ai-agents-for-beginners

കോഴ്‌സ് സെറ്റപ്പ്

പരിചയം

ഈ പാഠത്തില്‍ ഈ കോഴ്‌സിന്റെ കോഡ് സാമ്പിളുകൾ എങ്ങനെ റൺ ചെയ്യാമെന്ന് ഉൾപ്പെടും.

മറ്റു പഠനാർത്ഥികളുമായി ചേർന്നു സഹായം നേടുക

നിങ്ങളുടെ റിപൊ ക്ലോൺ ചെയ്യുന്നതിന് മുമ്പ്, സെറ്റപ്പുമായി ബന്ധപ്പെട്ട എന്തെങ്കിലും സഹായം ആവശ്യമുണ്ടെങ്കിൽ, കോഴ്‌സ് സംബന്ധിച്ച ചോദ്യങ്ങൾക്കോ മറ്റേതെങ്കിലും പേരിൽ, അല്ലെങ്കിൽ മറ്റു പഠനാർത്ഥികളുമായി ബന്ധപ്പെടാൻ AI Agents For Beginners Discord ചാനൽ ചേർന്നു കണ്ണി നേടുക.

ഈ റിപൊ ക്ലോൺ ചെയ്യുക അല്ലെങ്കിൽ ഫോർക്ക് ചെയ്യുക

ആരംഭിക്കാൻ, GitHub റിപോസിറ്ററി ക്ലോൺ ചെയ്യുക അല്ലെങ്കിൽ ഫോർക്ക് ചെയ്യുക. ഇതിലൂടെ കോഴ്‌സ് മെറ്റീരിയലിന്റെ നിങ്ങളുടെ സ്വന്തം പതിപ്പ് ഉണ്ടാകുകയും, നിങ്ങള്‍ക്ക് കോഡ് പ്രവർത്തിപ്പിക്കാനും ടെസ്റ്റ് ചെയ്യാനും തയാറാക്കാനും കഴിയും!

ഇത് റിപൊ ഫോർക്ക് ചെയ്യുക ലിങ്കിൽ ക്ലിക്ക് ചെയ്യുന്നതിലൂടെ ചെയ്യാം

താഴെയുള്ള ലിങ്കിൽ ഇപ്പോൾ നിങ്ങള്‍ക്ക് ഈ കോഴ്‌സിന്റെ നിങ്ങളുടെ സ്വന്തം ഫോർക്ക് ചെയ്ത പതിപ്പ് ലഭിച്ചിരിക്കണം:

ഷാലോ ക്ലോൺ (വർക്ക്‌ഷോപ്പ് / കോഡ്‌സ്‌പേസുകൾക്കായി ശുപാർശ ചെയ്യുന്നു)

പൂർണ്ണ റിപോസിറ്ററി മുഴുവൻ ചരിത്രവും എല്ലാ ഫയലുകളും ഡൗൺലോഡ് ചെയ്യുമ്പോൾ കൂടുതലായി (~3 GB) ആയിരിക്കും. നിങ്ങൾക്ക് വർക്ക്ഷോപ്പിൽ പങ്കെടുക്കുകയോ കുറച്ചു പാഠഫോൾഡറുകൾ മാത്രം ആവശ്യമാണെങ്കിൽ, ഷാലോ ക്ലോൺ (അഥവാ സ്പാർസ് ക്ലോൺ) ചരിത്രം പരിഷ്‌ക്കരിക്കാനും/അഥവാ ബ്ലോബുകൾ ഒഴിവാക്കാനും ഉപയോഗിച്ച് ഡൗൺലോഡ് കൂടുതലായി ഒഴിവാക്കാൻ സഹായിക്കുന്നു.

ക്വിക്ക് ഷാലോ ക്ലോൺ — കുറഞ്ഞ ചരിത്രം, എല്ലാ ഫയലുകളും

താഴെയുള്ള കമാൻഡുകളിൽ <your-username> എന്നത് നിങ്ങളുടെ ഫോർക്ക് URL (അഥവാ ആപ്സ്ട്രീം URL ഉപയോഗിക്കാൻ താൽപര്യപ്പെടുന്നെങ്കിൽ) കൊണ്ട് മാറ്റുക.

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

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

പ്രത്യേക ഒരു ബ്രാഞ്ച് ക്ലോൺ ചെയ്യാൻ:

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

ഭാഗിക (സ്പാർസ്) ക്ലോൺ — കുറഞ്ഞ ബ്ലോബുകൾ + തിരഞ്ഞെടുക്കപ്പെട്ട ഫോൾഡറുകൾ മാത്രം

ഇത് ഭാഗിക ക്ലോൺയും സ്പാർസ്-ചെക്ഔട്ടും ഉപയോഗിക്കുന്നു (Git 2.25+ വേണം, കൂടാതെ ഭാഗിക ക്ലോൺ പിന്തുണയുള്ള ആധുനിക Git ശുപാർശ ചെയ്യുന്നു):

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

റിപൊ ഫോൾഡറിലേക്ക് പോകുക:

cd ai-agents-for-beginners

പിന്നീട് നിങ്ങൾക്ക് വേണ്ട ഫോൾഡറുകൾ വ്യക്തമാക്കൂ (താഴെ കാണിക്കുന്ന ഉദാഹരണം രണ്ട് ഫോൾഡറുകളാണ്):

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

ക്ലോൺ ചെയ്ത് ഫയലുകൾ സ്ഥിരീകരിച്ചതിന് ശേഷം, നിങ്ങൾക്ക് ഫയലുകൾ മാത്രം വേണം, സ്പേസ് മുക്തമാക്കണം (ഗിറ്റ് ചരിത്രം വേണ്ടെങ്കിൽ), ദയവായി റിപ്പോസിറ്ററി മെറ്റाडാറ്റ ഡിലീറ്റ് ചെയ്യുക (💀 തിരിച്ചു വരാനാകാത്തതായും — നിങ്ങൾ എല്ലാ Git സാമർത്ഥ്യങ്ങളും നഷ്ടപ്പെടും: കമ്മിറ്റുകൾ, പൂൽ, പുഷ്, അല്ലെങ്കിൽ ചരിത്രം പ്രവേശനം ഒന്നും നടക്കില്ല).

# zsh/bash
rm -rf .git

# പവർഷെൽ
Remove-Item -Recurse -Force .git

GitHub Codespaces ഉപയോഗിക്കൽ (പ്രാദേശിക വലിയ ഡൗൺലോഡ് ഒഴിവാക്കാൻ ശുപാർശ ചെയ്യുന്നു)

• ഈ റിപൊയ്ക്കായി GitHub UI വഴി പുതിയ കോഡ്‌സ്പേസ് സൃഷ്ടിക്കുക.

• പുതുതായി സൃഷ്ടിച്ച കോഡ്സ്പേസിന്റെ ടെർമിനലിൽ, മുകളിൽ പറയുന്ന ഷാലോ/സ്പാർസ് ക്ലോൺ കമാൻഡുകളിൽ ഒന്നും റൺ ചെയ്ത് നിങ്ങള്‍ക്ക് ആവശ്യമായ പാഠഫോൾഡറുകൾ മാത്രം കോഡ്സ്പേസ് വർക്ക്‌സ്പേസിലേക്ക് കൊണ്ടുവരുക.
• אופ്ഷണൽ: കോഡ്സ്പേസിന് ഉള്ളിൽ ക്ലോൺ ചെയ്തശേഷം, അധിക സ്ഥലം മടങ്ങിയെടുക്കാൻ .git നീക്കം ചെയ്യാം (മുകളിൽ കാണുന്ന നീക്കം കമാൻഡുകൾ കാണുക).
• കുറിപ്പ്: കോഡ്സ്പേസിൽ റിപൊ നേരിട്ട് തുറക്കാൻ ആഗ്രഹിക്കുമ്പോൾ (അധിക ക്ലോൺ ഇല്ലാതെ), കോഡ്സ്പേസ് ഡെവ്‌കോൺറിനർ പരിസരം സൃഷ്ടിക്കുകയും ആവശ്യത്തിന് അധികം വക്കു ഒരുക്കുകയും ചെയ്യും. പുതിയ കോഡ്സ്പേസിൽ ഷാലോ ക്ലോൺ ചെയ്യുന്നത് ഡിസ്ക് ഉപഭോക്തൃ നിയന്ത്രണം കൂടുതൽ നൽകുന്നു.

സൂചനകൾ

• എപ്പോഴും ക്ലോൺ URL നിങ്ങളുടെ ഫോർക്കിൽ മാറ്റുക, എഡിറ്റ്/കമ്മിറ്റ് ചെയ്യാൻ ആഗ്രഹിക്കുന്നുവെങ്കിൽ.
• പിന്നീട് കൂടുതൽ ചരിത്രം അല്ലെങ്കിൽ ഫയലുകൾ ആവശ്യമെങ്കിൽ, അവയെ ഫെച്ച് ചെയ്യാം അല്ലെങ്കിൽ സ്പാർസ്-ചെക്ഔട്ട് ക്രമീകരിച്ച് കൂടുതൽ ഫോൾഡറുകൾ ഉൾപ്പെടുത്താം.

കോഡ് ഓടിക്കുക

ഈ കോഴ്‌സ് ഒരു ശ്രേണി ജുപൈറ്റർ നോട്ട്‌ബുക്കുകൾ നൽകുന്നു ഒപ്പം AI ഏജന്റുകൾ നിർമ്മിക്കാൻ പ്രായോഗിക പരിചയം നേടുക.

കോഡ് സാമ്പിളുകൾ Microsoft Agent Framework (MAF) ഉപയോഗിക്കുന്നു FoundryChatClient യുമായി, ഇത് Microsoft Foundry Agent Service V2 (Responses API) മുഖാന്തിരം Microsoft Foundry സംബന്ധിക്കുന്നു.

എല്ലാ പൈത്തൺ നോട്ട്‌ബുക്കുകളും *-python-agent-framework.ipynb എന്ന ലേബൽ ഉണ്ട്.

ആവശ്യകതകൾ

• Python 3.12+

  • കുറിപ്പുകൽ: Python3.12 ഇൻസ്റ്റാൾ ചെയ്തിട്ടില്ലെങ്കിൽ, അത് ഇൻസ്റ്റാൾ ചെയ്യുക. പിന്നീട് python3.12 ഉപയോഗിച്ച് നിങ്ങളുടെ venv സൃഷ്ടിച്ച് requirements.txt ഫയലിൽ നിന്ന് ശരിയായ പതിപ്പുകൾ ഇൻസ്റ്റാൾ ചെയ്യുക.

    ഉദാഹരണം

    Python വിർച്ച്വൽ എൻവയോൺമെന്റ് ഡയറക്ടറി സൃഷ്ടിക്കുക:

    python -m venv venv
    

    തുടർന്ന് venv പരിസരം സജീവമാക്കുക:

    # zsh/bash
    source venv/bin/activate
    

    # Command Prompt for Windows
    venv\Scripts\activate
    

• .NET 10+: .NET ഉപയോഗിക്കുന്ന സാമ്പിൾ കോഡുകൾക്കായി .NET 10 SDK അല്ലെങ്കിൽ തുടർന്ന് പതിപ്പ് ഇൻസ്റ്റാൾ ചെയ്തിട്ടുണ്ടെന്ന് ഉറപ്പാക്കുക. തുടർന്ന്, നിങ്ങളുടെ ഇൻസ്റ്റാൾ ചെയ്ത .NET SDK പതിപ്പ് പരിശോധിക്കുക:

    dotnet --list-sdks
  

• Azure CLI — അതന്ത്രകൃത്യത്തിനായി ആവശ്യമാണ്. aka.ms/installazurecli വഴി ഇൻസ്റ്റാൾ ചെയ്യുക.
• Azure Subscription — Microsoft Foundry, Microsoft Foundry Agent Service ആക്‌സസ് നേടാൻ.
• Microsoft Foundry Project — ഒരു പ്രോജക്ട് ഡിപ്ലോയുചെയ്ത മോഡലുമായി (ഉദാ: gpt-4.1-mini). താഴെ സ്റ്റെപ്പ് 1 കാണുക.

ഈ റിപോസിറ്ററിയുടെ റൂട്ട് ലൊക്കേഷനിൽ ഞങ്ങൾ ആവശ്യമായ എല്ലാ പൈത്തൺ പാക്കേജുകളും ഉൾക്കൊള്ളുന്ന requirements.txt ഫയൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്.

റിപോസിറ്ററി റൂട്ട് ടെർമിനലിൽ താഴെ കാണിച്ച കമാൻഡ് റൺ ചെയ്ത് ഇവ ഇൻസ്റ്റാൾ ചെയ്യാം:

pip install -r requirements.txt

ഈ പ്രശ്നങ്ങൾ ഒഴിവാക്കാനും സമസ്യകളില്ലാതിരിക്കാനും പൈത്തൺ വിർച്ച്വൽ എൻവയോൺമെന്റ് സൃഷ്ടിക്കാനാണ് ഞങ്ങളുടെ ശുപാർശ.

VSCode സജ്ജീകരിക്കുക

VSCode-ൽ ശരിയായ Python പതിപ്പ് ഉപയോഗിക്കുന്നുണ്ടെന്ന് ഉറപ്പാക്കുക.

Microsoft Foundry നിലനിര്‍ത്തല്‍യും Microsoft Foundry ഏജന്റ് സർവിസും സജ്ജീകരിക്കുക

സ്റ്റെപ്പ് 1: Microsoft Foundry പ്രോജക്ട് സൃഷ്ടിക്കുക

നോട്ട്‌ബുക്കുകൾ ഓടിക്കാൻ ഡിപ്ലോയുചെയ്ത മോഡലോടെയുള്ള Microsoft Foundry ഹബ്യും പ്രോജക്ടും നിങ്ങൾക്ക് വേണ്ടിയിരിക്കും.

1. ai.azure.com സന്ദർശിച്ച് നിങ്ങളുടെ Azure അക്കൗണ്ടിൽ സൈൻ ഇൻ ചെയ്യുക.
2. ഒരു ഹബ് സൃഷ്ടിക്കുക (അഥവാ നിലവിലുള്ളത് ഉപയോഗിക്കുക). കാണുക: Hub resources overview.
3. ഹബിന്‍റെ ഉള്ളിൽ ഒരു പ്രോജക്ട് സൃഷ്ടിക്കുക.
4. Models + Endpoints → Deploy model വഴി ഒരു മോഡൽ (ഉദാ: gpt-4.1-mini) ഡിപ്ലോയുചെയ്യുക.

സ്റ്റെപ്പ് 2: നിങ്ങളുടെ പ്രോജക്ട് എന്റ്പോയിന്റും മോഡൽ ഡിപ്ലോയ്മെന്റ് നാമവും കണ്ടെത്തുക

Microsoft Foundry പോർട്ടലിൽനിന്ന് നിങ്ങളുടെ പ്രോജക്ടിൽ:

• Project Endpoint — Overview പേജിൽ പോവുകയാണെങ്കിൽ എന്റ്പോയിന്റ് URL പകർത്തുക.

• Model Deployment Name — Models + Endpoints ൽ പോകുക, നിങ്ങളുടെ ഡിപ്ലോയുചെയ്ത മോഡൽ തിരഞ്ഞെടുക്കുക, തുടർന്ന് Deployment name കുറിക്കുക (ഉദാ: gpt-4.1-mini).

സ്റ്റെപ്പ് 3: az login ഉപയോഗിച്ച് Azure-യിലേക്ക് സൈൻ ഇൻ ചെയ്യുക

എല്ലാ നോട്ട്‌ബുക്കുകളും AzureCliCredential ഉപയോഗിച്ച് അതന്ത്രകൃത്യം നടത്തുന്നു — API കീകൾ മാനേജുചെയ്യേണ്ടതില്ല. അതിന് Azure CLI-യിലൂടെ സൈൻ ഇന്‍ വ്യാപ്തമാണെന്ന് ഉറപ്പുണ്ടാക്കണം.

1. Azure CLI ഇൻസ്റ്റാൾ ചെയ്യുക - aka.ms/installazurecli

2. കമ്മാൻഡ് റൺ ചെയ്ത് സൈൻ ഇൻ ചെയ്യുക:

    az login
   

   ബ്രൗസർ ഇല്ലാത്ത റിമോട്ട്/കോട്സ്പേസ് പരിസ്ഥിതിയിലാണെങ്കിൽ:

    az login --use-device-code
   

3. ഉണ്ടായാൽ സബ്സ്ക്രിപ്ഷൻ തിരഞ്ഞെടുക്കുക — നിങ്ങളുടെ Foundry പ്രോജക്ടുണ്ടായ സബ്സ്ക്രിപ്ഷൻ തിരഞ്ഞെടുക്കുക.

4. സൈൻ ഇൻ കഴിഞ്ഞതായി സ്ഥിരീകരിക്കുക:

    az account show
   

എന്തിനെയാണ് az login? നോട്ട്‌ബുക്കുകൾ azure-identity പാക്കേജിലെ AzureCliCredential ഉപയോഗിച്ച് അതന്ത്രകൃത്യം നടത്തുന്നു. അതായത് നിങ്ങളുടെ Azure CLI സെഷൻ ക്രെഡൻഷ്യലുകൾ നൽകുന്നു — API കീകൾ അല്ലെങ്കിൽ രഹസ്യങ്ങൾ .env ഫയലിൽ ആവശ്യമില്ല. ഇത് ഒരു സുരക്ഷയുണ്ടായ മികച്ച പ്രാക്ടീസ് ആണ്.

സ്റ്റെപ്പ് 4: നിങ്ങളുടെ .env ഫയൽ സൃഷ്ടിക്കൂ

ഉദാഹരണ ഫയൽ പകർത്തുക:

# zsh/bash
cp .env.example .env

# പവർ ഷെൽ
Copy-Item .env.example .env

.env തുറന്ന് ഈ രണ്ട് മാറ്റിലുളള മൂല്യങ്ങൾ പൂരിപ്പിക്കുക:

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

വ്യത്യാസം	എവിടെ കണ്ടെത്തുക
AZURE_AI_PROJECT_ENDPOINT	Foundry പോർട്ടൽ → നിങ്ങളുടെ പ്രോജക്ട് → Overview പേജ്
AZURE_AI_MODEL_DEPLOYMENT_NAME	Foundry പോർട്ടൽ → Models + Endpoints → നിങ്ങളുടെ ഡിപ്ലോയുചെയ്ത മോഡൽ നാമം

അങ്ങനെ മിക്ക പാഠങ്ങൾക്ക് ഇത്രേം! നോട്ട്‌ബുക്കുകൾ നിങ്ങളുടെ az login സെഷൻ വഴി സ്വയം അതന്ത്രകൃത്യം നടത്തുന്നതിനാൽ വേണം.

സ്റ്റെപ്പ് 5: Python അവശ്യപദ്ധതികൾ ഇൻസ്റ്റാൾ ചെയ്യുക

pip install -r requirements.txt

മുൻപ് സൃഷ്ടിച്ച വിർച്ച്വൽ എൻവയോൺമെന്റ് ഉള്ളിൽ ഇത് റൺ ചെയ്യാൻ ഞങ്ങൾ ശുപാർശ ചെയ്യുന്നു.

പാഠം 5 (Agentic RAG) നായി അധിക സജ്ജീകരണം

പാഠം 5-ൽ Azure AI Search ഉപയോഗിക്കുന്നു retrieval-augmented generation വേണ്ടി. ആ പാഠം ഓടിക്കാൻ പദ്ധതിയിട്ടെങ്കിൽ, ഈ വേരിയബിളുകൾ .env ഫയലിൽ ചേർക്കുക:

വ്യത്യാസം	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

Azure OpenAI നേരിട്ട് വിളിക്കുന്ന പാഠങ്ങൾക്ക് അധിക സജ്ജീകരണം (പാഠങ്ങൾ 6, 8)

പാഠങ്ങളിലെ ചില നോട്ട്‌ബുക്കുകൾ (6, 8) Azure OpenAI നേരിട്ട് (Responses API ഉപയോഗിച്ച്) വിളിക്കുന്നു, Microsoft Foundry പ്രോജക്ട് വഴി പോകാതെ. ഈ സാമ്പിളിംഗ് മുൻപ് GitHub Models ഉപയോഗിച്ചിരുന്നു, അത് 2026 ജൂലൈയിൽ വിരമിയ്ക്കുകയാണ്, കൂടാതെ Responses API പിന്തുണയ്ക്കുന്നില്ല. നിങ്ങളുടെ ഈ സാമ്പിളുകൾ ഓടിക്കാൻ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, ഈ വേരിയബിളുകൾ .env ഫയലിൽ ചേർക്കുക:

വ്യത്യാസം	എവിടെ കണ്ടെത്താം
AZURE_OPENAI_ENDPOINT	Azure പോർട്ടൽ → നിങ്ങളുടെ Azure OpenAI റിസോഴ്സ് → Keys and Endpoint → എന്റ്പോയിന്റ് (ഉദാ: https://<your-resource>.openai.azure.com)
AZURE_OPENAI_DEPLOYMENT	Responses API പിന്തുണയ്ക്കുന്ന നിങ്ങളുടെ ഡിപ്ലോയുചെയ്ത മോഡൽ നാമം (ഉദാ: gpt-4.1-mini)
AZURE_OPENAI_API_KEY	ഓപ്ഷണൽ — az login / Entra ID പകരം കീ അടിസ്ഥാനത്തിൽ അതന്ത്രകൃത്യം ഉപയോഗിക്കുമ്പോൾ മാത്രം

Responses API ക്ക് സ്ഥിരമായ /openai/v1/ എന്റ്പോയ്‌ന്റ് ഉപയോഗിക്കുന്നു, ആകയാൽ api-version ആവശ്യമില്ല. കീലെസ്സ് Entra ID അതന്ത്രകൃത്യം കാണാൻ az login ഉപയോഗിക്കുക.

പകരം PROVIDER: MiniMax (OpenAI-അനുകൂലമായത്)

MiniMax വലിയ കോൺടെക്സ്റ്റ് മോഡലുകൾ (204K ടോക്കണുകൾവരെ) OpenAI അനുകൂല API മുഖാന്തിരം നൽകുന്നു. Microsoft Agent Framework ന്റെ OpenAIChatClient ഏതൊരു OpenAI അനുകൂല എന്റ്പോയിന്റുമായി പ്രവർത്തിക്കുന്നതിനാൽ, MiniMax Azure OpenAI അല്ലെങ്കിൽ OpenAI മാറി ഉപയോഗിക്കാം.

ഈ വേരിയബിളുകൾ .env ഫയലിൽ ചേർക്കുക:

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

ഉദാഹരണ മോഡലുകൾ: MiniMax-M3 (ശുപാർശ), MiniMax-M2.7, MiniMax-M2.7-highspeed (വേഗതയേറിയ പ്രതികരണങ്ങൾ). മോഡൽ പേരുകളും ലഭ്യതയും സമയംക്കുറ്റത്തിൽ മാറാം, നിങ്ങളുടെ അക്കൗണ്ട് അല്ലെങ്കിൽ പ്രദേശത്തിന്റെ അടിസ്ഥാനത്തിൽ മാത്രം ചില മോഡലുകൾ ലഭ്യമായിരിക്കും — നിലവിലെ ലിസ്റ്റ് MiniMax Platform ൽ പരിശോധിക്കുക. നിങ്ങളുടെ അക്കൗണ്ടിന് MiniMax-M3 ലഭ്യമല്ലെങ്കിൽ, നിങ്ങൾക്ക് ലഭ്യമായ മോഡൽ MINIMAX_MODEL_ID ആയി സജ്ജീകരിക്കുക (ഉദാ: MiniMax-M2.7).

OpenAIChatClient ഉപയോഗിക്കുന്ന കോഡ് സാമ്പിളുകൾ (ഉദാ: പാഠം 14 ഹോട്ടൽ ബുക്കിംഗ് വർക്ക്‌ഫ്ലോ) MINIMAX_API_KEY സജ്ജമാക്കിയാൽ സ്വയം MiniMax കോൺഫിഗറേഷൻ കണ്ടെത്തുകയും ഉപയോഗിക്കുകയും ചെയ്യും.

പകരം PROVIDER: Foundry Local (മോഡലുകൾ നിങ്ങളുടെ ഉപകരണത്തിൽ ഓടിക്കുക)

Foundry Local തളർന്ന റൺടൈമാണ്, ഭാഷാ മോഡലുകൾ പൂർണ്ണമായും നിങ്ങളുടെ ഉപകരണത്തിൽ OpenAI-സദൃശ API മുഖാന്തിരം ഡൗൺലോഡ് ചെയ്‌തു മാനേജ് ചെയ്യുകയും സർവ് ചെയ്യുകയും ചെയ്യുന്നു — ക്ലൗഡ് വേണ്ട, Azure സബ്സ്ക്രിപ്ഷൻ വേണ്ട, API കീകൾ ഇല്ല. ഓഫ്‌ലൈൻ ഡെവലപ്പ്മെന്റിനും, ക്ലൗഡ് ചിലവുകൾ കൂടാതെ പരീക്ഷണങ്ങൾ നടത്താനും, ഡാറ്റ ഉപകരണത്തിലിടാൻ ഇതു മികച്ച ഓപ്ഷൻ ആണ്.

Microsoft Agent Framework ന്റെ OpenAIChatClient ഏതൊരു OpenAI അനുകൂല എന്റ്പോയിന്റുമായും പ്രവർത്തിക്കുന്നതിനാൽ, Foundry Local Azure OpenAI ഇന്റെകളുടെ ഒരു പകരം പ്രാദേശിക ഓപ്ഷനാണ്.

1. Foundry Local ഇൻസ്റ്റാൾ ചെയ്യുക

# Windows
winget install Microsoft.FoundryLocal

# macOS
brew install foundrylocal

2. ഒരു മോഡൽ ഡൗൺലോഡ് ചെയ്ത് ഓടിക്കുക (ഇതാണ് പ്രാദേശിക സേവനം ആരംഭിക്കുന്നു):

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

3. പ്രാദേശിക എന്റ്പോയിന്റ് കണ്ടെത്താൻ ഉപയോഗിക്കുന്ന Python SDK ഇൻസ്റ്റാൾ ചെയ്യുക:

pip install foundry-local-sdk

4. Microsoft Agent Framework ന്റെ കൈയടിക്കാൻ നിങ്ങളുടെ പ്രാദേശിക മോഡൽ:

from foundry_local import FoundryLocalManager
from agent_framework.openai import OpenAIChatClient

# മോഡൽ ലോക്കലായി ഡൗൺലോഡ് ചെയ്യുകയും (ആവശ്യമായെങ്കിൽ) സേവിക്കുകയും, തുടർന്ന് എൻഡ്പോയിന്റ്/പോർട്ട് കണ്ടെത്തുകയും ചെയ്യുന്നു.
manager = FoundryLocalManager("phi-4-mini")

chat_client = OpenAIChatClient(
    base_url=manager.endpoint,      # ഉദാ: http://localhost:<port>/v1
    api_key=manager.api_key,        # ഫൗണ്ട്രി ലോക്കലിന് എപ്പോഴും "ആവശ്യമാണ്" അല്ല.
    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 OpenAI-സമാനമായ Chat Completions എന്റ്പോയിന്റ് തുറക്കുന്നു. പ്രാദേശിക ഡെവലപ്പ്മെന്റ്, ഓഫ്ലൈനുള്ള സാഹചര്യം എന്നിവയ്ക്ക് ഇത് ഉപയോഗിക്കുക. പൂർണ്ണ Responses API സവിശേഷതകൾക്ക് (സ്ഥിതി സംവാദങ്ങൾ, സവിദ്ധ ഗാഢമായ ടൂൾ ഓർക്കസ്‌ട്രേഷൻ, ഏജന്റ് ഫോമാറ്റ് ഡെവലപ്പ്മെന്റ്) Azure OpenAI അല്ലെങ്കിൽ Microsoft Foundry പ്രോജക്ട് ടാർഗെറ്റ് ചെയ്യുക. നിലവിലെ മോഡൽ കാസ്റ്റലോഗ്, പ്ലാറ്റ്ഫോം പിന്തുണ Foundry Local ഡോക്യുമെന്റേഷൻ കാണുക.

പാഠം 8-ന് അധിക ക്രമീകരണം (ബിംഗ് ഗ്രൗണ്ടിംഗ് വർക്‌ഫ്ലോ)

പാഠം 8-ൽ ഉള്ള കൺഡീഷണൽ വർക്‌ഫ്ലോ നോട്ട്ബുക്ക് Microsoft Foundry വഴി ബിംഗ് ഗ്രൗണ്ടിംഗ് ഉപയോഗിക്കുന്നു. ആ സാമ്പിൾ പ്രവർത്തിപ്പിക്കാൻ ഉദ്ദേശിക്കുന്നുവെങ്കിൽ, ഈ വ്യത്യാസമാനത്തെ നിങ്ങളുടെ .env ഫയലിലേക്ക് ചേർക്കൂ:

വ്യത്യാസം	എവിടെ കാണാം
BING_CONNECTION_ID	Microsoft Foundry പോർട്ടൽ → നിങ്ങളുടെ പ്രോജക്ട് → Management → Connected resources → നിങ്ങളുടെ Bing കണക്ഷൻ → കണക്ഷൻ ID കോപ്പി ചെയ്യുക

പ്രശ്നപരിഹാരം

macOS-ൽ SSL സർട്ടിഫിക്കറ്റ് സ്ഥിരീകരണ പിശകുകൾ

നിങ്ങൾ macOS ഉപയോഗിക്കുന്നുവെങ്കിൽ താഴെ പോലുള്ള പിശക് വരാം:

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

Python-ന്റെ macOS പതിപ്പിലെ പരമ്പരാഗത പ്രശ്നമാണ് ഇത്, സിസ്റ്റം SSL സർട്ടിഫിക്കറ്റുകൾ സ്വയം വിശ്വസിക്കപ്പെടാറില്ല. താഴെ പറയുന്ന പരിഹാരങ്ങൾ ക്രമമായി പരീക്ഷിക്കുക:

ഓപ്‌ഷൻ 1: Python-ന്റെ Install Certificates സ്ക്രിപ്റ്റ് പ്രവർത്തിപ്പിക്കുക (ശുപാർശ ചെയ്തിരിക്കുന്നു)

# നിങ്ങളുടെ ഇൻസ്റ്റാൾ ചെയ്ത പൈതോൺ പതിപ്പ് (ഉദാഹരണം: 3.12 അല്ലെങ്കിൽ 3.13) ഉപയോഗിച്ച് 3.XX മാറ്റി വയ്ക്കുക:
/Applications/Python\ 3.XX/Install\ Certificates.command

ഓപ്‌ഷൻ 2: നിങ്ങളുടെ നോട്ട്ബുക്കിൽ connection_verify=False ഉപയോഗിക്കുക (GitHub Models നോട്ട്ബുക്കുകൾക്കു മാത്രം)

പാഠം 6 നോട്ട്ബുക്കിൽ (06-building-trustworthy-agents/code_samples/06-system-message-framework.ipynb), കമന്റ് ചെയ്തിട്ടുള്ള ഒരു വർക്കറൗണ്ട് ഇതിനകം ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. ക്ലയന്റ് സൃഷ്ടിക്കുന്നപ്പോൾ connection_verify=False അനികമന്റ് ചെയ്യുക:

client = ChatCompletionsClient(
    endpoint=endpoint,
    credential=AzureKeyCredential(token),
    connection_verify=False,  # സർട്ടിഫിക്കറ്റ് 오류കൾ നേരിടുമ്പോൾ SSL പരിശോധന ഓഫാക്കുക
)

⚠️ മുന്നറിയിപ്പ്: SSL സ്ഥിരീകരണം നിരോധിക്കുക (connection_verify=False) സർട്ടിഫിക്കറ്റ് സാധുത പരിശോധിക്കുന്നത് ഒഴിവാക്കി സുരക്ഷ കുറയ്ക്കുന്നു. ഇത് വികസന പരിസ്ഥിതികളിൽ താൽക്കാലിക പരിഹാരമായി മാത്രം ഉപയോഗിക്കുക, പ്രൊഡക്ഷനിൽ കയറാതെ.

ഓപ്‌ഷൻ 3: truststore ഇൻസ്റ്റോൾ ചെയ്ത് ഉപയോഗിക്കുക

pip install truststore

തുടർന്ന് നിങ്ങളുടെ നോട്ട്ബുക്ക് അല്ലെങ്കിൽ സ്ക്രിപ്റ്റിന്റെ മുകളിൽ താഴെ കൊടുത്തതുപോലെ ചേർക്കുക, ഏതെങ്കിലും നെറ്റ്‌വർക്കിനുള്ള വിളികൾക്ക് മുമ്പ്:

import truststore
truststore.inject_into_ssl()

ഏതെങ്കിലും സ്ഥലത്ത് കുടുങ്ങിയോ?

ഈ ക്രമീകരണം പ്രവർത്തിപ്പിക്കുന്നതിൽ പ്രശ്നം ഉണ്ടെങ്കിൽ, നമ്മുടെ Azure AI Community Discord-ലേക്ക് ചേരുക അല്ലെങ്കിൽ ഒരു പ്രശ്നം എടുക്കുക.

അടുത്ത പാഠം

ഈ കോഴ്സിന്റെ കോഡ് പ്രവർത്തിപ്പിക്കാൻ നിങ്ങൾ ഇപ്പോൾ തയ്യാറാണ്. AI ഏജന്റുകളുടെ ലോകത്തെ കുറിച്ച് കൂടുതൽ പഠനം ഏസിയാവട്ടെ!

AI ഏജന്റുകളും ഏജന്റ് ഉപയോഗ കേസുകളും പരിചയപ്പെടൽ

---

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.