ai-agents-for-beginners

သင်တန်းပြင်ဆင်ခြင်း

နိဒါန်း

ဤသင်ခန်းစာတွင် သင်တန်း၏ ကုဒ်နမူနာများကို မည်သို့ run ချမည်ကို ဖော်ပြမည်ဖြစ်သည်။

အခြားသင်ယူသူများနှင့် ပူးပေါင်းကူညီရန်

သင်၏ repo ကို clone မလုပ်ခင် AI Agents For Beginners Discord channel တွင်ပါဝင်၍ ဆက်တင် ပြင်ဆင်မှုများအတွက်၊ သင်တန်းနှင့်ပတ်သက်သောမေးခွန်းများ၊ သို့မဟုတ် အခြားသင်ယူသူများနှင့်ဆက်သွယ်ရန် ဝင်ပါ။

Repo ကို Clone သို့မဟုတ် Fork ဆွဲရန်

စတင်ရန် GitHub Repository ကို ကလုံး သို့မဟုတ် fork ဆွဲပါ။ ၎င်းသည် သင်တန်းပစ္စည်း၏ ကိုယ်ပိုင်ဗားရှင်းကို ရရှိစေပြီး ကုဒ်များကို ရှာဖွေ စမ်းသပ် ပြင်ဆင်နိုင်စေရန်ဖြစ်သည်။

၎င်းကို repo ကို fork ဆွဲရန် link ကို နှိပ်ခြင်းဖြင့် ပြုလုပ်နိုင်သည်။

ယခု သင်၏ ကိုယ်ပိုင် fork ဆွဲထားသော သင်တန်းဗားရှင်းကို အောက်ပါလင့်ခ်တွင် ရရှိသင့်သည်-

သက်သာသော Clone (ဆန်းသစ်ခြင်း / Codespaces အတွက် အကြံပြု)

ဖိုင်နှင့် သမိုင်းကြောင်း အပြည့်အစုံ ဒေါင်းလုပ်လုပ်မည်ဆိုလျှင် ရှယ်ထောင့် (~3 GB) ကြီးမားနိုင်သည်။ သင်ကွင်းဆင်းသင်တန်းတက်မည်ဆိုလျှင် သို့မဟုတ် သင်ခန်းစာ folder အနည်းငယ်လိုအပ်ပါက သက်သာသော clone (သို့) sparse clone သည် သမိုင်းကြောင်းကို ပိုဒေါင်းလုဒ်ခြင်းမှ ရှောင်ရှားသည်။

မြန်ဆန်သက်သာသော clone — သမိုင်းဖြတ်တို၊ ဖိုင်များ အပြည့်အဝ

အောက်ပါ command များတွင် <your-username> ကို သင်၏ fork URL (သို့) upstream URL အစားထိုး၍ အသုံးပြုပါ။

နောက်ဆုံး commit သမိုင်းကို သာ clone ဆွဲရန် (ဒေါင်းလုပ်အသွေးသေး):

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

အထူးခွဲထုတ်ထားသော branch ကို clone ဆွဲရန်:

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

အပိုင်းအခြား (sparse) clone — blob နည်းပြီး ရွေးချယ်ထားသော folder များသာ clone ဆွဲခြင်း

Git 2.25+ နှင့် partial clone ကို ပံ့ပိုးသည့် သက်တမ်းရှိ Git ကို အသုံးပြု၍ partial clone နှင့် sparse-checkout ကိုအသုံးပြုသည်။

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

Repo folder ထဲသို့ ဝင်ရောက်ရန်:

cd ai-agents-for-beginners

သင်လိုအပ်သော folder များကို သတ်မှတ်ပါ (ဥပမာတွင် folder နှစ်ခုပြထားသည်):

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

Clone ပြီးဖိုင်များ စစ်ဆေးပြီးပါက သင့်တွင် ဖိုင်ပိုပြီး လိုအပ်မရှိ၍ နေရာလွတ်လိုပါက repository metadata ကို ဖျက်ပစ်ပါ (💀မပြန်လည် ရနိုင်ပါမည် — Git အားလုံးလုပ်ဆောင်ချက် မရှိတော့ပါ: commit များ၊ pull များ၊ push များ သို့မဟုတ် သမိုင်းကြောင်းသွားရောက် ကြည့်ရှုခြင်း မပြုနိုင်ပါ)။

# zsh/bash
rm -rf .git

# PowerShell
Remove-Item -Recurse -Force .git

GitHub Codespaces အသုံးပြုခြင်း (ဒေါင်းလုပ်ကြီးများကို သွားနေရခြင်းမှ ရှောင်ရှားရန် အကြံပြုသည်)

• GitHub UI မှ ဒီ repo အတွက် Codespace အသစ်တစ်ခု ဖန်တီးပါ။

• Codespace ထဲရှိ terminal တွင် အထက်ပါ သက်သာသော/sparse clone commands များကို အသုံးပြုပြီး သင်လိုအပ်သော သင်ခန်းစာ folder များသာ Codespace စာရင်းသွင်းပါ။
• အလိုအလျောက်: Codespaces အတွင်း clone ပြီးပါက၊ အပိုနေရာရရှိရန် .git ဖိုင်ကို ဖျက်ပစ်ပါ (အထက်ပါ ဖျက်သိမ်း နည်းများကို ကြည့်ပါ)။
• မှတ်ချက်: Codespaces တွင် တိုက်ရိုက် repo ကို ဖွင့်လိုပါက (clone မလုပ်ဘဲ), Codespaces သည် devcontainer ပတ်ဝန်းကျင် တည်ဆောက်မည်ဖြစ်ပြီး သင်လိုအပ်သည့် ပမာဏထက် ပို provision လုပ်နိုင်သည်။ Codespace အသစ် နှင့် သက်သာ clone လုပ်ခြင်းဖြင့် disk အသုံးပြုမှုကို ပိုမို ထိန်းချုပ်နိုင်သည်။

အကြံပြုချက်များ

• ပြင်ဆင်/commit လုပ်လိုပါက clone URL ကို မည်သည့် fork ဖြစ်မဆို အမြဲ ပြောင်းလဲပေးပါ။
• နောက်ပိုင်းတွင် သမိုင်းကြောင်း (history) သို့မဟုတ် ဖိုင်များ ပိုလိုအပ်ပါက fetch လုပ်နိုင်ပြီး sparse-checkout ကို ပြင်ဆင်၍ folder အသစ်ထည့်နိုင်သည်။

ကုဒ် run ပြုလုပ်ခြင်း

သင်တန်းတွင် AI Agents ဆောက်ရန် လက်တွေ့လုပ်ဆောင် သင်ယူနိုင်ရန် Jupyter Notebooks များပါရှိသည်။

ကုဒ်နမူနာများသည် Microsoft Agent Framework (MAF) ကို အသုံးပြုသည်။ FoundryChatClient အသုံးပြု၍ Microsoft Foundry Agent Service V2 (Responses API) ကို Microsoft Foundry မှ ချိတ်ဆက်သည်။

Python notebooks အားလုံးကို *-python-agent-framework.ipynb ဟူ၍ အမှတ်အသား မိန့်ပြုထားသည်။

လိုအပ်ချက်များ

• Python 3.12+

  • မှတ်ချက်: သင်တွင် Python3.12 မရှိပါက ထည့်သွင်းပါ။ ထို့နောက် python3.12 သုံးလျှင် venv ဖန်တီးပြီး requirements.txt မှမှန်ကန်သောဗားရှင်းများ ထည့်သွင်းမှု အတည်ပြုပါ။

    ဥပမာ

    Python venv directory ဖန်တီးခြင်း:

    python -m venv venv
    

    ထို့နောက် venv ပတ်ဝန်းကျင်ကို လှုပ်လုပ်ရန်:

    # zsh/bash
    source venv/bin/activate
    

    # Command Prompt for Windows
    venv\Scripts\activate
    

• .NET 10+: .NET သုံးကုဒ်များအတွက် .NET 10 SDK သို့မဟုတ် နောက်ဆက်တွဲ ဗားရှင်းကို ထည့်သွင်းပါ။ ထို့နောက် သင်ထည့်သွင်းထားသော .NET SDK ဗားရှင်းကို တိုင်းတာပါ။

    dotnet --list-sdks
  

• Azure CLI — အတည်ပြုမှုအတွက် လိုအပ်သည်။ aka.ms/installazurecli မှ ထည့်သွင်းပါ။
• Azure Subscription — Microsoft Foundry နှင့် Microsoft Foundry Agent Service အသုံးပြုရန်။
• Microsoft Foundry Project — ဖြန့်ချိထားသော မော်ဒယ် (ဥပမာ gpt-4.1-mini) ပါသော project တစ်ခု။ အဆင့် ၁ ကို ကြည့်ပါ။

Repo၏ root တွင် requirements.txt ဖိုင် ပါဝင်ပြီး ကုဒ်နမူနာများ run ရန် လိုအပ်သော Python package များကို ပါဝင်သည်။

Repo root တွင် terminal ဖြင့် အောက်ပါ command ကို run ပြုလုပ်၍ ထည့်သွင်းနိုင်သည်။

pip install -r requirements.txt

ဂေဘလူးနှင့် ပြဿနာကင်းရန် Python virtual environment ဖန်တီးဖို့ အကြံပြုသည်။

VSCode ပြင်ဆင်ခြင်း

VSCode တွင် များသောအားဖြင့် မှန်ကန်သော Python ဗားရှင်းကို အသုံးပြုနေကြောင်း သေချာစေရန်။

Microsoft Foundry နှင့် Microsoft Foundry Agent Service ပြင်ဆင်ခြင်း

အဆင့် ၁: Microsoft Foundry Project ဖန်တီးခြင်း

Notebook များကို run ချရန် Microsoft Foundry hub နှင့် မော်ဒယ် ဖြန့်ထားသော project တစ်ခု လိုအပ်သည်။

1. ai.azure.com သို့ သွားပါ၊ Azure အကောင့်ဖြင့် အဝင်ဝင်ပါ။
2. hub တစ်ခုဖန်တီးပါ (ဟုတ်ရင် ရှိပြီးသား hub ကို အသုံးပြုလို့ရသည်)။ ကြည့်ရန်: Hub resources overview။
3. hub အတွင်း project တစ်ခု ဖန်တီးပါ။
4. Models + Endpoints → Deploy model မှ မော်ဒယ် (ဥပမာ gpt-4.1-mini) တစ်ခု ဖြန့်ချိပါ။

အဆင့် ၂: မိမိ၏ Project Endpoint နှင့် Model Deployment Name ရယူခြင်း

Microsoft Foundry portal တွင် မိမိ project မှ:

• Project Endpoint — Overview စာမျက်နှာသို့ သွားကာ endpoint URL ကို ကူးယူပါ။

• Model Deployment Name — Models + Endpoints သို့ သွားပြီး မော်ဒယ်ဖြန့်ထားသည့် အမည် (ဥပမာ gpt-4.1-mini) ကို မှတ်သားပါ။

အဆင့် ၃: az login ဖြင့် Azure တွင် အဝင်ဝင်ပါ

Notebooks များသည် AzureCliCredential ကို အသုံးပြုသောကြောင့် API Keys မလိုပါ။ Azure CLI ဖြင့် အဝင်ဝင်ထားရမည်။

1. Azure CLI ထည့်သွင်းပါ (မရှိသေးပါက): aka.ms/installazurecli

2. အောက်ပါ command ဖြင့် အဝင်ဝင်ပါ:

    az login
   

   သို့မဟုတ် browser မပါတဲ့ remote/Codespace environment တွင်ရှိပါက:

    az login --use-device-code
   

3. အသေးစိတ် မေးပါက မိမိ၏ Foundry project ပါဝင်သော subscription ကို ရွေးချယ်ပါ။

4. အဝင်ဝင်ပြီးကြောင်း အတည်ပြုပါ:

    az account show
   

ဘာကြောင့် az login? Notebooks များသည် azure-identity package မှ AzureCliCredential ဖြင့် အတည်ပြုသည်။ Azure CLI session သည် API key မလိုဘဲ credential ကို ပေးသည်။ ၎င်းသည် လုံခြုံရေးအကောင်းဆုံး လေ့လာမှု ဖြစ်သည်။

အဆင့် ၄: မိမိ၏ .env ဖိုင် ဖန်တီးခြင်း

ဥပမာဖိုင်ကို ကူးယူပါ:

# zsh/bash
cp .env.example .env

# PowerShell
Copy-Item .env.example .env

.env ဖိုင်ကို ဖွင့်ပြီး အောက်ပါ တန်ဖိုး နှစ်ခုကို ဖြည့်ပါ:

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

Variable	ရှာဖွေရာနေရာ
AZURE_AI_PROJECT_ENDPOINT	Foundry portal → မိမိ project → Overview စာမျက်နှာ
AZURE_AI_MODEL_DEPLOYMENT_NAME	Foundry portal → Models + Endpoints → မော်ဒယ် အမည်

သင်ခန်းစာများ အများစုအတွက် အဟာရပါသည်! Notebooks များသည် မိမိ၏ az login session ဖြင့် အလိုအလျောက် အတည်ပြုသည်။

အဆင့် ၅: Python Dependencies ထည့်သွင်းခြင်း

pip install -r requirements.txt

ရှေ့က ဖန်တီးထားသော virtual environment အတွင်း run ပြုလုပ်ရန် ညွှန်ကြားပါသည်။

အပိုဆောင်း ပြင်ဆင်မှု မေးခန်း ၅ (Agentic RAG) အတွက်

Lesson 5 တွင် Azure AI Search ကို အသုံးပြုသည့် retrieval-augmented generation တွင် ပါဝင်သည်။ သင်သွား run မည်ဆိုလျှင် အောက်ပါ Variables များကို .env ဖိုင်တွင် ထည့်ပါ:

Variable	ရှာဖွေရာနေရာ
AZURE_SEARCH_SERVICE_ENDPOINT	Azure portal → Azure AI Search resource → Overview → URL
AZURE_SEARCH_API_KEY	Azure portal → Azure AI Search resource → Settings → Keys → primary admin key

Azure OpenAI တိုက်ရိုက် ခေါ်သည့် တခြား သင်ခန်းစာများ (Lessons 6 နှင့် 8)

Lessons 6 နှင့် 8 တချို့ notebooks များသည် Microsoft Foundry project မဖြတ်ဘဲ Azure OpenAI ကို တိုက်ရိုက် (Responses API အသုံးပြုပြီး) ခေါ်သည်။ ယခင်တွင် GitHub Models ကိုအသုံးပြုပြီးဖြစ်ပြီး၊ စတင်နှစ်လအတွင်း ပရိတ်သတ်နေသောမှတ်တမ်းဖြစ်ပါသည် (2026 ဇူလိုင်တွင် ပိတ်သိမ်းမည်)၊ Responses API ပံ့ပိုးမှုမရှိပါ။ အဆိုပါ နမူနာများကို run မည်ဆိုလျှင် အောက်ပါ Variables များကို .env ဖိုင်တွင် ထည့်သွင်းပါ။

Variable	ရှာဖွေရာနေရာ
AZURE_OPENAI_ENDPOINT	Azure portal → Azure OpenAI resource → Keys and Endpoint → Endpoint (ဥပမာ https://<your-resource>.openai.azure.com)
AZURE_OPENAI_DEPLOYMENT	Responses API ကို ပံ့ပိုးသည့် မော်ဒယ် ဖြန့်ချိမှု အမည် (ဥပမာ gpt-4.1-mini)
AZURE_OPENAI_API_KEY	အထွ optional — az login / Entra ID ထက် key-based auth သုံးမည့်အခါသာလိုအပ်ပါသည်

Responses API သည် စံ /openai/v1/ endpoint ကို အသုံးပြုသည်၊ ထို့ကြောင့် api-version မလိုအပ်ပါ။ az login ဖြင့် keyless Entra ID authentication ကို အသုံးပြုနိုင်သည်။

လွဲချော် Provider: MiniMax (OpenAI-Compatible)

MiniMax သည် OpenAI-compatible API နှင့် လက်ခံရရှိ၍ 204K tokens အထိ ရှည်သော context မော်ဒယ်များ ပေးဆောင်ပါသည်။ Microsoft Agent Framework ၏ OpenAIChatClient သည် OpenAI-compatible endpoint များအားလုံးနှင့် အလုပ်လုပ်နိုင်သဖြင့် MiniMax ကို Azure OpenAI သို့မဟုတ် OpenAI ၏ အစားထိုး အဖြစ် အသုံးပြုနိုင်သည်။

.env ဖိုင်ထဲ ထည့်သွင်းရန် Variables များ:

Variable	ရှာဖွေရာနေရာ
MINIMAX_API_KEY	MiniMax Platform → API Keys
MINIMAX_BASE_URL	https://api.minimax.io/v1 (မူရင်းတန်ဖိုး)
MINIMAX_MODEL_ID	အသုံးပြုမည့် model အမည် (ဥပမာ MiniMax-M3)

ဥပမာ မော်ဒယ်များ: MiniMax-M3 (အကြံပြု), MiniMax-M2.7, MiniMax-M2.7-highspeed (တုံ့ပြန်မှု မြန်ဆန်)။ မော်ဒယ် အမည်များနှင့် ရနိုင်မှုကာလကာတာများက ချိန်ညှိနိုင်ပြီး သင့် အကောင့် (သို့) ဒေသပေါ်မူတည်၍ ရရှိနိုင်သည် — MiniMax Platform တွင် စစ်ဆေးပါ။ သင်၏အကောင့်တွင် MiniMax-M3 မရဖြစ်ပါက MINIMAX_MODEL_ID သည် သင်ရရှိနိုင်သော model နဲ့ တက်နိုင်ပါ (ဥပမာ MiniMax-M2.7)။

OpenAIChatClient သုံးသည့် ကုဒ်နမူနာများတွင် (ဥပမာ Lesson 14 ဟိုတယ်ဘွတ်ကင် Workflow) MINIMAX_API_KEY သတ်မှတ်ထားပါက မိမိ၏ MiniMax သတ်မှတ်ချက်အတိုင်း အလိုအလျောက် စမ်းသုံးပါလိမ့်မည်။

လွဲချော် Provider: Foundry Local (Device တွင် မော်ဒယ်များ run ပြုလုပ်ခြင်း)

Foundry Local သည် လေးထားသော runtime တစ်ခုဖြစ်၍ သင့်စက်ပေါ်တွင် OpenAI-compatible API ဖြင့် မော်ဒယ်များကို downloadable၊ စီမံခန့်ခွဲခြင်း၊ ရောင်းချခြင်းများ ချီးမြှင့်သည်။ Cloud သုံးရန် မလိုအပ်၊ Azure subscription မလိုအပ်၊ API key မလိုအပ်ပါ။ Offline ဖွံ့ဖြိုးတိုးတက်မှုပြုရန်၊ ကုန်ကျစရိတ်မတိုးစေဖို့၊ ဒေတာကို စက်ပေါ်မှာ ထိန်းသိမ်းရန် သင့်လျော်သည်။

Microsoft Agent Framework ၏ OpenAIChatClient သည် OpenAI-compatible မည်သည့် endpoint မဆို အလုပ်လုပ်နိုင်သောကြောင့် Foundry Local သည် Azure OpenAI အစား ထည့်သွင်းသုံးစွဲနိုင်သော local အစီအစဉ်တစ်ခုဖြစ်သည်။

1. Foundry Local ထည့်သွင်းခြင်း

# Windows
winget install Microsoft.FoundryLocal

# macOS
brew install foundrylocal

2. မော်ဒယ် download ပြုလုပ်ပြီး run ပြုလုပ်ခြင်း (local service ကိုလည်း စတင်ပါလိမ့်မည်):

foundry model list          # ရနိုင်သော မော်ဒယ်များကို ကြည့်ပါ
foundry model run phi-4-mini

3. local endpoint ရှာဖွေရန် အသုံးပြုမည့် Python SDK ထည့်သွင်းခြင်း:

pip install foundry-local-sdk

4. Microsoft Agent Framework ကို မိမိ၏ local model ပေါ် သတ်မှတ်ရန်:

from foundry_local import FoundryLocalManager
from agent_framework.openai import OpenAIChatClient

# မော်ဒယ်ကို ဒေါင်းလုပ်လုပ်ပြီး (လိုအပ်လျှင်) ဒေသစံပြနေရာတွင် ဆားဗ်လုပ်သည်၊ ထို့နောက် 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 ထောက်ပံ့သည်။ ဒါကို local တိုးတက်မှုနှင့် offline အသုံးပြုမှုများအတွက် သုံးနိုင်သည်။ Responses API ၏ အပြည့်အဝ လုပ်ဆောင်ချက်များ (stateful စကားစဉ်၊ tool orchestration နက်ရှိုင်းမှုများ၊ agent ပုံစံ ဖွံ့ဖြိုးမှု) စသည်တို့အတွက် Azure OpenAI သို့မဟုတ် Microsoft Foundry project ကို သင်ခန်းစာများအတိုင်း ကြည့်ရှုပြုရန် ဖြစ်သည်။ Foundry Local documentation တွင် လက်ရှိ မော်ဒယ်စာရင်းနှင့် ပလက်ဖောင်း ပံ့ပိုးမှုများ ရှိပါသည်။

အတန်း ၈ အတွက် ထပ်မံဆက်တင်ခြင်း (Bing Grounding Workflow)

အတန်း ၈ ရဲ့ conditional workflow notebook မှာ Microsoft Foundry မှ Bing grounding ကို အသုံးပြုပါတယ်။ အဲဒီ sample ကို run ဖို့ စိတ်ဝင်စားရင် .env ဖိုင်ထဲမှာ ဒီ variable ကို ထည့်သွင်းပါ။

Variable	ရှာဖွေနိုင်တဲ့နေရာ
BING_CONNECTION_ID	Microsoft Foundry portal → သင့် project → Management → Connected resources → သင့် Bing ချိတ်ဆက်မှု → connection ID ကို ကူးရန်

ပြဿနာရောက်လျှင်ဖြေရှင်းနည်း

macOS မှာ SSL Certificate Verification အမှားများ

macOS မှာအောက်ပါ error အမျိုးအစားတက်လာခဲ့ရင်

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

ဒါဟာ macOS ပေါ် Python နဲ့ မျှော်လင့်ထားတဲ့ system SSL certificates ကို ယုံကြည်ခြင်း မ ရရှိတာကြောင့် ဖြစ်တယ်။ အောက်ပါ ဖြေရှင်းနည်းများကို အဆင့်လိုက် စမ်းကြည့်ပါ။

ရွေးချယ်စရာ ၁: Python ရဲ့ Install Certificates script ကို run ပြုလုပ်ပါ (အကြံပြု)

# သင့်ထည့်သွင်းထားသော Python ဗားရှင်း (ဥပမာ၊ 3.12 သို့မဟုတ် 3.13) ဖြင့် 3.XX ကိုထားပါ။
/Applications/Python\ 3.XX/Install\ Certificates.command

ရွေးချယ်စရာ ၂: Notebook မှာ connection_verify=False ကို အသုံးပြုပါ (GitHub Models notebooks များအတွက်သာ)

Lesson 6 notebook (06-building-trustworthy-agents/code_samples/06-system-message-framework.ipynb) မှာ comment ထားတဲ့ workaround တစ်ခု ရှိပြီး ဖြစ်ပါတယ်။ client ဖန်တီးချိန်မှာ connection_verify=False ကို uncomment လုပ်ပါ။

client = ChatCompletionsClient(
    endpoint=endpoint,
    credential=AzureKeyCredential(token),
    connection_verify=False,  # လက်မှတ်အမှားများကြုံတွေ့လျှင် SSL အတည်ပြုချက်ကိုပိတ်ပါ
)

⚠️ သတိပေးချက်: SSL verification ကို ပိတ်ခြင်း (connection_verify=False) က သက်ဆိုင်ရာ certificate အတည်ပြုခြင်းကို ခုခံပစ်သွားတာဖြစ်ပါသည်။ ဒါကို အချက်အချာ တာဝန်ရှိသော ပရိုဒပ်ရှင်းပတ်ဝန်းကျင်တွင် မသုံးပါနဲ့၊ တံခါးခန်းဖွင့်ခြင်းအနေနဲ့သာ ဒါမှမဟုတ် development ပတ်ဝန်းက်တွင်သာ အသုံးပြုပါ။

ရွေးချယ်စရာ ၃: truststore ကို တပ်ဆင်ပြီး အသုံးပြုပါ

pip install truststore

အဲ့ဒီနောက် သင့် notebook သို့ script မှာ network call မလုပ်ခင် တစ်ဖက်တွင် အောက်ပါ code ကို ထည့်ပါ။

import truststore
truststore.inject_into_ssl()

ဘယ်နေရာမှာ ရပ်သွားသလဲ?

ဒီ setup ကို run ပြုလုပ်ရာမှာ တခုခုပြဿနာ ရှိရင် ကျွန်ုပ်တို့ရဲ့ Azure AI Community Discord မှာ ဝင်ရောက် မေးမြန်းပါ သို့မဟုတ် issue တစ်ခုဖန်တီးပါ။

နောက်တန်းသင်ခန်းစာ

သင့်အနေနဲ့ ယခု သင်တန်းအတွက် code ကို run ပြုလုပ်ရန် အသင့်ဖြစ်ပါပြီ။ AI Agents ရဲ့ ကမ္ဘာကြီးကို ပို၍လေ့လာစရာပျော်ရွှင်ပါစေ!

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.