ai-agents-for-beginners

သင်တန်း စတင်ချိန်

နိဒါန်း

ဤသင်ခန်းစာသည် သင်တန်း၏ ကိုဒ်နမူနာများကို မည်သို့ချည့်ရမည်ကိုဖော်ပြပါမည်။

အခြားလေ့လာသူများနှင့် စည်းဝေးကူညီမှုရယူရန်

သင့်ရဲ့ repo ကို ကလုံးခြင်းမပြုမီ၊ AI Agents For Beginners Discord နာရီချန်နယ် တွင် ပါဝင်ကူညီမှု၊ သင်တန်းနှင့်ပတ်သက်သော မေးခွန်းများအတွက် သို့မဟုတ် အခြားလေ့လာသူများနှင့် ဆက်သွယ်ရန် ပါဝင်ပါ။

Repo ဒီကို ကလုံးခြင်း သို့မဟုတ် Fork လုပ်ခြင်း

စတင်ရန် GitHub Repository ကို ကျေးဇူးပြု၍ ကလုံးခြင်း သို့မဟုတ် fork လုပ်ပါ။ ၎င်းသည် သင်တန်းပစ္စည်း၏ ကိုယ်ပိုင် ဗားရှင်းကို ဖန်တီးပေးပြီး သင်သည် ကိုဒ်ကို ပြေးစမ်း၊ စမ်းသပ်၊ ပြင်ဆင်နိုင်သည်။

၎င်းအား repo ကို fork လုပ်ရန် ခလုတ်ကို နှိပ်ခြင်းဖြင့် ပြုလုပ်နိုင်သည်

ယခု သင်မှာ ဤသင်တန်း၏ ကိုယ်ပိုင် fork လုပ်ထားသော ဗားရှင်းအား အောက်ပါလင့်ခ်တွင်ရှိနေပါပြီ-

Forked Repo

အနည်းငယ် ကလုံးခြင်း (Workshop / Codespaces အတွက် အကြံပြု)

မှတ်ချက်-အပြည့်အစုံကို ရယူသည်မှာ (လက်ရှိထည့်သွင်းမှု အပြည့်အစုံနှင့် ဖိုင်အားလုံးပါ ~3 GB) အရွယ်ကြီးနိုင်သည်။ သင်သည် workshop ပဲ တက်ရောက်မည်ဆိုပါက သို့မဟုတ် သင်ခန်းစာဖိုဒါ အနည်းငယ်ပဲ လိုပါက အနည်းငယ် ကလုံးခြင်း (သို့မဟုတ် sparse ကလုံးခြင်း) ကို အသုံးပြုခြင်းဖြင့် အများဆုံးဒေါင်းလုပ်ကိုယ်တာမှ ရှောင်လွှဲနိုင်သည် (သမိုင်းကိုတ်ခြင်း/ blob များ မယူခြင်း)။

လျွောက်လွှာ အနည်းငယ် ကလုံးခြင်း — သမိုင်းနိမ့် အနည်းဆံုး၊ ဖိုင်အားလုံး

အောက်ပါ command များတွင် <your-username> ကို သင့် fork URL (သို့မဟုတ် upstream URL ကို သုံးချင်ပါက) ဖြင့် အစားထိုးပါ။

နောက်ဆုံး commit သမိုင်းကိုသာ ကလုံးရန် (ဒေါင်းလုပ်သေးရေ) ကိုင်တွယ်ပါ:

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

အထူးတစ်ခွင့်ခွဲ ကို ကလုံးရန်:

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

အစိတ်အပိုင်း (sparse) ကလုံးခြင်း — blob အနည်းငယ် + ဖိုဒါများ ထောက်ပြချက်အရသာရွေးချယ်ခြင်း

၎င်းသည် partial clone နှင့် sparse-checkout ကို အသုံးပြုသည် (Git 2.25+ လိုအပ်ပြီး partial clone လုပ်ထားသော နောက်ဆုံး Git အတွက် အကြံပြု).

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

repo ဖိုဒါထဲ သွားပါ:

cd ai-agents-for-beginners

အသုံးပြုလိုသော ဖိုဒါများကို သတ်မှတ်ပါ (အောက်ပါ ဥပမာတွင် ဖိုဒါ ၂ ခု ပြသထားသည်):

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

ကလုံးပြီး ဖိုင်များကို အတည်ပြုပြီးနောက် သင် ဖိုင်များကိုသာ လိုအပ်ပြီးနေရာပိုင်ခွင့် ရယူလိုပါက (git သမိုင်း မပါ) repo metadata ကို ဖျက်ပစ်ပါ (💀 ပြန်ဘယ်မရ။ Git လုပ်ဆောင်ချက်များအားလုံး ပျောက်ဆုံးသည်- commit မရှိ၊ pull မလုပ်နိုင်၊ push မလုပ်နိုင်၊ သမိုင်း ကြည့်ရှုမှု မရှိ။

# zsh/bash
rm -rf .git

# PowerShell
Remove-Item -Recurse -Force .git

GitHub Codespaces ကို အသုံးပြုခြင်း (ဒေါင်းလုပ်ကြီးများကို ရှောင်ရန် အကြံပြု)

ဒီ repo အတွက် GitHub UI မှ Codespace အသစ် တစ်ခု ဖန်တီးပါ။
အသစ်ဖန်တီးသော Codespace ၏ terminal မှ shallow/sparse ကလုံး command များကို သုံးပြီး သင့်လိုအပ်သော သင်ခန်းစာ ဖိုဒါများကို Codespace အလုပ်ကွင်းထဲ ရယူပါ။
ရွေးချယ်စရာ- Codespaces တွင် clone ပြီးနောက် .git ကို ဖျက်ပစ်၍ နေရာ ပိုလျှော့ပါ (အထက်ဖော်ပြသော ဖျက်ပစ် command များကြည့်ပါ)။
မှတ်ချက်- Repo ကို ဒါရိုက် ကျ Codespaces ထဲ တိုက်ရိုက်ဖွင့်ရန် ရွေးပါက (clone သေးတင့်မဟုတ်ဘဲ), Codespaces သည် devcontainer ပတ်ဝန်းကျင်ကို ဖန်တီးပေးပြီး သင့်လိုအပ်ချက်ထက်ပို Provision လုပ်ပေးနိုင်သည်။ သင့်ကိုယ်ပိုင် fresh Codespace ထဲ shallow copy ကလုံးခြင်းဖြင့် диск နှုန်းများ ထိန်းချုပ်မှုပိုမို ရရှိမည်။

အကြံပြုချက်များ

ကိုယ်တိုင် ပြင်ဆင်/commit လုပ်လိုပါက clone URL ကို သင့် fork URL ဖြင့် အမြဲအစားထိုးပါ။
နောက်မှ သမိုင်းပိုများ သို့မဟုတ် ဖိုင်ပိုများ လိုအပ်လာပါက fetch လုပ်နိုင်ပြီး sparse-checkout ဖြင့် ဖိုဒါ များ ထပ်ထည့်နိုင်သည်။

ကိုဒ် အလုပ်လုပ်ခြင်း

ဤသင်တန်းသည် AI Agents ဖန်တီးခြင်းအတွက် လက်တွေ့ အတွေ့အကြုံရရှိရန် အသုံးပြုနိုင်သော Jupyter Notebooks စုစည်းမှုတစ်ခုကို ပေးပါသည်။

ကိုဒ်နမူနာများသည် Microsoft Agent Framework (MAF) ကို FoundryChatClient နှင့် အသုံးပြုသည်။ ၎င်းသည် Microsoft Foundry မှတစ်ဆင့် Microsoft Foundry Agent Service V2 (Responses API) နှင့် ချိတ်ဆက်ထားသည်။

Python notebooks အားလုံးမှာ *-python-agent-framework.ipynb ဟူသော အမှတ်အသားရှိပါသည်။

လိုအပ်ချက်များ

Python 3.12+
- မှတ်ချက်: Python3.12 မရှိပါက ထည့်သွင်းရန် လိုအပ်သည်။ ထို့နောက် python3.12 ဖြင့် virtual environment ကို ဖန်တီးပြီး လိုအပ်သော package များကို requirements.txt မှ တင်သွင်းပေးရန်။
  
  ဥပမာ
  
  Python venv directory ဖန်တီးခြင်း:
```
python -m venv venv
```
  ထို့နောက် venv environment ကို အောက်ပါအတိုင်း ချိန်ဆက်ပါ:
```
# zsh/bash
source venv/bin/activate
```
```
# Command Prompt for Windows
venv\Scripts\activate
```
.NET 10+ : .NET ကို သုံးသော နမူနာကိုဒ်များအတွက် .NET 10 SDK သို့မဟုတ် နောက်ဆုံးဗားရှင်းကို ထည့်သွင်းထားမှသာ မည်သည့် .NET SDK ကို ထည့်သွင်းထားသည်ကိုစစ်ဆေးပါ။
```
  dotnet --list-sdks
```
Azure CLI — authentication အတွက် လိုအပ်သည်။ aka.ms/installazurecli မှ ထည့်သွင်းပါ။
Azure Subscription — Microsoft Foundry နှင့် Microsoft Foundry Agent Service အတွက် ဝင်ရောက်ခွင့်။
Microsoft Foundry Project — တပ်ဆင်ပြီးရှိသော မော်ဒယ်ပါရှိသော project (ဥပမာ- gpt-5-mini)။ Step 1 ကိုကြည့်ပါ။

ဤ repo ၏ root တွင် requirements.txt ပါဝင်ပြီး ကိုဒ်နမူနာများကို chạyရန် လိုအပ်သော Python package များကို ပါဝင်ထားသည်။

terminal မှာ အောက်ပါတို့ကို ရိုက်ထည့်လို့ package များကို ထည့်သွင်းနိုင်သည်။

pip install -r requirements.txt

ပြဋ္ဌာန်းချက် ပြဿနာများ ရှောင်ရန် Python virtual environment ဖန်တီးပြီး ကျွမ်းကျင်စွာ သုံးရန် အကြံပြုပါသည်။

VSCode ကို တပ်ဆင်ခြင်း

VSCode တွင် သင့်အသုံးပြုမည့် Python ဗားရှင်းမှန်ကန်ကြောင်း အာမခံပါ။

Microsoft Foundry နှင့် Microsoft Foundry Agent Service ကို တပ်ဆင်ခြင်း

အဆင့် ၁: Microsoft Foundry Project တစ်ခု ဖန်တီးပါ

Notebooks များ ရှေ့ မောင်းရန် စွဲထားပြီး project နှင့် hub တို့ လိုအပ်ပါသည်။

၁။ ai.azure.com သို့သွား၍ သင့် Azure အကောင့်ဖြင့် ဝင်ပါ။ ၂။ hub အသစ် ဖန်တီးပါ (သို့မဟုတ် ရှိရှိ hub ကို အသုံးပြုပါ)။ Hub resources overview ကို ကြည့်ပါ။ ၃။ hub အတွင်း သို့ ဝင်၍ project တစ်ခု ဖန်တီးပါ။ ၄။ Models + Endpoints → Deploy model မှ မော်ဒယ်တစ်ခု (ဥပမာ- gpt-5-mini) ကို တပ်ဆင်ပါ။

အဆင့် ၂: Project Endpoint နှင့် Model Deployment နာမည် ရယူခြင်း

Microsoft Foundry portal တွင် သင့် project မှ:

Project Endpoint — Overview စာမျက်နှာသို့ သွား၍ endpoint URL ကို ကူးယူပါ။

Project Connection String

Model Deployment Name — Models + Endpoints သို့ သွား၍ တပ်ဆင်ထားသော မော်ဒယ်ကို ရွေးပါ၊ Deployment name (ဥပမာ- gpt-5-mini) ကို မှတ်သားပါ။

အဆင့် ၃: `az login` ဖြင့် Azure မှာ ဝင်ရောက်ခြင်း

Notebooks များသည် authentication အတွက် AzureCliCredential ကို အသုံးပြုသည် — API key မလိုအပ်ပါ။ သင့်ကို Azure CLI ဖြင့် ဝင်ထားရမည်။

၁။ Azure CLI ကို ထည့်သွင်းပါ - aka.ms/installazurecli

၂။ ဝင်ရန် အောက်ပါ command ကို run ပါ။

```bash|powershell
az login
```

ဒါမှမဟုတ် browser မရှိတဲ့ remote/Codespace ပတ်ဝန်းကျင်မှာ ရှိပါက:

```bash|powershell
az login --use-device-code
```

၃။ သင်၏ Subscription ကို ရွေးချယ်ပါ (ဖေါ်ပြပါက) — သင့် Foundry project ပါဝင်သော subscription ကို ရွေးချယ်ပါ။

၄။ ဝင်ထားကြောင်း အတည်ပြုပါ -

```bash|powershell
az account show
```

az login ရဲ့ အနှစ်သာရ? Notebooks များသည် azure-identity package ထဲက AzureCliCredential ကို အသုံးပြုပြီး authentication လုပ်သည်။ ဒါဟာ သင့် Azure CLI session ကလီဒင်ရှယ်များ ပေးစွမ်းသည့်အတွက် API keys သို့မဟုတ် လျှို့ဝှက်ချက်များကို .env ဖိုင်တွင် မလိုအပ်တော့ပါ။ ၎င်းသည် လုံခြုံရေးအကောင်းဆုံး လေ့ကျင်မှုတစ်ခု ဖြစ်သည်။

အဆင့် ၄: သင့် `.env` ဖိုင်ကို ဖန်တီးပါ

ဥပမာ ဖိုင်ကို ကူးယူပါ:

# zsh/bash
cp .env.example .env

# PowerShell
Copy-Item .env.example .env

.env ဖိုင်ကို ဖွင့်ပြီး အောက်ပါ တန်ဖိုး ၂ ခု ဖြည့်ပါ -

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

Variable	ရှာဖွေရမည့်နေရာ
`AZURE_AI_PROJECT_ENDPOINT`	Foundry portal → သင့် project → Overview စာမျက်နှာ
`AZURE_AI_MODEL_DEPLOYMENT_NAME`	Foundry portal → Models + Endpoints → တပ်ဆင်ထားသော မော်ဒယ် နာမည်

ဒီသင်ခန်းစာများအတွက် ပြီးဆုံးပါပြီ! Notebooks များသည် သင့် az login session မှတဆင့် အလိုအလျောက် authentication လုပ်မည်။

အဆင့် ၅: Python အားလိုအပ်သော package များ ထည့်သွင်းပါ

pip install -r requirements.txt

ယခင်ဖန်တီးထားသော virtual environment အတွင်းတွင် ၎င်းကို run စေခြင်းကို အကြံပြုပါသည်။

သင်ခန်းစာ ၅ (Agentic RAG) အတွက် ထပ်ဆောင်း ပြင်ဆင်မှု

သင်ခန်းစာ ၅ သည် ရယူဖော်ပြန်ထုတ်မှု အတွက် Azure AI Search ကို သုံးသည်။ ဤသင်ခန်းစာ run လုပ်မည်ဆိုလျှင် .env ဖိုင်ထဲတွင် အောက်ပါ variables များ ထည့်သွင်းပါ -

Variable	ရှာဖွေရမည့်နေရာ
`AZURE_SEARCH_SERVICE_ENDPOINT`	Azure portal → သင့် Azure AI Search အရင်းအမြစ် → Overview → URL
`AZURE_SEARCH_API_KEY`	Azure portal → သင်၏ Azure AI Search အရင်းအမြစ် → Settings → Keys → primary admin key

Lessons 6 နှင့် 8 တွေမှာ Azure OpenAI ကို တိုက်ရိုက်ခေါ်သုံးခြင်း အတွက် ထပ်သွင်း စီစဉ်မှုများ

Lessons 6 နှင့် 8 တွင် အသုံးပြုသည့် notebooks များသည် Microsoft Foundry project မှတစ်ဆင့်မဟုတ်ဘဲ, Responses API ကို သုံးသော Azure OpenAI ကို တိုက်ရိုက်ခေါ်သုံးသည်။ ဤနမူနာများသည် ယူ GitHub Models ကို ယခင်က သုံးခဲ့ပြီး ထို Models သည် ၂၀၂၆ ခုနှစ် ဇူလိုင်တွင် ရုပ်သိမ်းမည်မဟုတ်ပဲ Responses API ကို မထောက်ပံ့တော့ပါ။ ၎င်းနမူနာများကို run မည်ဆိုလျှင် .env ထဲတွင် အောက်ပါ variables များ ထည့်ပါ -

Variable	ရှာဖွေရမည့်နေရာ
`AZURE_OPENAI_ENDPOINT`	Azure portal → သင်၏ Azure OpenAI အရင်းအမြစ် → Keys and Endpoint → Endpoint (ဥပမာ `https://<your-resource>.openai.azure.com`)
`AZURE_OPENAI_DEPLOYMENT`	Responses API ကို ထောက်ပံ့သော သင်တပ်ဆင်ထားသော မော်ဒယ် နာမည် (ဥပမာ `gpt-5-mini`)
`AZURE_OPENAI_API_KEY`	ရွေးချယ်စရာ — `az login` / Entra ID ထက် key-based auth သုံးလျှင်သာ

Responses API သည် stable /openai/v1/ endpoint ကို သုံးသည်၊ ဒါကြောင့် api-version မလိုပါ။ Keyless Entra ID authentication သုံးရန် az login ဖြင့် ဝင်ရောက်ပါ။

အခြား Provider: MiniMax (OpenAI-Compatible)

MiniMax သည် OpenAI-compatible API ဖြင့် သိုင်းကြီး token 204K အထိ မော်ဒယ်များကို ပေးသည်။ Microsoft Agent Framework ၏ OpenAIChatClient သည် OpenAI-compatible endpoint မည်သည့်ဟာကိုမဆို အသုံးပြုနိုင်သောကြောင့် MiniMax ကို Azure OpenAI သို့မဟုတ် OpenAI ၏ အစားထိုး အဖြစ် သုံးနိုင်သည်။

.env ဖိုင်ထဲတွင် အောက်ပါ variables များ ထည့်ပါ –

Variable	ရှာဖွေရမည့်နေရာ
`MINIMAX_API_KEY`	MiniMax Platform → API Keys
`MINIMAX_BASE_URL`	သုံးရန်- `https://api.minimax.io/v1` (ပုံမှန်တန်ဖိုး)
`MINIMAX_MODEL_ID`	သုံးမည့် မော်ဒယ် နာမည် (ဥပမာ `MiniMax-M3`)

မော်ဒယ်နမူနာများ: MiniMax-M3 (အကြံပြု), MiniMax-M2.7, MiniMax-M2.7-highspeed (အမြန်တုံ့ပြန်မှု)။ မော်ဒယ်နာမည်များနှင့် ရရှိနိုင်မှုသည် အချိန်နှင့်အညီပြောင်းနိုင်သည်၊ သင့်အကောင့် သို့မဟုတ် ဒေသပေါ် မူတည်၍ မော်ဒယ်ချင်း အသုံးပြုခွင့်ရှိ/မရှိ တိုင်းတာသည်။ သက်ဆိုင်ရာ စာရင်းအတွက် MiniMax Platform ကြည့်ပါ။ MiniMax-M3 သင့်အကောင့်တွင် မရရှိပါက MINIMAX_MODEL_ID တွင် သင့်အကောင့် ရရှိနိုင်သည့် မော်ဒယ်တစ်ခု (ဥပမာ- MiniMax-M2.7) ထည့်သွင်းပါ။

OpenAIChatClient (ဥပမာ - သင်ခန်းစာ 14 ဟိုတယ်ဘွတ်ကင် ဝါသနာ) ကိုသုံးသော ကိုဒ်နမူနာများသည် MINIMAX_API_KEY များထားရှိထားပါက သင့် MiniMax ဖန်တီးချက်ကို အလိုအလျောက် တွေ့ရှိအသုံးပြုမည်။

အခြား Provider: Foundry Local (မော်ဒယ်များကို စက်ပေါ်တွင် တိုက်ရိုက် run)

Foundry Local သည် အလေးချိန်နည်းသော runtime ဖြစ်ပြီး မော်ဒယ်များကို ဒေါင်းလုပ်ရယူ စီမံခန့်ခွဲပြီး OpenAI-compatible API ဖြင့် သင့်စက်ပေါ်တွင် တစ်ရပ်တည်း သိမ်းဆည်း ပေးသည်။ Cloud မလိုအပ်၊ Azure subscription မလိုအပ်၊ API keys မလိုအပ်ပါ။ Offline development အတွက်၊ cloud ကုန်ကျစရိတ် မဖြစ်စေဖို့၊ ဒေတာများကို စက်ပေါ်မှာထားရှိချင်သောသူများအတွက် အထူးသင့်တော်သည်။

Microsoft Agent Framework ၏ OpenAIChatClient သည် OpenAI-compatible endpoint မည်သည့်ဟာနဲ့မဆို အလုပ်လုပ်နိုင်သဖြင့် Foundry Local ကို Azure OpenAI အစား ပင်အသုံးပြုနိုင်သည်။

၁။ Foundry Local ထည့်သွင်းပါ

# Windows
winget install Microsoft.FoundryLocal

# macOS
brew install foundrylocal

၂။ မော်ဒယ်တစ်ခု ဒေါင်းလုပ်ပြီး run ပါ (local service ကိုလည်း စတင်သည်) -

foundry model list          # ရနိုင်သော မော်ဒယ်များကိုကြည့်ပါ
foundry model run phi-4-mini

၃။ local endpoint ကို ရှာဖွေရာတွင် အသုံးပြုသော Python SDK ကို ထည့်သွင်းပါ

pip install foundry-local-sdk

၄။ Microsoft Agent Framework ကို သင့်စက်ပေါ် မော်ဒယ်ဆီ ရွှေ့ပြောင်းပါ -

from foundry_local import FoundryLocalManager
from agent_framework.openai import OpenAIChatClient

# လိုအပ်ပါက ဒေါင်းလုဒ်လုပ်ပြီး မော်ဒယ်ကို ဒေသဆိုင်ရာတွင် စတင်ဆောင်ရွက်ပြီး၊ ပြီးလျောက် endpoint/port ကို ရှာဖွေသည်။
manager = FoundryLocalManager("phi-4-mini")

chat_client = OpenAIChatClient(
    base_url=manager.endpoint,      # ဥပမာ http://localhost:<port>/v1
    api_key=manager.api_key,        # Foundry Local အတွက် အမြဲ "မလိုအပ်ပါ" ဖြစ်သည်။
    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.",
)

မှတ်ချက်: Foundry Local သည် OpenAI-compatible Chat Completions endpoint ကို ပံ့ပိုးပေးသည်။ ဒါကို ဒေတာဆုံးရှုံးခြင်းမရှိဘဲ offline သက်ဆိုင်ရာနှင့် development အတွက် သုံးပါ။ Responses API အပြည့်အစုံအသုံးပြုမှုများ (stateful conversations, နက်ရှိုင်းသော tool orchestration, agent-style ဖွံ့ဖြိုးမှု) များအတွက် သင်ခန်းစာများအတိုင်း Azure OpenAI သို့မဟုတ် Microsoft Foundry project ကို ရည်ညွှန်းပါ။ Foundry Local documentation တွင် လက်ရှိ မော်ဒယ်စာရင်းနှင့် ပလက်ဖောင်း ထောက်ပံ့မှုကို ကြည့်ရှုနိုင်သည်။

သင်ခန်းစာ ၈ (Bing Grounding Workflow) အတွက် ထပ်ဆောင်း ပြင်ဆင်ခြင်း

အတန်း ၈ မှ ကြီးကြပ်စောင့်ကြည့်မှုလုပ်ငန်းစဉ်မှတ်စုတွင် Microsoft Foundry မှ Bing grounding ကို အသုံးပြုထားသည်။ ဥပမာကို chạyရန် စီစဥ်ပါက၊ သင်၏ .env ဖိုင်တွင် ဒီအပြောင်းအလဲကို ထည့်သွင်းပါ။

အပြောင်းအလဲ	ဘယ်မှာတွေ့မလဲ
`BING_CONNECTION_ID`	Microsoft Foundry portal → သင်၏ ပရောဂျက် → Management → Connected resources → သင်၏ Bing ဆက်သွယ်ချက် → ဆက်သွယ်ချက် ID ကို ကူးယူပါ

ပြဿနာဖြေရှင်းခြင်း

macOS တွင် SSL မှတ်ပုံတင်အတည်ပြုမှု အမှားများ

သင် macOS သုံးပြီး အောက်ပါအမှားဖြစ်ပေါ်ခဲ့ပါက -

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

၎င်းသည် macOS 系统တွင် Python အသုံးပြုရာတွင် စနစ် SSL မှတ်ပုံတင်များကို အလိုအလျောက် ယုံကြည်မှု မရရှိသော အမှားအကြောင်းဖြစ်သည်။ အောက်ပါ ဖြေရှင်းနည်းများကို နောက်တစ်ကြိမ်စဉ်းစားကြည့်ပါ။

ရွေးချယ်စရာ ၁: Python ၏ Install Certificates လုပ်ဆောင်ချက်ကို chạy (အကြံပြုသည်)

# သင်ထည့်သွင်းထားသော Python ဗားရှင်း (ဥပမာ၊ 3.12 သို့မဟုတ် 3.13) ဖြင့် 3.XX ကို အစားထိုးပါ:
/Applications/Python\ 3.XX/Install\ Certificates.command

ရွေးချယ်စရာ ၂: သင့်မှတ်စုတွင် connection_verify=False ကို သုံးပါ (GitHub Models မှတ်စုများအတွက်သာ)

Lesson 6 မှတ်စု (06-building-trustworthy-agents/code_samples/06-system-message-framework.ipynb) တွင် မှတ်ချက်ထည့်ထားသော နည်းလမ်းလည်း ပါပြီးဖြစ်သည်။ client ဖန်တီးသည့်အခါ connection_verify=False ကို ပြန်ဖျက်ထုတ်ပါ။

client = ChatCompletionsClient(
    endpoint=endpoint,
    credential=AzureKeyCredential(token),
    connection_verify=False,  # လက်မှတ်အမှားများတွေ့ပါက SSL အတည်ပြုချက်ကို ပိတ်လိုက်ပါ
)

⚠️ သတိပေးချက်။: SSL အတည်ပြုမှု ပိတ်ထားခြင်း (connection_verify=False) သည် မှတ်ပုံတင်အတည်ပြုချက်စစ်ဆေးမှုကို ကျော်လွန်ခြင်းကြောင့် လုံခြုံမှုလျော့နည်းစေပါသည်။ ဖွံ့ဖြိုးတိုးတက်မှုပတ်ဝန်းကျင်တွင် တစ်ခဏအတွက်သာ အသုံးပြုပါ၊ ထုတ်လွှင့်မှုတွင် မသုံးပါနှင့်။

ရွေးချယ်စရာ ၃: truststore ကို ထည့်သွင်းအသုံးပြုပါ

pip install truststore

ထို့နောက်၊ မှတ်စု သို့မဟုတ် စကရစ်ပ် ၏ အပေါ်အစပိုင်းတွင် နောက်ကောက်ခိုးခိုး မည်သည့် network ခေါ်ဆိုမှုမလုပ်မီ အောက်ပါ ကိုးဒ်ကိုထည့်ပါ။

import truststore
truststore.inject_into_ssl()

ဘာမှတ်စုတခုခုတွင် ပိတ်ဆို့နေပါသလား?

ဤစနစ်ကို ခရီးဆက်မည့်အခါ ပြဿနာများ ဖြစ်ပေါ်ပါက သင်၏ Azure AI Community Discord သို့ သွားရောက် ဆွေးနွေးနိုင်ပါသည် သို့မဟုတ် ပြဿနာတင်ပြနိုင်ပါသည်။

နောက်ထပ်သင်ခန်းစာ

သင်သည် ယခုသင်ကြားမည့် သင်ခန်းစာကို chạyဖို့ ပြင်ဆင်ပြီးဖြစ်ပါပြီ။ AI Agent များ၏ကမ္ဘာကြီးအကြောင်း တက်ကြွစွာလေ့လာရင်း ပျော်ရွှင်ပါစေ။

Introduction to AI Agents and Agent Use Cases

ပြောကြားချက် ဤစာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု Co-op Translator အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးပမ်းနေသော်လည်း၊ စက်ကိရိယာဘာသာပြန်ခြင်းများတွင် အမှားများ သို့မဟုတ် မှားယွင်းချက်များ ပါဝင်နိုင်ကြောင်း သတိပြုပါရန် လိုအပ်ပါသည်။ မူလစာတမ်းကို မူရင်းဘာသာဖြင့်သာ ယုံကြည်စိတ်ချရသော အချက်အလက်အဖြစ် သတ်မှတ်သင့်သည်။ အရေးကြီးသည့် သတင်းအချက်အလက်များအတွက် ပရော်ဖက်ရှင်နယ် လူသားဘာသာပြန်သူဝန်ဆောင်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်ချက်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုကွာခြားမှုများ သို့မဟုတ် မမှန်ကန်သော အသုံးပြုမှုများအတွက် ကျွန်ုပ်တို့ တာဝန်မခံပါ။

This site is open source. Improve this page.