್ಡರ್‌ಗಳು ಮಾತ್ರ

ಇದು ಭಾಗಶಃ ಕ್ಲೋನ್ ಮತ್ತು ಸ್ಪಾರ್ಸ್-ಚೆಕ್ಔಟ್ ಅನ್ನು ಬಳಸಿ (Git 2.25+ ಬೇಕು ಮತ್ತು ಭಾಗಶಃ ಕ್ಲೋನ್ ಬೆಂಬಲ ಹೊಂದಿರುವ ಆಧುನಿಕ Gitಗೆ ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ):

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

ರೆಪೋ ಫೋಲ್ಡರ್‌ಗೆ ಹೋಗಿ:

cd ai-agents-for-beginners

ನಂತರ ನೀವು ಬೇಕಾದ ಫೋಲ್ಡರ್‌ಗಳನ್ನು ಸೂಚಿಸಿ (ಕೆಳಗಿನ ಉದಾಹರಣೆ ಎರಡೂ ಫೋಲ್ಡರ್‌ಗಳನ್ನು ತೋರಿಸುತ್ತದೆ):

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

ಕ್ಲೋನಿಂಗ್ ಮತ್ತು ಫೈಲ್‌ಗಳ ಪರಿಶೀಲನೆ ನಂತರ, ನೀವು ಕೇವಲ ಫೈಲ್‌ಗಳನ್ನು ಬೇಕಾದರೆ ಮತ್ತು ಸ್ಥಳವನ್ನು ಮುಕ್ತ ಮಾಡಲು ಬಯಸಿದರೆ (ಯಾವುದೇ Git ಇತಿಹಾಸವಿಲ್ಲದೆ), ದಯವಿಟ್ಟು ರೆಪೊ ಮೆಟಾಡೇಟಾವನ್ನು ಅಳಿಸಿ (💀 ಪರಿವರ್ತನೀಯವಾಗದದ್ದು — ನೀವು ಎಲ್ಲಾ Git ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ಕಳೆದುಕೊಳ್ಳುವಿರಿ: ಯಾವುದೇ ಕಮಿಟ್, ಪುಲ್, ಪುಷ್ ಅಥವಾ ಇತಿಹಾಸ ಪ್ರವೇಶವಿಲ್ಲ).

# ಝ್ಎಶ್/ಬ್ಯಾಶ್
rm -rf .git

# ಪವರ್‌ಶೆಲ್
Remove-Item -Recurse -Force .git

GitHub Codespaces ಬಳಸಿ (ಸ್ಥಳೀಯ ದೊಡ್ಡ ಡೌನ್‌ಲೋಡ್‌ಗಳನ್ನು ತಪ್ಪಿಸಲು ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ)

ಈ ರೆಪೋ ಸाठी ಹೊಸ ಕೋಡ್ಸ್‌ಪೇಸ್ ಅನ್ನು GitHub UI ಮೂಲಕ ರಚಿಸಿ.
ಇತ್ತೀಚೆಗೆ ರಚಿಸಲಾಗಿದ ಕೋಡ್ಸ್‌ಪೇಸ್‌ನ ಟರ್ಮಿನಲ್‌ನಲ್ಲಿ, ನೀವು ಬೇಕಾದ ಪಾಠ ಫೋಲ್ಡರ್‌ಗಳನ್ನು ಮಾತ್ರ ಕೋಡ್ಸ್‌ಪೇಸ್ ವರ್ಕ್‌ಸ್ಪೇಸ್‌ಗೆ ತೆಗೆದುಕೊಳ್ಳಲು ಮೇಲಿನ ಶ್ಯಾಲೋ/ಸ್ಪಾರ್ಸ್ ಕ್ಲೋನ್ ಆಜ್ಞೆಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಿ.
ಐಚ್ಛಿಕ: ಕೋಡ್ಸ್‌ಪೇಸ್ಗಳೊಳಗೆ ಕ್ಲೋನ್ ಮಾಡಿದ ನಂತರ, ಹೆಚ್ಚುವರಿ ಸ್ಥಳವನ್ನು ಮುಕ್ತಗೊಳಿಸಲು .git ಅನ್ನು ತೆಗೆಯಿರಿ (ಮೇಲೆ ಉಲ್ಲೇಖಿಸಿದ ಅಳಿಸುವ ಆಜ್ಞೆಗಳನ್ನು ನೋಡಿ).
ಟಿಪ್ಪಣಿ: ನೀವು ರೆಪೋವನ್ನು ನೇರವಾಗಿ ಕೋಡ್ಸ್‌ಪೇಸ್ಗಳಲ್ಲಿ ತೆರೆಯಲು ಇಷ್ಟಪಟ್ಟರೆ (ಹೆಚ್ಚಿನ ಕ್ಲೋನ್ ಇಲ್ಲದೆ), ಕೋಡ್ಸ್‌ಪೇಸ್ಗಳು ಡೆವ್‌ಕಂಟೈನರ್ ಪರಿಸರವನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ ಮತ್ತು ನೀವು ಬೇಕಾದುದಕ್ಕಿಂತ ಹೆಚ್ಚು ಒದಗಿಸಬಹುದು. ಹೊಸ ಕೋಡ್ಸ್‌ಪೇಸ್ನ ಒಳಗೆ ಶ್ಯಾಲೋ ನಕಲಿಸುವುದರಿಂದ ಡಿಸ್ಕ್ ಬಳಕೆಯ ಮೇಲೆ ಹೆಚ್ಚಿನ ನಿಯಂತ್ರಣ ಸಿಗುತ್ತದೆ.

ಸಲಹೆಗಳು

ನೀವು ತಿದ್ದುಪಡಿ/ಕಮಿಟ್ ಮಾಡಲು ಇಚ್ಛಿಸಿದರೆ, ಹಮೇಶಾ ನಿಮ್ಮ ಫೋರ್ಕ್ URL ಜೊತೆ ಕ್ಲೋನ್ URL ಬದಲಾಯಿಸಿ.
ನೀವು ನಂತರ ಹೆಚ್ಚುವರಿ ಇತಿಹಾಸ ಅಥವಾ ಫೈಲ್ಗಳನ್ನು ಬೇಕಾದರೆ, ಅವುಗಳನ್ನು ಫೆಚ್ ಮಾಡಬಹುದು ಅಥವಾ ಸ್ಪಾರ್ಸ್-ಚೆಕ್ಔಟ್‌ನಿಂದ ಹೆಚ್ಚುವರಿ ಫೋಲ್ಡರ್‌ಗಳನ್ನು ಸೇರಿಸಬಹುದು.

ಕೋಡ್ ಅನ್ನು ಚಲಾಯಿಸುವುದು

ಈ ಕೋರ್ಸ್‌ವು ನೀವು AI ಏಜೆಂಟ್ಗಳನ್ನು ನಿರ್ಮಿಸಲು ಅನುಭವ ಪಡೆಯಲು ಚಲಾಯಿಸಬಹುದಾದ ಜುಪೈಟರ್ ನೋಟುಬುಕ್‌ಗಳ ಸರಣಿಯನ್ನು ನೀಡುತ್ತದೆ.

ಕೋಡ್ ನಮೂನೆಗಳು Microsoft Agent Framework (MAF) ಮತ್ತು FoundryChatClient ಅನ್ನು ಬಳಸಿಕೊಂಡಿವೆ, ಇದು Microsoft Foundry ಮೂಲಕ Microsoft Foundry Agent Service V2 (ಪ್ರತ್ಯುತ್ತರಗಳ API) ಗೆ ಸಂಪರ್ಕಿಸುತ್ತದೆ.

ಎಲ್ಲಾ Python ನೋಟುಬುಕ್‌ಗಳು *-python-agent-framework.ipynb ಎಂದು ಲೇಬಲ್ ಮಾಡಲ್ಪಟ್ಟಿವೆ.

ಅಗತ್ಯಗಳು

Python 3.12+
- ಗಮನಿಸಿ: Python3.12 ಹೊಂದಿಲ್ಲದಿದ್ದರೆ, ಅದನ್ನು ಸ್ಥಾಪಿಸಿ. ನಂತರ, ನಿಮ್ಮ ಕಾರ್-ಪರವಾನಗಿ ಸೃಷ್ಟಿಸಲು python3.12 ಬಳಸಿ, ಅಗತ್ಯಪಡೆದುಕೊಂಡ ಎಲ್ಲಾ ಆವೃತ್ತಿಗಳು requirements.txt ನಿಂದ ಇನ್‌ಸ್ಟಾಲ್ ಆಗುವಂತೆ ಮಾಡಿ.
  
  ಉದಾಹರಣೆ
  
  ಪೈಥಾನ್ ವರ್ಚುಯಲ್ ಪರಿಸರ ಡೈರೆಕ್ಟರಿ ಸೃಷ್ಟಿಸಿ:
```
python -m venv venv
```
  ನಂತರ venv ಪರಿಸರವನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಿ:
```
# zsh/bash
source venv/bin/activate
```
```
# Command Prompt for Windows
venv\Scripts\activate
```
.NET 10+: .NET ಬಳಕೆ ಮಾಡಿದ ಉದಾಹರಣಾ ಕೋಡ್‌ಗಳಿಗೆ, ದಯವಿಟ್ಟು .NET 10 SDK ಅಥವಾ ಅದಕ್ಕಿಂತ ಮುಂದಿನ ಆವೃತ್ತಿಯನ್ನು ಸ್ಥಾಪಿಸಿ. ನಂತರ ನಿಮ್ಮ ಸ್ಥಾಪಿತ .NET SDK ಆವೃತ್ತಿಯನ್ನು ಪರಿಶೀಲಿಸಿ:
```
  dotnet --list-sdks
```
Azure CLI — ದೃಢೀಕರಣಕ್ಕಾಗಿ ಅಗತ್ಯ. aka.ms/installazurecli ನಿಂದ ಸ್ಥಾಪಿಸಿ.
Azure ಚಂದಾದಾರಿಕೆ — Microsoft Foundry ಮತ್ತು Microsoft Foundry Agent Service ಗೆ ಮು erişwọಗಾಗಿ.
Microsoft Foundry ಪ್ರಾಜೆಕ್ಟ್ — ನಿಯೋಜಿತ ಮಾದರಿ ಇರುವ ಪ್ರಾಜೆಕ್ಟ್ (ಉದಾಹರಣೆಗೆ, gpt-4.1-mini). ನೋಡಿ ಹಂತ 1 ಕೆಳಗೆ.

ಈ ರೆಪೋನ ಮೂಲ ಫೋಲ್ಡರ್‌ನಲ್ಲಿ requirements.txt ಫೈಲ್ ಅನ್ನು ಸೇರಿಸಲಾಗಿದೆ, ಇದು ಕೋಡ್ ನಿರ್ವಹಣೆಗೆ ಅಗತ್ಯವಿರುವ ಎಲ್ಲಾ Python ಪ್ಯಾಕೇಜ್‌ಗಳನ್ನು ಹೊಂದಿದೆ.

ನೀವು ಈ ಕೆಳಗಿನ ಆಜ್ಞೆಗಳನ್ನು ರೆಪೋ ಮೂಲದಲ್ಲಿ ಟರ್ಮಿನಲ್ನಲ್ಲಿ ಚಾಲನೆ ಮಾಡುವ ಮೂಲಕ ಅವುಗಳನ್ನು ಸ್ಥಾಪಿಸಬಹುದು:

pip install -r requirements.txt

ನಾವು ಸಂರುಕ್ಷಣೆಗೆ Python ವರ್ಚುವಲ್ ಪರಿಸರ ಸೃಜಿಸುವುದನ್ನು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ.

VSCode ಸೆಟ್‌ಅಪ್ ಮಾಡಿ

VSCode ನಲ್ಲಿ ನೀವು ಸರಿಯಾದ ಪೈಥಾನ್ ಆವೃತ್ತಿಯನ್ನು ಬಳಸುತ್ತಿರುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ.

Microsoft Foundry ಮತ್ತು Microsoft Foundry Agent Service ಸೆಟ್‌ಅಪ್ ಮಾಡಿ

ಹಂತ 1: Microsoft Foundry ಪ್ರಾಜೆಕ್ಟ್ ಸೃಷ್ಟಿಸಿ

ನೀವು ನೋಟುಬುಕ್‌ಗಳು ಚಲಾಯಿಸಲು ನಿಯೋಜಿತ ಮಾದರಿಯೊಂದಿಗೆ Microsoft Foundry ಹಬ್ ಮತ್ತು ಪ್ರಾಜೆಕ್ಟ್ ಬೇಕು.

ai.azure.com ಗೆ ಹೋಗಿ ಮತ್ತು ನಿಮ್ಮ Azure ಖಾತೆಯಿಂದ ಸೈನ್ ಇನ್ ಆಗಿ.
ಹಬ್ ರಚಿಸಿ (ಅಥವಾ ಇದ್ದುದನ್ನು ಬಳಸಿ). ನೋಡಿ: Hub resources overview.
ಹಬ್ ಒಳಗೆ ಪ್ರಾಜೆಕ್ಟ್ ರಚಿಸಿ.
ಆದರ್ಶ + ಎಂಡ್ಪಾಯಿಂಟ್‌ಗಳು → ಮಾದರಿ ನಿಯೋಜಿಸಿ ಮೂಲಕ ಮಾದರಿಯನ್ನು (gpt-4.1-mini ಉದಾಹರಣೆ) ನಿಯೋಜಿಸಿ.

ಹಂತ 2: ನಿಮ್ಮ ಪ್ರಾಜೆಕ್ಟ್ ಎಂಡ್ಪಾಯಿಂಟ್ ಮತ್ತು ಮಾದರಿ ನಿಯೋಜನೆ ಹೆಸರನ್ನು ಪಡೆದುಕೊಳ್ಳಿ

ನಿಮ್ಮ Microsoft Foundry ಪೋರ್ಟಲ್‌ನಲ್ಲಿನ ನಿಮ್ಮ ಪ್ರಾಜೆಕ್ಟ್‌ನಿಂದ:

ಪ್ರಾಜೆಕ್ಟ್ ಎಂಡ್ಪಾಯಿಂಟ್ — ಅವಲೋಕನ ಪುಟಕ್ಕೆ ಹೋಗಿ ಮತ್ತು ಎಂಡ್ಪಾಯಿಂಟ್ URL ನಕಲಿಸಿ.

Project Connection String

ಮಾಡೆಲ್ ನಿಯೋಜನೆ ಹೆಸರು — ಮಾದರಿಗಳು + ಎಂಡ್ಪಾಯಿಂಟ್‌ಗಳು ಗೆ ಹೋಗಿ, ನಿಯೋಜಿಸಿದ ಮಾದರಿಯನ್ನು ಆಯ್ಕೆ ಮಾಡಿ ಮತ್ತು ನಿಯೋಜನೆ ಹೆಸರು ನೋಟ್ ಮಾಡಿ (ಉದಾಹರಣೆ: gpt-4.1-mini).

ಹಂತ 3: `az login` ಮೂಲಕ Azure ಗೆ ಸೈನ್ ಇನ್ ಆಗಿ

ಎಲ್ಲಾ ನೋಟುಬುಕ್‌ಗಳು ಪ್ರಾಮಾಣೀಕರಣಕ್ಕಾಗಿ AzureCliCredential ಅನ್ನು ಬಳಸುತ್ತವೆ — ಯಾವುದೇ API ಕೀಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಅಗತ್ಯವಿಲ್ಲ. ಇದಕ್ಕಾಗಿ ನೀವು Azure CLI ಮೂಲಕ ಸೈನ್ ಇನ್ ಆಗಿರಬೇಕು.

ನೀವು ಇನ್ನು ಸ್ಥಾಪಿಸದಿದ್ದರೆ Azure CLI ಸ್ಥಾಪಿಸಿ: aka.ms/installazurecli
ಕೆಳಗಿನ ಆಜ್ಞೆಯನ್ನು ನಡೆಸಿ:
```
 az login
```
ಅಥವಾ ನೀವು ಬ್ರೌಸರ್ ಇಲ್ಲದ ದೂರಸ್ಥ/ಕೋಡ್ಸ್ಪೇಸ್ ಪರಿಸರದಲ್ಲಿದ್ದರೆ:
```
 az login --use-device-code
```
ನಿಮ್ಮ ಚಂದಾದಾರಿಕೆಯನ್ನು ಆಯ್ಕೆಮಾಡಿ — ನಿಮ್ಮ ಫೌಂಡರಿ ಪ್ರಾಜೆಕ್ಟ್ ಇರುವ ಒಂದು ಆಯ್ಕೆಮಾಡಿ.
ನೀವು ಸೈನ್ ಇನ್ ಆಗಿದ್ದೀರಿ ಎಂದು ಪರಿಶೀಲಿಸಿ:
```
 az account show
```

az login ಏಕೆ? ನೋಟುಬುಕ್‌ಗಳು azure-identity ಪ್ಯಾಕೇಜಿನ AzureCliCredential ಮೂಲಕ ಪ್ರಾಮಾಣೀಕರಣ ಮಾಡುತ್ತವೆ. ಈ ಮೂಲಕ ನಿಮ್ಮ Azure CLI ಸೆಸ್‌ನಿಂದ ಕ್ರೆಡೆನ್ಷಿಯಲ್ಸ್ ಒದಗಿಸಲಾಗುತ್ತದೆ — ಯಾವುದೇ API ಕೀಗಳು ಅಥವಾ ರಹಸ್ಯಗಳು ನಿಮ್ಮ .env ಫೈಲ್‌ನಲ್ಲಿ ಇರಲಾರವು. ಇದು ಭದ್ರತಾ ಉತ್ತಮ ಅಭ್ಯಾಸ.

ಹಂತ 4: ನಿಮ್ಮ `.env` ಫೈಲ್ ಸೃಷ್ಟಿಸಿ

ಉದಾಹರಣಾ ಫೈಲ್ ನಕಲಿಸಿ:

# zsh/bash
cp .env.example .env

# ಪವರ್‌ಶೆಲ್
Copy-Item .env.example .env

.env ತೆರೆದು ಈ ಎರಡು ಮೌಲ್ಯಗಳನ್ನು ತುಂಬಿರಿ:

AZURE_AI_PROJECT_ENDPOINT=https://<your-project>.services.ai.azure.com/api/projects/<your-project-id>
AZURE_AI_MODEL_DEPLOYMENT_NAME=gpt-4.1-mini

ವರ್ಣಶಬ್ದ	ಇದನ್ನು ಎಲ್ಲಿಂದ ಹುಡುಕಬೇಕು
`AZURE_AI_PROJECT_ENDPOINT`	Foundry ಪೋರ್ಟಲ್ → ನಿಮ್ಮ ಪ್ರಾಜೆಕ್ಟ್ → ಅವಲೋಕನ ಪುಟ
`AZURE_AI_MODEL_DEPLOYMENT_NAME`	Foundry ಪೋರ್ಟಲ್ → ಮಾದರಿಗಳು + ಎಂಡ್ಪಾಯಿಂಟ್‌ಗಳು → ನಿಮ್ಮ ನಿಯೋಜಿತ ಮಾದರಿ ಹೆಸರು

ಬಹುತೇಕ ಪಾಠಗಳಿಗೆ ಇದು ಸಾಕು! ನಿಮ್ಮ az login ಸೆಸ್ ಮೂಲಕ ನೋಟುಬುಕ್‌ಗಳು ತಾನಾಗಿಯೇ ಪ್ರಾಮಾಣೀಕರಿಸುತ್ತವೆ.

ಹಂತ 5: Python ನಿಟ್ಟಿಗೊಳ್ಳುವಿಕೆಗಳನ್ನು ಸ್ಥಾಪಿಸಿ

pip install -r requirements.txt

ನಾವು ನೀವು ಹಿಂದೆ ಸೃಷ್ಠಿಸಿದ ವರ್ಚುಯಲ್ ಪರಿಸರದೊಳಗೆ ಇದನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವುದನ್ನು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ.

ಪಾಠ 5 (Agentic RAG) ಗಾಗಿ ಹೆಚ್ಚುವರಿ ಸೆಟ್‌ಅಪ್

ಪಾಠ 5 ರೀಟ್ರಿವಲ್-ಆಗ್ಮೆಂಟೆಡ್ ಜನರೇಶನ್ ಸಿದ್ಧಪಡಿಸಲು Azure AI Search ಬಳಸುತ್ತದೆ. ನೀವು ಆ ಪಾಠವನ್ನು ಚಲಾಯಿಸಲು ಯೋಜಿಸಿರುತ್ತೀರಾ, ಈ ಚರಗಳು ನಿಮ್ಮ .env ಫೈಲ್‌ಗೆ ಸೇರಿಸಿ:

ವರ್ಣಶಬ್ದ	ಇದನ್ನು ಎಲ್ಲಿಂದ ಹುಡುಕಬೇಕು
`AZURE_SEARCH_SERVICE_ENDPOINT`	Azure ಪೋರ್ಟಲ್ → ನಿಮ್ಮ Azure AI Search ಸಂಪತ್ತು → ಅವಲೋಕನ → URL
`AZURE_SEARCH_API_KEY`	Azure ಪೋರ್ಟಲ್ → ನಿಮ್ಮ Azure AI Search ಸಂಪತ್ತು → ಸೆಟ್ಟಿಂಗ್ಸ್ → ಕೀಗಳು → ಪ್ರಾಥಮಿಕ ಆಡಳಿತ ಕೀ

ಪಾಠಗಳು 6 ಮತ್ತು 8 (ನೇರವಾಗಿ Azure OpenAI ಕರೆಮಾಡುವ ಪಾಠಗಳು) ಗಾಗಿ ಹೆಚ್ಚುವರಿ ಸೆಟ್‌ಅಪ್

ಪಾಠ 6 ಮತ್ತು 8 ರ ಕೆಲವು ನೋಟುಬುಕ್‌ಗಳು Responses API ಮೂಲಕ ನೇರವಾಗಿ Azure OpenAI ಗೆ ಕರೆ ಮಾಡುತ್ತವೆ, ಅದು ಮೊದಲು GitHub Models ಅನ್ನು ಬಳಸುತ್ತಿತ್ತು, ಅದು ಪ್ರಚಲಿತಾಯಿದು (ಜುಲೈ 2026ರಲ್ಲಿ ನಿವೃತ್ತಿ) ಮತ್ತು Responses API ಗೆ ಬೆಂಬಲ ನೀಡುವುದಿಲ್ಲ. ನೀವು ಆ ನಮೂನೆಗಳನ್ನು ಚಲಾಯಿಸಲು ಯೋಜಿಸುತ್ತಿದ್ದರೆ, ಈ ಚರಗಳನ್ನು ನಿಮ್ಮ .env ಫೈಲ್‌ಗೆ ಸೇರಿಸಿ:

ವರ್ಣಶಬ್ದ	ಇದನ್ನು ಎಲ್ಲಿಂದ ಹುಡುಕಬೇಕು
`AZURE_OPENAI_ENDPOINT`	Azure ಪೋರ್ಟಲ್ → ನಿಮ್ಮ Azure OpenAI ಸಂಪತ್ತು → ಕೀ ಮತ್ತು ಎಂಡ್ಪಾಯಿಂಟ್ → ಎಂಡ್ಪಾಯಿಂಟ್ (ಉದಾ. `https://<your-resource>.openai.azure.com`)
`AZURE_OPENAI_DEPLOYMENT`	ನಿಮ್ಮ ನಿಯೋಜಿತ ಮಾದರಿ ಹೆಸರು (ಉದಾ. `gpt-4.1-mini`) ಇದು Responses API ಗೆ ಬೆಂಬಲ ನೀಡುತ್ತದೆ
`AZURE_OPENAI_API_KEY`	ಐಚ್ಛಿಕ — ನೀವು `az login` / Entra ID ಬದಲಾಗಿ ಕೀ ಆಧಾರಿತ ಪ್ರಾಮಾಣೀಕರಣ ಬಳಸಿದರೆ ಮಾತ್ರ

Responses API ಸ್ಥಿರ /openai/v1/ ಎಂಡ್ಪಾಯಿಂಟ್ ಅನ್ನು ಬಳಸುತ್ತದೆ, ಆದ್ದರಿಂದ api-version ಅಗತ್ಯವಿಲ್ಲ. ಕೀಲಿಯಿಲ್ಲದ Entra ID ಪ್ರಾಮಾಣೀಕರಣಕ್ಕಾಗಿ az login ಬಳಸಿ ಸೈನ್ ಇನ್ ಆಗಿ.

ಪರ್ಯಾಯ ಸೇವೆದಾರ: MiniMax (OpenAI-ಸಮಂವಯಿ)

MiniMax OpenAI-ಸಮಂವಯಿ API ಮೂಲಕ 204K ಟೋಕೆನ್ಸ್ ವರೆಗಿನ ಲಾರ್ಜ್-ಕಾಂಟೆಕ್ಸ್ಟ್ ಮಾದರಿಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. Microsoft Agent Framework ನ OpenAIChatClient ಯಾವುದೆ OpenAI-ಸಮಂವಯಿ ಎಂಡ್ಪಾಯಿಂಟ್ ಜೊತೆಗೆ ಕೆಲಸಮಾಡುತ್ತೆ, ಆರಗ MiniMax ಅನ್ನು Azure OpenAI ಅಥವಾ OpenAI ಗೆ ಪರ್ಯಾಯವಾಗಿ ಬಳಸಬಹುದು.

ಈ ಚರಗಳನ್ನು ನಿಮ್ಮ .env ಫೈಲ್‌ಗೆ ಸೇರಿಸಿ:

ವರ್ಣಶಬ್ದ	ಇದನ್ನು ಎಲ್ಲಿಂದ ಹುಡುಕಬೇಕು
`MINIMAX_API_KEY`	MiniMax Platform → API ಕೀಗಳು
`MINIMAX_BASE_URL`	ಸಾಮಾನ್ಯ ಮೌಲ್ಯವಾಗಿ `https://api.minimax.io/v1` ಬಳಸಿ
`MINIMAX_MODEL_ID`	ಬಳಸಬೇಕಾದ ಮಾದರಿ ಹೆಸರು (ಉದಾ., `MiniMax-M3`)

ಉದಾಹರಣಾ ಮಾದರಿಗಳು: MiniMax-M3 (ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ), MiniMax-M2.7, MiniMax-M2.7-highspeed (ವೇಗವಾಗಿ ಉತ್ತರಿಸುತ್ತದೆ). ಮಾದರಿ ಹೆಸರುಗಳು ಮತ್ತು ಲಭ್ಯತೆ ಸಮಯಾನುಸಾರ ಬದಲಾಗಬಹುದು ಮತ್ತು ನೀಡಲ್ಪಡುವ ಮಾದರಿಗಾಗಿ ನಿಮ್ಮ ಖಾತೆ ಅಥವಾ ಪ್ರದೇಶ ಅವಲಂಬಿತವಾಗಿರಬಹುದು — ಪ್ರಸ್ತುತ ಪಟ್ಟಿಗಾಗಿ MiniMax Platform ಅನ್ನು ಪರಿಶೀಲಿಸಿ. MiniMax-M3 ನಿಮ್ಮ ಖಾತೆಗೆ ಲಭ್ಯವಿಲ್ಲದಿದ್ದರೆ, ನೀವು ಹೊಂದಿರುವ (ಉದಾ. MiniMax-M2.7) ಯಾವುದೇ ಮಾದರಿಗೆ MINIMAX_MODEL_ID ಅನ್ನು ಸೆಟ್ ಮಾಡಿ.

OpenAIChatClient ಬಳಸುವ ಕೋಡ್ ನಮೂನೆಗಳು (ಉದಾ., ಪಾಠ 14 होटल ಬುಕ್ಕಿಂಗ್ ವರ್ಕ್‌ಫ್ಲೋ) ನಿಮ್ಮ MINIMAX_API_KEY ಸೆಟ್ ಆಗಿರುವಾಗ ನಿಮ್ಮ MiniMax ಸಂರಚನೆಯನ್ನೇ ತಾನೇ ಪತ್ತೆಹಚ್ಚಿ ಬಳಸುತ್ತವೆ.

ಪರ್ಯಾಯ ಸೇವೆದಾರ: Foundry Local (ಮಾದರಿಗಳನ್ನು ಡಿವೈಸ್‌ನಲ್ಲಿ ನಡಿಸಿ)

Foundry Local ನಿಮ್ಮ ಸ್ವಂತ ಮೆಷೀನಿನಲ್ಲಿ ಸಂಪೂರ್ಣವಾಗಿ OpenAI-ಸಮಂವಯಿ API ಮೂಲಕ ಭಾಷಾ ಮಾದರಿಗಳನ್ನು ಡೌನ್‌ಲೋಡ್, ನಿರ್ವಹಣೆ ಮತ್ತು ಸೇವೆ ನೀಡುವ ಲಘು ತೂಕದ ರನ್‌ಟೈಮ್ — ಯಾವುದೆ ಕ್ಲೌಡ್, Azure ಚಂದಾದಾರಿಕೆ ಅಥವಾ API ಕೀಗಳು ಇಲ್ಲದೆ. ಆಫ್‌ಲೈನ್ ಅಭಿವೃದ್ಧಿ, ಕ್ಲೌಡ್ ವೆಚ್ಚಗಳನ್ನು ತಪ್ಪಿಸಲು ಅಥವಾ ಡೇಟಾವನ್ನು ಡಿವೈಸ್‌ನಲ್ಲಿ ಇರಿಸಲು ಇದು ಉತ್ತಮ ಆಯ್ಕೆ.

Microsoft Agent Framework ನ OpenAIChatClient ಯಾವುದೇ OpenAI-ಸಮಂವಯಿ ಎಂಡ್ಪಾಯಿಂಟ್ ಜೊತೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದರಿಂದ, Foundry Local ಒಂದು ಸ್ಥಳೀಯ ಪರ್ಯಾಯ.

1. Foundry Local ಸ್ಥಾಪಿಸಿ

# ವಿಂಡೋಸ್
winget install Microsoft.FoundryLocal

# ಮ್ಯಾಕ್ಓಎಸ್
brew install foundrylocal

2. ಮಾದರಿಯನ್ನು ಡೌನ್‌ಲೋಡ್ ಮಾಡಿ ಮತ್ತು ಚಾಲನೆ ಮಾಡಿ (ಇದು ಸ್ಥಳೀಯ ಸೇವೆಯನ್ನು ಪ್ರಾರಂಭಿಸುತ್ತದೆ):

foundry model list          # ಲಭ್ಯವಿರುವ ಮಾದರಿಗಳನ್ನು ನೋಡಿ
foundry model run phi-4-mini

3. ಸ್ಥಳೀಯ ಎಂಡ್ಪಾಯಿಂಟ್ ಪತ್ತೆಮಾಡಲು Python SDK ಅನ್ನು ಸ್ಥಾಪಿಸಿ:

pip install foundry-local-sdk

4. Microsoft Agent Framework ಅನ್ನು ನಿಮ್ಮ ಸ್ಥಳೀಯ ಮಾದರಿಯ ಕಡೆಗೆ ಕರೆದೊಯ್ಯಿ:

from foundry_local import FoundryLocalManager
from agent_framework.openai import OpenAIChatClient

# ಅವಶ್ಯಕವಾದರೆ ಡೌನ್ಲೋಡ್ ಮಾಡಿ ಮಾದರಿಯನ್ನು ಸ್ಥಳೀಯವಾಗಿ ಸೇವೆ ಕೊಡುತ್ತದೆ, ನಂತರ ಎಂಡ್‌ಪಾಯಿಂಟ್/ಪೋರ್ಟ್ ಅನ್ನು ಕಂಡುಹಿಡಿಯುತ್ತದೆ.
manager = FoundryLocalManager("phi-4-mini")

chat_client = OpenAIChatClient(
    base_url=manager.endpoint,      # ಉದಾಹರಣೆಗೆ http://localhost:<port>/v1
    api_key=manager.api_key,        # ಫೌಂಡ್ರಿ ಲೋಕಲ್‌ಗಾಗಿ ಯಾವಾಗಲೂ "ಆವಶ್ಯಕವಿಲ್ಲ"
    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.",
)

ಗಮನಿಸಿ: Foundry Local ಒಂದು OpenAI-ಸಮಂವಯಿ ಚಾಟ್ ಪೂರ್ಣತೆಗಳು ಎಂಡ್ಪಾಯಿಂಟ್ ಅನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ. ಸ್ಥಳೀಯ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಆಫ್‌ಲೈನ್ ಒੜತೆಗಳಿಗಾಗಿ ಇದನ್ನು ಬಳಸಿರಿ. ಸಂಪೂರ್ಣ Responses API ವೈಶಿಷ್ಟ್ಯಗಳು (ಸ್ಥಿತಿಗತಿಯ ಸಂಭಾಷಣೆಗಳು, ಆಳವಾದ ಉಪಕರಣ ವ್ಯವಸ್ಥಾಪನೆ, ಮತ್ತು ಏಜೆಂಟ್ ಶೈಲಿ ಅಭಿವೃದ್ಧಿ) ಗಾಗಿ, ಪಾಠಗಳಲ್ಲಿ ತೋರಿಸಿದಂತೆ Azure OpenAI ಅಥವಾ Microsoft Foundry ಪ್ರಾಜೆಕ್ಟ್ ಅನ್ನು ಗುರಿಯಾಗಿಸಿ. ಪ್ರಸ್ತುತ ಮಾದರಿ ಕ್ಯಾಟಲогу ಮತ್ತು ವೇದಿಕೆ ಬೆಂಬಲಕ್ಕಾಗಿ Foundry Local ಡಾಕ್ಯುಮೆಂಟೇಷನ್ ನೋಡಿರಿ.

ಪಾಠ 8ಕ್ಕೆ ಹೆಚ್ಚುವರಿ ಸೆಟ್ಟಪ್ (ಬಿಂಗ್ ಗ್ರೌಂಡಿಂಗ್ ವರ್ಕ್‌ಫ್ಲೋ)

ಪಾಠ 8ರ ಷರತ್ತುಪಾಲನೆಯ ವರ್ಕ್‌ಫ್ಲೋ ನೋಟ್‌ಬುಕ್‌ನಲ್ಲಿ ಮೈಕ್ರೋಸಾಫ್ಟ್ ಫೌಂಡ್ರಿ ಮೂಲಕ ಬಿಂಗ್ ಗ್ರೌಂಡಿಂಗ್ನ್ನು ಬಳಸಲಾಗಿದೆ. ನೀವು ಆ ಮಾದರಿಯನ್ನು ನಡೆಸಲು ಯೋಜಿಸುತ್ತಿದ್ದರೆ, ಈ ವ್ಯತ್ಯಾಸವನ್ನು ನಿಮ್ಮ .env ಫೈಲ್‌ಗೆ ಸೇರಿಸಿ:

ವ್ಯತ್ಯಾಸ	ಎಲ್ಲಿಂದ ಪಡೆಯುವುದು
`BING_CONNECTION_ID`	ಮೈಕ್ರೋಸಾಫ್ಟ್ ಫೌಂಡ್ರಿ ಪೋರ್ಟಲ್ → ನಿಮ್ಮ ಪ್ರಾಜೆಕ್ಟ್ → ನಿರ್ವಹಣೆ → ಕನೆಕ್ಟೆಡ್ ಸಂಪನ್ಮೂಲಗಳು → ನಿಮ್ಮ ಬಿಂಗ್ ಸಂಪರ್ಕ → ಸಂಪರ್ಕ ಐಡಿ ಅನ್ನು ನಕಲಿಸಿ

ಸಮಸ್ಯೆ ಪರಿಹಾರ

macOS ನಲ್ಲಿ SSL ಪ್ರಮಾಣಪತ್ರ ಪರಿಶೀಲನೆ ದೋಷಗಳು

ನೀವು macOS ನಲ್ಲಿದ್ದರೆ ಮತ್ತು ಈ ರೀತಿ ದೋಷ ಎದುರಿಸಿದರೆ:

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

ಇದು macOS ನಲ್ಲಿ ಪೈಥಾನ್‌ನ ಸಮಸ್ಯೆಯಾಗಿದ್ದು, ವ್ಯವಸ್ಥೆಯ SSL ಪ್ರಮಾಣಪತ್ರಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಂಬುವುದಿಲ್ಲ. ಕೆಳಗಿನ ಪರಿಹಾರಗಳನ್ನು ಕ್ರಮವಾಗಿ ಪ್ರಯತ್ನಿಸಿ:

ಆಯ್ಕೆ 1: ಪೈಥಾನ್‌ನ Install Certificates ಸ್ಕ್ರಿಪ್ಟ್ ಅನ್ನು ಚಾಲನೆಮಾಡಿ (ಶಿಫಾರಸು ಮಾಡಲ್ಪಟ್ಟದ್ದು)

# ನಿಮ್ಮ ಸ್ಥಾಪಿಸಲಾಗಿರುವ Python ಆವೃತ್ತಿ (ಉದಾಹರಣೆಗಾಗಿ, 3.12 ಅಥವಾ 3.13) ಹೆಸರನ್ನು 3.XX ನೊಂದಿಗೆ ಬದಲಿಸಿ:
/Applications/Python\ 3.XX/Install\ Certificates.command

ಆಯ್ಕೆ 2: ನಿಮ್ಮ ನೋಟ್‌ಬುಕ್‌ನಲ್ಲಿ connection_verify=False ಬಳಸುವುದು (ಗಿಟ್ಹಬ್ ಮಾದರಿ ನೋಟ್‌ಬುಕ್‌ಗಳಿಗೆ ಮಾತ್ರ)

ಪಾಠ 6 ನೋಟ್‌ಬುಕ್‌ನಲ್ಲಿ (06-building-trustworthy-agents/code_samples/06-system-message-framework.ipynb), ಕಾಮೆಂಟ್ ಮಾಡಿದ ಪರಿಹಾರವನ್ನು ಒಳಗೊಂಡಿದೆ. ಕ್ಲಯಿಂಟ್ ರಚಿಸುವ ವೇಳೆ connection_verify=Falseನ್ನು ಕಾಮೆಂಟ್ ತೆಗೆದು ಹಾಕಿ ಬಳಸಿ:

client = ChatCompletionsClient(
    endpoint=endpoint,
    credential=AzureKeyCredential(token),
    connection_verify=False,  # ಪ್ರಮಾಣಪತ್ರದ ದೋಷಗಳನ್ನು ಎದುರಿಸಿದರೆ SSL ಪರಿಶೀಲನೆಯನ್ನು ನಿಷ್ಕ್ರಿಯಗೊಳಿಸಿ
)

⚠️ ಎಚ್ಚರಿಕೆ: SSL ಪರಿಶೀಲನೆಯನ್ನು ನಿಷ್ಕ್ರಿಯಗೊಳಿಸುವುದು (connection_verify=False) ಪ್ರಮಾಣಪತ್ರ ಪರಿಶೀಲನೆಯನ್ನು ಬಿಟ್ಟಿಹಾಕುವ ಕಾರಣ ಭದ್ರತೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಇದನ್ನು ಅಭಿವೃದ್ಧಿ ಪರಿಸರಗಳಲ್ಲಿ ತಾತ್ಕಾಲಿಕ ಪರಿಹಾರವೆಂದು ಮಾತ್ರ ಬಳಸಿ, ಉತ್ಪಾದನೆಯಲ್ಲೇ ಬಳಸಬೇಡಿ.

ಆಯ್ಕೆ 3: truststore ಅನ್ನು ನುಡಿಸು ಮತ್ತು ಬಳಸಿರಿ

pip install truststore

ನಂತರ ಯಾವುದೇ ನೆಟ್‌ವರ್ಕ್ ಕರೆ ಮಾಡುವ ಮುಂಚೆ ನಿಮ್ಮ ನೋಟ್‌ಬುಕ್ ಅಥವಾ ಸ್ಕ್ರಿಪ್ಟ್‌ನ ಮೊದಲಭಾಗದಲ್ಲಿ ಕೆಳಕಂಡವನ್ನು ಸೇರಿಸಿ:

import truststore
truststore.inject_into_ssl()

ಎಲ್ಲೆಡೆ ಸಿಲುಕಿದಿರಾ?

ಈ ಸೆಟ್ಟಪ್ ಅನ್ನು ನಡೆಸುವುದರಲ್ಲಿ ಯಾವುದೇ ಸಮಸ್ಯೆಯಿದ್ದರೆ, ನಮ್ಮ ಆಜೂರ್ AI ಸಮುದಾಯ ಡಿಸ್ಕೋರ್ಡ್ ಗೆ ಬಂದಿರಿ ಅಥವಾ ಇಶ್ಯೂ ಮುಡ್‌ಗಳಂತೆ ಸೃಷ್ಟಿಸಿ.

ಮುಂದಿನ ಪಾಠ

ನೀವು ಈಗ ಈ ಕೋರ್ಸ್‌ನ ಕೋಡ್ ನಡೆಸಲು ಸಿದ್ಧರಾಗಿದ್ದೀರಿ. AI ಏಜೆಂಟ್‌ಗಳ ಜಗತ್ತಿನ ಬಗ್ಗೆ ಇನ್ನಷ್ಟು ಕಲಿಯಲು ಶುಭकामನೆಗಳು!

AI ಏಜೆಂಟ್‌ಗಳ ಪರಿಚಯ ಮತ್ತು ಏಜೆಂಟ್ ಬಳಸುವ ಪ್ರಕರಣಗಳು

ಅಸ್ವೀಕಾರ: ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ Co-op Translator ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ದಯವಿಟ್ಟು ಗಮನಿಸಿ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸಡ್ಡೆಗಳು ಇರಬಹುದು. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜು ಪ್ರಾಮಾಣಿಕ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದವನ್ನು ಬಳಸುವ ಮೂಲಕ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಗಳ ಅಥವಾ ತಪ್ಪು ವ್ಯಾಖ್ಯಾನಗಳ ಬಗ್ಗೆ ನಾವು ಹೊಣೆಗಾರರಲ್ಲ.

This site is open source. Improve this page.