ai-agents-for-beginners
Kursoppsett
Introduksjon
Denne leksjonen dekker hvordan du kan kjøre kodeeksemplene i dette kurset.
Bli med andre elever og få hjelp
Før du begynner å klone ditt repo, bli med i AI Agents For Beginners Discord-kanalen for å få hjelp med oppsett, stille spørsmål om kurset, eller for å koble deg med andre elever.
Klon eller fork dette repoet
For å komme i gang, klon eller fork GitHub-repositoriet. Dette vil lage din egen versjon av kursmaterialet slik at du kan kjøre, teste og justere koden!
Dette kan gjøres ved å klikke på lenken til
Du bør nå ha din egen forkede versjon av dette kurset på følgende lenke:
Kjøre koden
Dette kurset tilbyr en serie Jupyter Notebooks som du kan kjøre for å få praktisk erfaring med å bygge AI-agenter.
Kodeeksemplene bruker enten:
Krever GitHub-konto - Gratis:
1) Semantic Kernel Agent Framework + GitHub Models Marketplace. Merket som (semantic-kernel.ipynb) 2) AutoGen Framework + GitHub Models Marketplace. Merket som (autogen.ipynb)
Krever Azure-abonnement: 3) Azure AI Foundry + Azure AI Agent Service. Merket som (azureaiagent.ipynb)
Vi oppfordrer deg til å prøve alle tre typer eksempler for å se hvilken som fungerer best for deg.
Uansett hvilket alternativ du velger, vil det avgjøre hvilke oppsettssteg du må følge nedenfor:
Krav
- Python 3.12+
- NOTE: Hvis du ikke har Python 3.12 installert, sørg for å installere det. Deretter opprett din venv ved å bruke python3.12 for å sikre at riktige versjoner installeres fra requirements.txt-filen.
- En GitHub-konto - For tilgang til GitHub Models Marketplace
- Azure-abonnement - For tilgang til Azure AI Foundry
- Azure AI Foundry-konto - For tilgang til Azure AI Agent Service
Vi har inkludert en requirements.txt-fil i roten av dette repositoriet som inneholder alle nødvendige Python-pakker for å kjøre kodeeksemplene.
Du kan installere dem ved å kjøre følgende kommando i terminalen i roten av repositoriet:
pip install -r requirements.txt
Vi anbefaler å opprette et Python-virtuelt miljø for å unngå konflikter og problemer.
Oppsett av VSCode
Sørg for at du bruker riktig versjon av Python i VSCode.
Oppsett for eksempler som bruker GitHub-modeller
Steg 1: Hent din GitHub Personal Access Token (PAT)
Dette kurset bruker GitHub Models Marketplace, som gir gratis tilgang til Large Language Models (LLMs) som du vil bruke til å bygge AI-agenter.
For å bruke GitHub-modellene må du opprette en GitHub Personal Access Token.
Dette kan gjøres ved å gå til din
GitHub-konto.
Vennligst følg Prinsippet om minst privilegium når du oppretter tokenet. Dette betyr at du kun bør gi tokenet de tillatelsene det trenger for å kjøre kodeeksemplene i dette kurset.
-
Velg alternativet
Fine-grained tokenspå venstre side av skjermen ved å navigere til Developer settings
Deretter velg
Generate new token.
-
Skriv inn et beskrivende navn for tokenet som reflekterer dets formål, slik at det er lett å identifisere senere.
🔐 Anbefaling for token-varighet
Anbefalt varighet: 30 dager For en mer sikker tilnærming kan du velge en kortere periode—som 7 dager 🛡️ Det er en flott måte å sette et personlig mål og fullføre kurset mens læringsmomentet ditt er høyt 🚀.
-
Begrens tokenets omfang til din fork av dette repositoriet.
-
Begrens tokenets tillatelser: Under Permissions, klikk på Account-fanen, og klikk på “+ Add permissions”-knappen. En rullegardinmeny vil vises. Søk etter Models og kryss av for det.
-
Verifiser de nødvendige tillatelsene før du genererer tokenet.
-
Før du genererer tokenet, sørg for at du er klar til å lagre tokenet på et sikkert sted som en passordhåndteringshvelv, da det ikke vil bli vist igjen etter at du har opprettet det.
Kopier ditt nye token som du nettopp har opprettet. Du vil nå legge dette til din .env-fil inkludert i dette kurset.
Steg 2: Opprett din .env-fil
For å opprette din .env-fil, kjør følgende kommando i terminalen.
cp .env.example .env
Dette vil kopiere eksempel-filen og opprette en .env i din katalog hvor du fyller inn verdiene for miljøvariablene.
Med ditt token kopiert, åpne .env-filen i din favoritt tekstredigerer og lim inn tokenet i GITHUB_TOKEN-feltet.
Du bør nå kunne kjøre kodeeksemplene i dette kurset.
Oppsett for eksempler som bruker Azure AI Foundry og Azure AI Agent Service
Steg 1: Hent din Azure-prosjektendepunkt
Følg stegene for å opprette en hub og prosjekt i Azure AI Foundry som finnes her: Hub resources overview
Når du har opprettet ditt prosjekt, må du hente tilkoblingsstrengen for prosjektet ditt.
Dette kan gjøres ved å gå til Oversikt-siden for prosjektet ditt i Azure AI Foundry-portalen.
Steg 2: Opprett din .env-fil
For å opprette din .env-fil, kjør følgende kommando i terminalen.
cp .env.example .env
Dette vil kopiere eksempel-filen og opprette en .env i din katalog hvor du fyller inn verdiene for miljøvariablene.
Med ditt token kopiert, åpne .env-filen i din favoritt tekstredigerer og lim inn tokenet i PROJECT_ENDPOINT-feltet.
Steg 3: Logg inn på Azure
Som en sikkerhetsbest praksis, vil vi bruke nøkkelfri autentisering for å autentisere til Azure OpenAI med Microsoft Entra ID.
Deretter åpne en terminal og kjør az login --use-device-code for å logge inn på din Azure-konto.
Når du har logget inn, velg ditt abonnement i terminalen.
Ekstra miljøvariabler - Azure Search og Azure OpenAI
For Agentic RAG-leksjonen - Leksjon 5 - finnes det eksempler som bruker Azure Search og Azure OpenAI.
Hvis du vil kjøre disse eksemplene, må du legge til følgende miljøvariabler i din .env-fil:
Oversiktsside (Prosjekt)
-
AZURE_SUBSCRIPTION_ID- Sjekk Prosjektdetaljer på Oversikt-siden for prosjektet ditt. -
AZURE_AI_PROJECT_NAME- Se øverst på Oversikt-siden for prosjektet ditt. -
AZURE_OPENAI_SERVICE- Finn dette i Inkluderte kapabiliteter-fanen for Azure OpenAI Service på Oversikt-siden.
Administrasjonssenter
-
AZURE_OPENAI_RESOURCE_GROUP- Gå til Prosjektegenskaper på Oversikt-siden for Administrasjonssenteret. -
GLOBAL_LLM_SERVICE- Under Tilkoblede ressurser, finn Azure AI Services-tilkoblingsnavnet. Hvis det ikke er oppført, sjekk Azure-portalen under din ressursgruppe for AI Services-ressursnavnet.
Modeller + Endepunktside
-
AZURE_OPENAI_EMBEDDING_DEPLOYMENT_NAME- Velg din embedding-modell (f.eks.text-embedding-ada-002) og noter Deploymentsnavnet fra modellens detaljer. -
AZURE_OPENAI_CHAT_DEPLOYMENT_NAME- Velg din chat-modell (f.eks.gpt-4o-mini) og noter Deploymentsnavnet fra modellens detaljer.
Azure Portal
-
AZURE_OPENAI_ENDPOINT- Se etter Azure AI Services, klikk på det, gå deretter til Ressursadministrasjon, Nøkler og endepunkt, scroll ned til “Azure OpenAI-endepunkter”, og kopier den som sier “Språk-APIer”. -
AZURE_OPENAI_API_KEY- Fra samme skjerm, kopier NØKKEL 1 eller NØKKEL 2. -
AZURE_SEARCH_SERVICE_ENDPOINT- Finn din Azure AI Search-ressurs, klikk på den, og se Oversikt. -
AZURE_SEARCH_API_KEY- Gå deretter til Innstillinger og deretter Nøkler for å kopiere den primære eller sekundære administrasjonsnøkkelen.
Ekstern nettside
AZURE_OPENAI_API_VERSION- Besøk siden API-versjonslivssyklus under Siste GA API-utgivelse.
Oppsett av nøkkelfri autentisering
I stedet for å hardkode dine legitimasjoner, vil vi bruke en nøkkelfri tilkobling med Azure OpenAI. For å gjøre dette, vil vi importere DefaultAzureCredential og senere kalle funksjonen DefaultAzureCredential for å hente legitimasjonen.
from azure.identity import DefaultAzureCredential, InteractiveBrowserCredential
Sitter fast et sted?
Hvis du har problemer med å kjøre dette oppsettet, hopp inn i vår
eller
Neste leksjon
Du er nå klar til å kjøre koden for dette kurset. Lykke til med å lære mer om verden av AI-agenter!
Introduksjon til AI-agenter og agentbrukstilfeller
Ansvarsfraskrivelse:
Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten Co-op Translator. Selv om vi streber etter nøyaktighet, vær oppmerksom på at automatiske oversettelser kan inneholde feil eller unøyaktigheter. Det originale dokumentet på sitt opprinnelige språk bør anses som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.