ai-agents-for-beginners

കോഴ്സ് സെറ്റ്‌അപ്പ്

പരിചയം

ഈ പാഠം ഈ കോഴ്സിന്റെ കോഡ് സാമ്പിളുകൾ എങ്ങനെ ഓടിക്കാമെന്ന് പരിചയപ്പെടുത്തും.

മറ്റ്Learners-ഇൽ ചേർന്നു സഹായം നേടുക

നിങ്ങളുടെ റീപ്പോ ക്ലോണു ചെയ്യുന്ന മുൻപ്, AI Agents For Beginners Discord channel ൽ ചേർന്നു സജ്ജീകരണങ്ങളെക്കുറിച്ചോ, കോഴ്സിനെക്കുറിച്ചോ എന്തെങ്കിലും സംശയങ്ങൾക്കോ, അല്ലെങ്കിൽ മറ്റുള്ള പഠിക്കുന്നവരുമായി ബന്ധപ്പെടാൻ സഹായം തേടുക.

ഈ റീപ്പോ ക്ലോൺ ചെയ്യുക അല്ലെങ്കിൽ ഫോർക്ക് ചെയ്യുക

തുടക്കം കുറിക്കാൻ, ദയവായി GitHub റീപ്പോസിറ്ററിയെ ക്ലോൺ ചെയ്യുക അല്ലെങ്കിൽ ഫോർക്ക് ചെയ്യുക. ഇതിലൂടെ നിങ്ങളുടെ സ്വന്തം കോഴ്സ് മെറ്റീരിയലിന്റെ ഒരു نسخة ഉണ്ടാകുകയും കോഡ് ഓടിക്കുക, പരീക്ഷിക്കുക, മാറ്റം വരുത്തുക എന്നിവയ്ക്കായി ഉപയോഗിക്കാം!

ഇത് ചെയ്യാനായി ഫോർക്ക് ചെയ്യുക എന്ന ലിങ്കിൽ ക്ലിക്കുചെയ്യുക.

നിങ്ങൾക്കു താങ്കളുടെ സ്വന്തം ഈ കോഴ്സിന്റെ ഫോർക്ക് പതിപ്പ് താഴെയുള്ള ലിങ്കിൽ ഉണ്ടായിരിക്കണം:

ഷാലോ ക്ലോൺ (വർക്ഷോപ് / കോഡ്സ്പെയ്സിനായി ശുപാർശ ചെയ്യുന്നു)

പൂർണ്ണ റീപ്പോസിറ്ററി ഫുൾ ചരിത്രവും എല്ലാ ഫയലുകളും ഡൗൺലോഡ് ചെയ്യുമ്പോൾ വലുതായിരിക്കും (~3 ജിബി). നിങ്ങൾ വെറും വർക്ഷോപ്പിൽ മാത്രമേ പങ്കെടുക്കുകയുള്ളൂ അല്ലെങ്കിൽ കുറച്ചുകൂടി പാഠഭാഗം ഫോൾഡറുകൾ മാത്രം ആവശ്യമായെങ്കിൽ, ഷാലോ ക്ലോൺ (അല്ലെങ്കിൽ സ്‌പാർസ് ക്ലോൺ) ചരിത്രം മുറിച്ച്/ബ്ലോബുകൾ ഒഴിവാക്കി ഡൗൺലോഡ് വലിയഭാഗം ഒഴിവാക്കുന്നു.

വേഗത്തിലുള്ള ഷാലോ ക്ലോൺ — കുറഞ്ഞ ചരിത്രം, എല്ലാ ഫയലുകളും

താഴെയുള്ള കമാൻഡുകളിൽ <your-username> നിങ്ങളുടെ ഫോർക്ക് URL (അല്ലെങ്കിൽ നിങ്ങൾക്ക് ഇഷ്ടമായാൽ അപ്‌സ്റ്റ്രീം URL) ഉപയോഗിച്ച് മാറ്റുക.

ഏറ്റവും പുതിയ കമ്മിറ്റ് ചരിത്രം മാത്രം ക്ലോൺ ചെയ്യാൻ (ചെറിയ ഡൗൺലോഡ്):

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

പ്രത്യേക ബ്രാഞ്ച് ക്ലോൺ ചെയ്യാൻ:

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

ഭാഗിക (Sparse) ക്ലോൺ — കുറഞ്ഞ ബ്ലോബുകൾ + തിരഞ്ഞെടുത്ത ഫോൾഡറുകൾ മാത്രം

ഇത് ഭാഗിക ക്ലോൺ പോലുള്ള പ്രത്യേക Git 2.25+ വേർഷനും ഭാഗിക ക്ലോൺ പിന്തുണയുള്ള മോഡേൺ Git ഉം ആവശ്യമാണ്:

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

റീപ്പോ ഫോൾഡറിലേക്ക് പോകുക:

cd ai-agents-for-beginners

പിന്നീട് നിങ്ങൾക്ക് ആവശ്യമായ ഫോൾഡറുകൾ വ്യക്തമാക്കുക (ഉദാഹരണത്തിന് രണ്ടു ഫോൾഡറുകൾ കാണിക്കുന്നു):

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

ക്ലോണുചെയ്ത് ഫയലുകൾ പരിശോധിച്ചശേഷം, നിങ്ങൾക്ക് വെറും ഫയലുകൾ മാത്രമേ ആവശ്യമായുള്ളൂ ആണെങ്കിൽ, സ്പേസ് ഫ്രീ ചെയ്യാൻ റീപ്പോസിറ്ററി മെടാ ഡാറ്റ (ഗിറ്റ് ചരിത്രം ഇല്ലാതെ) ഇല്ലാതാക്കുക (💀പാരതമ്യം ചെയ്യാത്ത ഒരു നടപടിയാണ് - എല്ലാ Git പ്രവർത്തനങ്ങളും നഷ്ടപ്പെടും: കമ്മിറ്റുകൾ, പുൾ, പുഷ്, അല്ലെങ്കിൽ ചരിത്ര പ്രവേശനം).

# zsh/bash
rm -rf .git

# പവർഷെൽ
Remove-Item -Recurse -Force .git

GitHub Codespaces ഉപയോഗിക്കൽ (പ്രാദേശിക വലിയ ഡൗൺലോഡുകൾ ഒഴിവാക്കാൻ ശുപാർശ ചെയ്യുന്നു)

• ഈ റീപ്പോക്ക് വേണ്ടി GitHub UI വഴി പുതിയ കോഡ്സ്പെയ്‌സ് സൃഷ്‌ടിക്കുക.

• പുതുതായി സൃഷ്ടിച്ച കോഡ്സ്പെയ്സിലെ ടെർമിനലിൽ മുമ്പ് നൽകിയ ഷാലോ/സ്‌പാർസ് ക്ലോൺ കമാൻഡുകൾ ഉപയോഗിച്ച് നിങ്ങൾക്ക് വേണ്ട പാഠഭാഗം ഫോൾഡറുകൾ മാത്രം കോഡ്സ്പെയ്‌സ് വർക്ക്സ്പേസിലേക്കു കൊണ്ടുവരിക.
• ഓപ്ഷണൽ: കോഡ്സ്പേസിൽ ക്ലോൺ ചെയ്തശേഷം അധിക സ്പേസ് വീണ്ടെടുക്കാൻ .git ഇല്ലാതാക്കാവുന്നതാണ് (മുകളിൽ നൽകിയ റിമൂവ് കമാൻഡുകൾ വായിക്കുക).
• കുറിപ്പു: നിങ്ങൾക്ക് ഈ റീപ്പോ നേരിട്ട് കോഡ്സ്പേസിൽ തുറക്കാൻ ഇഷ്ടമായാൽ (ക്ലോൺ ഒഴികെ), കോഡ്സ്പെയ്‌സ് ഡെവ്‍കെന്റൈനർ പരിതസ്ഥിതിയും മറ്റ് ആവശ്യക്കാർക്കും മേൽപരിചരണം നൽകേണ്ടിവരും. ഒരു പുതിയ കോഡ്സ്പേസിൽ ഷാലോ ക്ലോൺ ചെയ്യുന്നതിലൂടെ ഡിസ്ക് ഉപയോഗത്തിൽ കൂടുതൽ നിയന്ത്രണം സാദ്ധ്യമാകും.

ടിപ്പുകൾ

• എഡിറ്റ്/കമ്മിറ്റ് ചെയ്യാൻ നിങ്ങൾക്ക് നിങ്ങളുടെ ഫോർക്ക് ഉപയോഗിച്ച് ക്ലോൺ URL സദാ മാറ്റുക.
• പിന്നീട് അധിക ചരിത്രം അല്ലെങ്കിൽ ഫയലുകൾ വേണമെങ്കിൽ, അവ ലഭിക്കാൻ ഫെട്ച് ചെയ്യാം അല്ലെങ്കിൽ സ്‌പാർസ്-ചെക്ക്ഔട്ട് സജ്ജമാക്കി കൂടുതൽ ഫോൾഡറുകൾ ഉൾപ്പെടുത്താം.

കോഡ് ഓടിക്കൽ

ഈ കോഴ്സ് AI ഏജന്റ്മാരെ നിർമ്മിക്കുന്നതിൽ കൈക്കൈ കോപ്പ് അനുഭവം നൽകുന്ന ജ്യൂപിറ്റർ നോട്ട്‌ബുക്കുകളുടെ ശ്രേണി ഓഫർ ചെയ്യുന്നു.

കോഡ് സാമ്പിളുകൾ Microsoft Agent Framework (MAF) ഉപയോഗിക്കുന്നു FoundryChatClient ഉപയോഗിച്ച്, ഇത് Microsoft Foundry വഴി Microsoft Foundry Agent Service V2 (Responses API) കണക്റ്റ് ചെയ്യുന്നു.

എല്ലാ പൈത്തൺ നോട്ട്‌ബുക്കുകളും *-python-agent-framework.ipynb എന്ന ലേബലോടെയാണ്.

ആവശ്യകതകൾ

• Python 3.12+

  • കുറിപ്പു: Python3.12 ഇൻസ്റ്റാൾ ചെയ്യാത്തുവെങ്കിൽ അതു ഇൻസ്റ്റാൾ ചെയ്യുക. തുടർന്ന് requirements.txt ഫയലിൽ നിന്നുള്ള ശരിയായ വേർഷനുകൾ ഇൻസ്റ്റാൾ ചെയ്യാൻ python3.12 ഉപയോഗിച്ച് നിങ്ങളുടെ വേർച്വൽ എൻവയറൺമെന്റ് സൃഷ്ടിക്കുക.

    ഉദാഹരണം

    Python വേർച്വൽ എൻവയറൺമെന്റ് ഫോള്ഡർ സൃഷ്ടിക്കുക:

    python -m venv venv
    

    തുടർന്ന് എന്നാൽ വെന്ന് എൻവയർമെന്റ് സജീവമാക്കുക:

    # zsh/bash
    source venv/bin/activate
    

    # Command Prompt for Windows
    venv\Scripts\activate
    

• .NET 10+ : .NET ഉപയോഗിച്ച് സാമ്പിൾ കോഡ് ഓടിക്കുന്നുവെങ്കിൽ .NET 10 SDK അല്ലെങ്കിൽ അതിനു മുകളിൽ ഇൻസ്റ്റാൾ ചെയ്തിട്ടുണ്ടോ എന്ന് ഉറപ്പാക്കുക. തുടർന്ന് ഇൻസ്റ്റാൾ ചെയ്ത .NET SDK വേർഷൻ പരിശോധിക്കുക:

    dotnet --list-sdks
  

• Azure CLI — ഓത്തന്റിക്കേഷൻ ആവശ്യമാണ്. aka.ms/installazurecli നിന്നും ഇൻസ്റ്റാൾ ചെയ്യുക.
• Azure Subscription — Microsoft Foundry-യും Microsoft Foundry Agent Service-ലും പ്രവേശനത്തിനായി.
• Microsoft Foundry പ്രോജക്റ്റ് — മോഡൽ വിന്യസിച്ച പ്രോജക്റ്റ് (ഉദാഹരണം gpt-5-mini). താഴെ പടി 1 കാണുക.

ഈ റീപ്പോയുടെ റൂട്ട് ഡയറക്ടറിയിൽ requirements.txt ഫയൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്, ഇത് കോഡ് സാമ്പിളുകൾ ഓടിക്കാൻ ആവശ്യമായ എല്ലാ പൈത്തൺ പാക്കേജുകളും അടങ്ങിയതാണ്.

റീപ്പോയുടെ റൂട്ടിൽ നിങ്ങളുടെ ടെർമിനലിൽ താഴെ കാണിച്ച കമാൻഡ് ഓടിച്ച് അവ ഇൻസ്റ്റാൾ ചെയ്യാവുന്നതാണ്:

pip install -r requirements.txt

പൈത്തൺ വെർച്ച്വൽ എൻവയറൺമെന്റ് സൃഷ്ടിക്കുകയും അമർച്ചകളോ പ്രശ്‌നങ്ങളും ഒഴിവാക്കാൻ അങ്ങനെ ഓടിക്കുന്നതിനായി ശുപാർശ ചെയ്യുന്നു.

VSCode സജ്ജീകരിക്കുക

VSCode-യിൽ നിങ്ങൾ ശരിയായ പൈത്തൺ വേർഷൻ ഉപയോഗിക്കുന്നുണ്ടെന്ന് ഉറപ്പാക്കുക.

Microsoft Foundry & Microsoft Foundry Agent Service സജ്ജീകരിക്കുക

പടി 1: Microsoft Foundry പ്രോജക്റ്റ് സൃഷ്ടിക്കുക

നോട്ട്‌ബുക്കുകൾ ഓടിക്കാനുള്ളതിന് നിങ്ങൾക്ക് Microsoft Foundry ഹബ് ഒപ്പം പ്രോജക്റ്റ് ഒരു വിന്യസിച്ച മോഡലോടെ വേണം.

1. ai.azure.com പുതിയതോ നിലവിലുള്ള Azure അക്കൗണ്ട് ഉപയോഗിച്ച് ലോഗിൻ ചെയ്യുക.
2. ഒരു ഹബ് സൃഷ്ടിക്കുക (അല്ലെങ്കിൽ നിലവിലുള്ളത് ഉപയോഗിക്കുക). കാണുക: Hub resources overview.
3. ഹബിനകത്ത് പ്രോജക്റ്റ് സൃഷ്ടിക്കുക.
4. Models + Endpoints → Deploy model-ൽ നിന്നൊരു മോഡൽ (ഉദാ. gpt-5-mini) വിന്യസിക്കുക.

പടി 2: നിങ്ങളുടെ പ്രോജക്റ്റ് എൻഡ്‌പോയിന്റും മോഡൽ വിന്യാസനാമവും കണ്ടെത്തുക

Microsoft Foundry പോർട്ടലിലെ നിങ്ങളുടെ പ്രോജക്റ്റിൽ നിന്ന്:

• Project Endpoint — Overview പേജിൽ ചെന്നു എൻഡ്‌പോയിന്റ് URL കോപ്പി ചെയ്യുക.

• Model Deployment Name — Models + Endpoints ൽ വ്യവസ്ഥം ചെയ്ത മോഡൽ തിരഞ്ഞെടുക്കുക, പിന്നീട് Deployment name (ഉദാ. gpt-5-mini) നോക്കുക.

പടി 3: az login ഉപയോഗിച്ച് Azure-യിൽ സൈൻ ഇൻ ചെയ്യുക

എല്ലാ നോട്ട്‌ബുക്കുകളും ഓത്തന്റിക്കേഷനായി AzureCliCredential ഉപയോഗിക്കുന്നു — API കീകൾ നിയന്ത്രിക്കേണ്ടതില്ല. ഇത് Azure CLI മുഖേന സൈൻ-ഇൻ ചെയ്തിരിക്കണം എന്നതാണ് ആവശ്യകത.

1. Azure CLI ഇൻസ്റ്റാൾ ചെയ്യുക (ഇനി വരെ ഇല്ലെങ്കിൽ): aka.ms/installazurecli

2. സൈൻ ഇൻ ചെയ്യാൻ:

    az login
   

   അല്ലെങ്കിൽ, ബ്രൗസർ ഇല്ലാത്ത റിമോട്ട്/കോട്സ്പെയ്‌സ് എൻവയറൺമെന്റിൽ:

    az login --use-device-code
   

3. സബ്സ്ക്രിപ്ഷൻ തിരഞ്ഞെടുക്കുക (പ്രൊമ്പ്റ്റ് ഉണ്ടെങ്കിൽ) — നിങ്ങളുടെ Foundry പ്രോജക്റ്റ് ഉൾപ്പെടുന്നത് തിരഞ്ഞെടുക്കുക.

4. സൈൻ ഇൻ ആയിരിക്കുന്നതായി സ്ഥിരീകരിക്കുക:

    az account show
   

az login എന്തിനെന്ന്? നോട്ട്‌ബുക്കുകൾ ഓത്തന്റിക്കേഷനായി azure-identity പാക്കേജിലുള്ള AzureCliCredential ഉപയോഗിക്കുന്നു. ഇത് നിങ്ങളുടെ Azure CLI സെഷൻ ക്രെഡൻഷ്യലുകൾ നൽകുന്നു — API കീകൾ അല്ലെങ്കിൽ രഹസ്യങ്ങൾ .env ഫയലിൽ വേണമെന്നില്ല. ഇത് ഒരു സുരക്ഷാ മികച്ച പ്രാക്ടീസ് ആണ്.

പടി 4: നിങ്ങളുടെ .env ഫയൽ സൃഷ്ടിക്കുക

ഉദാഹരണ ഫയൽ കോപ്പി ചെയ്യുക:

# zsh/bash
cp .env.example .env

# പവർഷെൽ
Copy-Item .env.example .env

.env തുറന്നു താഴെയുള്ള രണ്ട് മാറ്റങ്ങൾ പൂരിപ്പിക്കുക:

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

മാറ്റാം	എവിടെ കണ്ടെത്താം
AZURE_AI_PROJECT_ENDPOINT	Foundry പോർട്ടൽ → നിങ്ങളുടെ പ്രോജക്റ്റ് → Overview പേജ്
AZURE_AI_MODEL_DEPLOYMENT_NAME	Foundry പോർട്ടൽ → Models + Endpoints → നിങ്ങളുടെ വിന്യാസിച്ച മോഡൽ നാമം

ബാക്കി പാഠങ്ങൾക്കാണ് ഇത് വേണ്ടത്! നോട്ട്‌ബുക്കുകൾ നിങ്ങളുടെ az login സെഷൻ വഴി സ്വയമെയ്യും ഓത്തന്റിക്കേഷൻ ചെയ്യും.

പടി 5: പൈത്തൺ ആശ്രിത പാക്കേജുകൾ ഇൻസ്റ്റാൾ ചെയ്യുക

pip install -r requirements.txt

ഇത് നിങ്ങൾ മുമ്പ് സൃഷ്ടിച്ച വെർച്ച്വൽ എൻവയർമെന്റിൽ ഓടിക്കണമെന്ന് ഞങ്ങൾ ശുപാർശ ചെയ്യുന്നു.

പാഠം 5 (Agentic RAG)-ക്ക് അധിക സജ്ജീകരണങ്ങൾ

പാഠം 5 Azure AI Search ഉപയോഗിക്കുന്നു retrieval-augmented generation-നായി. ആ പാഠം ഓടിക്കാനാണെങ്കിൽ, ഈ മാറ്റങ്ങൾ നിങ്ങളുടെ .env ഫയലിൽ ചേർക്കുക:

മാറ്റാം	എവിടെ കണ്ടെത്താം
AZURE_SEARCH_SERVICE_ENDPOINT	Azure പോർട്ടൽ → നിങ്ങളുടെ Azure AI Search റിസോഴ്‌സ് → Overview → URL
AZURE_SEARCH_API_KEY	Azure പോർട്ടൽ → നിങ്ങളുടെ Azure AI Search റിസോഴ്‌സ് → Settings → Keys → പ്രധാന അഡ്മിൻ കീ

പാഠങ്ങൾ 6 & 8 (Azure OpenAI നേരിട്ട് വിളിക്കൽ)കായി അധിക സജ്ജീകരണം

പാഠങ്ങളിൽ 6 & 8 ചില നോട്ട്‌ബുക്കുകൾ Microsoft Foundry പ്രോജക്റ്റിനു പകരം Azure OpenAI നെ നേരിട്ട് (Responses API ഉപയോഗിച്ച്) വിളിക്കുന്നു. ഇതു മുമ്പ് GitHub മോഡലുകൾ ഉപയോഗിച്ചിരുന്നു, എന്നാൽ അത് പ്രയോഗം അവസാനിപ്പിക്കപ്പെട്ടുവും (2026 ജൂലൈയിൽ), Responses API ഇല്ല. ഈ സാമ്പിളുകൾ ഓടിക്കുവാൻ ആകുന്നതെങ്കിൽ ഈ മാറുകൾ .env ലേക്ക് ചേർക്കുക:

മാറ്റാം	എവിടെ കണ്ടെത്താം
AZURE_OPENAI_ENDPOINT	Azure പോർട്ടൽ → നിങ്ങളുടെ Azure OpenAI റിസോഴ്‌സ് → Keys and Endpoint → Endpoint (ഉദാ. https://<your-resource>.openai.azure.com)
AZURE_OPENAI_DEPLOYMENT	Responses API നു പിന്തുണയുള്ള വിന്യാസിച്ച മോഡൽ പേര് (ഉദാ. gpt-5-mini)
AZURE_OPENAI_API_KEY	ഓപ്ഷണൽ — az login/Entra ID പകരം കീ അടിസ്ഥാനത്തിലുള്ള ഓത്തന്റിക്കേഷൻ ഉപയോഗിക്കുന്ന പക്ഷം മാത്രം

Responses API സ്ഥിരമായ /openai/v1/ എൻഡ്‌പോയിന്റ് ഉപയോഗിക്കുന്നു, അതിനാൽ api-version ആവശ്യമാണ് എന്ന് ഇല്ല. കീ രഹിത എന്റ്ര ID ഓത്തന്റിക്കേഷനായി az login ഉപയോഗിക്കുക.

മാർഗ്ഗനായകൻ: MiniMax (OpenAI-സമാനമായ)

MiniMax വലിയ കോൺടെക്സ്റ്റ് മോഡലുകൾ (204K ടോക്കൺ വരെ) OpenAI-സഹകരണ API വഴി നൽകുന്നു. Microsoft Agent Frameworkയുടെ OpenAIChatClient ഏതു OpenAI-സമാന എൻഡ്‌പോയിന്റിനോടും പ്രവർത്തിക്കുന്നതിനാൽ, MiniMax ഉപയോഗിച്ച് Azure OpenAI അല്ലെങ്കിൽ OpenAI പകരം ഉപയോഗിക്കാം.

ഈ മാറ്റങ്ങൾ .env ഫയലിൽ ചേർക്കുക:

മാറ്റാം	എവിടെ കണ്ടെത്താം
MINIMAX_API_KEY	MiniMax Platform → API കീകൾ
MINIMAX_BASE_URL	https://api.minimax.io/v1 (ഡീഫോൾട്ട് മൂല്യം) ഉപയോഗിക്കുക
MINIMAX_MODEL_ID	ഉപയോഗിക്കാൻ മോഡൽ പേര് (ഉദാ. MiniMax-M3)

ഉദാഹരണ മോഡലുകൾ: MiniMax-M3 (ശുപാർശ ചെയ്യുന്നു), MiniMax-M2.7, MiniMax-M2.7-highspeed (വേഗതയേറിയ പ്രതികരണങ്ങൾ). മോഡൽ നാമങ്ങളും ലഭ്യതയും സമയത്തിനൊത്ത് മാറാം, ഒരു മോഡലിന് നിങ്ങളുടെ അക്കൗണ്ടിന് അല്ലെങ്കിൽ പ്രദേശത്തിനനുസരിച്ച് പ്രവേശനത്തിന്റേയും ഈടും ഉണ്ടാകാം — ഇപ്പോഴത്തെ പട്ടികക്കായി MiniMax Platform പരിശോധിക്കുക. MiniMax-M3 നിങ്ങളുടെ അക്കൗണ്ടിൽ ലഭ്യമല്ലെങ്കിൽ, നിങ്ങൾക്ക് ലഭ്യമാകുന്ന മറ്റൊരു മോഡൽ (ഉദാ. MiniMax-M2.7) MINIMAX_MODEL_ID ആയി സജ്ജമാക്കുക.

OpenAIChatClient ഉപയോഗിക്കുന്ന കോഡ് സാമ്പിളുകൾ (ഉദാ. പാഠം 14 ഹൈറ്റ് ബുക്കിംഗ് വർക്‌ഫ്ലോ) MINIMAX_API_KEY സജ്ജമാക്കിയാൽ നിങ്ങളുടെ MiniMax കോൺഫിഗറേഷൻ ഓട്ടോമാറ്റിക്കായി കണ്ടെത്തുകയും ഉപയോഗിക്കുകയും ചെയ്യും.

മാർഗ്ഗനായകൻ: Foundry Local (മോഡലുകൾ ഉപകരണത്തിൽ ഓടിക്കുക)

Foundry Local ഒരു ലൈറ്റ്‌വെയിറ്റ് റൺടൈം ആണ്, ഭാഷ മോഡലുകൾ പൂർണ്ണമായും നിങ്ങളുടെ സ്വന്തം മെഷീനിൽ OpenAI-സമാന API വഴി ഡൗൺലോഡ് ചെയ്ത്, നിയന്ത്രിച്ച്, സേവനം ചെയ്യുന്നു — ക്ലൗഡ്, Azure സബ്സ്ക്രിപ്ഷൻ, API കീകൾ ഒന്നും ഇല്ലാതെ. ഓഫ്‌ലൈൻ വികസനം, ക്ലൗഡ് ചെലവുകൾ ഇല്ലാതെ പരീക്ഷണം, അല്ലെങ്കിൽ ഡാറ്റ ഉപകരണത്തിൽ സൂക്ഷിക്കാൻ മികച്ചൊരു ഓപ്ഷൻ.

Microsoft Agent Frameworkയുടെ OpenAIChatClient ഏതു OpenAI-സമാന എൻഡ്‌പോയിന്റിനോടും പ്രവർത്തിക്കുന്നതിനാൽ, Foundry Local Azure OpenAI ന്റെ ഒരു പകരം പോലെയാണ്.

1. Foundry Local ഇൻസ്റ്റാൾ ചെയ്യുക

# വിൻഡോസ്
winget install Microsoft.FoundryLocal

# മാക്‌ഓഎസ്
brew install foundrylocal

2. ഒരു മോഡൽ ഡൗൺലോഡ് ചെയ്‌ത ശേഷം ഓടിക്കുക (ഇത് ലോക്കൽ സർവീസ് ആരംഭിക്കുമെന്നുമാണ്):

foundry model list          # ലഭ്യമായ മോഡലുകൾ കാണുക
foundry model run phi-4-mini

3. ലോക്കൽ എൻഡ്‌പോയിന്റ് കണ്ടെത്താൻ ഉപയോഗിക്കുന്ന Python SDK ഇൻസ്റ്റാൾ ചെയ്യുക:

pip install foundry-local-sdk

4. Microsoft Agent Framework നിങ്ങളുടെ ലോക്കൽ മോഡലിലേക്ക് പോയിന്റുചെയ്യുക:

from foundry_local import FoundryLocalManager
from agent_framework.openai import OpenAIChatClient

# മോഡൽ ലോക്കലായി ഡൗൺലോഡ് ചെയ്യുകയും സേവിച്ചെടുക്കുകയും ചെയ്യുന്നു, പിന്നീട് എൻഡ്‌പോയിന്റും പോർട്ടും കണ്ടെത്തുന്നു.
manager = FoundryLocalManager("phi-4-mini")

chat_client = OpenAIChatClient(
    base_url=manager.endpoint,      # ഉദാ: http://localhost:<port>/v1
    api_key=manager.api_key,        # Foundry Local ന് എപ്പോഴും "ആവശ്യവുമില്ല" ആണ്.
    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.",
)

കുറിപ്പ്: Foundry Local ഒരു OpenAI-സമാന Chat Completions എൻഡ്‌പോയിന്റ് പുറത്തുവിടുന്നു. ഓഫ്ലൈൻ വികസനത്തിനും എന്നാൽ, സവിശേഷതകൾക്കായി (സ്ഥിതി സൂക്ഷിക്കുന്ന സംഭാഷണങ്ങൾ, ടൂൾ ഓർക്കസ്‌ട്രേഷൻ, ഏജന്റ്-സ്റ്റൈൽ വികസനം) പൂർണ്ണ Responses API ഫീച്ചർ സജ്ജീകരണം, Azure OpenAI അല്ലെങ്കിൽ Microsoft Foundry പ്രോജക്റ്റ് ഉപയോഗിക്കുക. Foundry Local ഡോക്യുമെന്റേഷൻ പുതിയ മോഡൽ പട്ടികക്കും പ്ലാറ്റ്ഫോം പിന്തുണക്കും കാണുക.

പാഠം 8 (Bing Grounding Workflow)-ക്ക് അധിക സജ്ജീകരണങ്ങൾ

പാഠം 8-ലെ നിബന്ധിത വർക്ക്‌ഫ്ലോ നോട്ട്‌ബുക്ക് മൈക്രോസോഫ്റ്റ് ഫൗണ്ട്രിയുടെ Bing ഗ്രൗണ്ടിംഗ് ഉപയോഗിക്കുന്നു. ആ സാമ്പിൾ പ്രവർത്തിപ്പിക്കാൻ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, നിങ്ങളുടെ .env ഫയലിൽ ഈ വേരിയബിൾ ചേർക്കുക:

വേരിയബിൾ	എവിടെ കണ്ടെത്താം
BING_CONNECTION_ID	Microsoft Foundry പോർട്ടൽ → നിങ്ങളുടെ പ്രോജക്റ്റ് → Management → Connected resources → നിങ്ങളുടെ Bing കണക്ഷൻ → കണക്ഷൻ ഐഡി कॉപ്പി ചെയ്യുക

പ്രശ്നപരിഹാരം

macOS-ൽ SSL സർട്ടിഫിക്കറ്റ് പരിശോധന പിശകുകൾ

നിങ്ങൾ macOS-ൽ ആണെങ്കിൽ താഴെപറയുന്ന പോലൊരു പിശക് നേരിടുമ്പോൾ:

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

ഇത് macOS-ൽ പൈത്തണുമായി ബന്ധപ്പെട്ട ഒരു അറിയപ്പെടുന്ന പ്രശ്നമാണ്, ഇവിടെ സിസ്റ്റം SSL സർട്ടിഫിക്കറ്റുകൾ സ്വയമേവ വിശ്വസിക്കില്ല. താഴെപ്പറയുന്ന പരിഹാരങ്ങൾ ക്രമത്തിൽ പരീക്ഷിക്കുക:

ഓപ്ഷൻ 1: പൈത്തണിന്റെ സർട്ടിഫിക്കറ്റ് ഇൻസ്റ്റാൾ സ്ക്രിപ്റ്റ് പ്രവർത്തിപ്പിക്കുക (അനുകൂലിക്കുന്നത്)

# ഇൻസ്റ്റാൾ ചെയ്ത പൈതൺ പതിപ്പ് (ഉദാ: 3.12 അല്ലെങ്കിൽ 3.13) ഉപയോഗിച്ച് 3.XX എന്നിവ മാറ്റുക:
/Applications/Python\ 3.XX/Install\ Certificates.command

ഓപ്ഷൻ 2: നിങ്ങളുടെ നോട്ട്‌ബുക്കിൽ connection_verify=False ഉപയോഗിക്കുക (GitHub മോഡെൽ നോട്ട്‌ബുക്കുകൾക്ക് മാത്രം)

പാഠം 6 നോട്ട്‌ബുക്കിൽ (06-building-trustworthy-agents/code_samples/06-system-message-framework.ipynb), ഒരു കോമന്റ് ഓഫ് ചെയ്ത രീതിയിലുള്ള പരിഹാരം ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. ക്ലയന്റ് സൃഷ്ടിക്കുമ്പോൾ connection_verify=False അമാനപ്പെടുത്തുക:

client = ChatCompletionsClient(
    endpoint=endpoint,
    credential=AzureKeyCredential(token),
    connection_verify=False,  # സർട്ടിഫിക്കറ്റ് പിശകുകൾ ഉണ്ടാകുകയാണെങ്കിൽ SSL പരിശോധന പ്രവർത്തനരഹിതമാക്കുക
)

⚠️ ജാഗ്രത: SSL സ്ഥിരീകരണം ഓഫ് ചെയ്യുന്നത് (connection_verify=False) സുരക്ഷ കുറഞ്ഞുവരുത്തുന്നു കാരണം സർട്ടിഫിക്കറ്റ് പരിശോധന ഒഴിവാക്കുന്നു. ഇത് വികസന പരിസ്ഥിതികളിൽ താൽക്കാലിക പരിഹാരമായി മാത്രം ഉപയോഗിക്കുക, പ്രൊഡക്ഷനിൽ ഒരിക്കലും ഉപയോഗിക്കരുത്.

ഓപ്ഷൻ 3: truststore ഇൻസ്റ്റാൾ ചെയ്ത് ഉപയോഗിക്കുക

pip install truststore

പിന്നീട്, നിങ്ങളുടെ നോട്ട്‌ബുക്കിന്റെ അല്ലെങ്കിൽ സ്ക്രിപ്റ്റിന്റെ മുകളിൽ നെറ്റ്‌വർക്കിന് മുൻപ് ഇതു ചേർക്കുക:

import truststore
truststore.inject_into_ssl()

എങ്കിലും സങ്കടമുണ്ടോ?

ഈ സെറ്റ്‌അപ്പ് പ്രവർത്തിപ്പിക്കുന്നത് സംബന്ധിച്ച് പ്രശ്നങ്ങളുണ്ടെങ്കിൽ, ഞങ്ങളുടെ Azure AI Community Discord ലേക്ക് ചേരുക അല്ലെങ്കിൽ ഒരു ഇഷ്യൂ സൃഷ്ടിക്കുക.

അടുത്ത പാഠം

ഈ കോഴ്‌സിന്റെ കോഡ് പ്രവർത്തിപ്പിക്കാൻ ഇപ്പോൾ നിങ്ങൾ സജ്ജമാണ്. AI ഏജന്റുകളുടെ ലോകത്തെ കുറിച്ച് കൂടുതൽ പഠിക്കാൻ സന്തോഷം!

AI ഏജന്റുകളിലും ഏജന്റ് ഉപയോഗ കേസുകളിലും പരിചയം

---

അറിയിപ്പ്: ഈ രേഖ AI പരിഭാഷാ സേവനം Co-op Translator ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്കായി ശ്രമിക്കുന്നുവെങ്കിലും, ഓട്ടോമേറ്റഡ് പരിഭാഷകളിൽ പിഴവുകൾ അല്ലെങ്കിൽ തെറ്റായ വിവരങ്ങൾ ഉണ്ടാകാൻ സാധ്യതയുണ്ട്. അതിന്റെ സ്വാഭാവിക ഭാഷയിലുള്ള അസൽ രേഖയാണ് പ്രാമാണികമായ ഉറവിടമായി പരിഗണിക്കേണ്ടത്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷ ശുപാർശ ചെയ്യുന്നു. ഈ പരിഭാഷ ഉപയോഗിച്ച് ഉണ്ടാകുന്ന തെറ്റിദ്ധാരണകൾ അല്ലെങ്കിൽ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കായി ഞങ്ങൾ ഉത്തരവാദികളല്ല.

This site is open source. Improve this page.