ai-agents-for-beginners

Kursoppsett

Introduksjon

Denne leksjonen vil dekke hvordan du kjører kodeeksemplene i dette kurset.

Bli med andre elever og få hjelp

Før du begynner å klone repoet ditt, bli med i AI Agents For Beginners Discord-kanal for å få hjelp med oppsett, spørsmål om kurset eller for å koble deg til andre elever.

Klon eller fork dette repoet

For å begynne, vennligst 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 linken for å forke repoet

Du bør nå ha din egen forket versjon av dette kurset på følgende link:

Forked Repo

Grunnleggende kloning (anbefalt for workshop / Codespaces)

Det fullstendige repositoriet kan være stort (~3 GB) når du laster ned full historikk og alle filer. Hvis du bare deltar på workshopen eller kun trenger noen få leksjonsmapper, unngår en grunnleggende kloning (eller en sparsom kloning) det meste av nedlastingen ved å kutte historikk og/eller hoppe over blobs.

Rask grunnleggende kloning — minimal historikk, alle filer

Erstatt <your-username> i kommandoene nedenfor med din fork-URL (eller upstream-URL hvis du foretrekker det).

For å klone bare siste commit-historikk (liten nedlasting):

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

For å klone en spesifikk branch:

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

Delvis (sparsom) kloning — minimale blobs + kun valgte mapper

Dette bruker delvis kloning og sparse-checkout (krever Git 2.25+ og anbefales med moderne Git med støtte for delvis kloning):

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

Gå inn i repo-mappen:

cd ai-agents-for-beginners

Deretter spesifiserer du hvilke mapper du vil ha (eksempel nedenfor viser to mapper):

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

Etter å ha klonet og verifisert filene, hvis du kun trenger filene og ønsker å frigjøre plass (ingen git-historikk), vennligst slett repository-metadataene (💀irreversibelt — du mister all Git-funksjonalitet: ingen commits, pulls, pushes eller historikktilgang).

# zsh/bash
rm -rf .git

# PowerShell
Remove-Item -Recurse -Force .git

Bruke GitHub Codespaces (anbefalt for å unngå lokale store nedlastinger)

Tips

Kjøre koden

Dette kurset tilbyr en serie med Jupyter Notebooks som du kan kjøre for å få praktisk erfaring med å bygge AI-agenter.

Kodeeksemplene bruker Microsoft Agent Framework (MAF) med AzureAIProjectAgentProvider, som kobler til Azure AI Agent Service V2 (Responses API) via Microsoft Foundry.

Alle Python-notebookene er merket *-python-agent-framework.ipynb.

Krav

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.

Sett opp VSCode

Sørg for at du bruker riktig versjon av Python i VSCode.

image

Sett opp Microsoft Foundry og Azure AI Agent Service

Trinn 1: Opprett et Microsoft Foundry-prosjekt

Du trenger en Azure AI Foundry hub og et prosjekt med en distribuert modell for å kjøre notebookene.

  1. Gå til ai.azure.com og logg inn med Azure-kontoen din.
  2. Opprett en hub (eller bruk en eksisterende). Se: Hub resources overview.
  3. Inne i huben, opprett et prosjekt.
  4. Deploy en modell (f.eks. gpt-4o) fra Models + Endpoints → Deploy model.

Trinn 2: Hent prosjekt-endepunkt og navn på modellutplassering

Fra prosjektet ditt i Microsoft Foundry-portalen:

Project Connection String

Trinn 3: Logg inn i Azure med az login

Alle notebookene bruker AzureCliCredential for autentisering — ingen API-nøkler å håndtere. Dette krever at du er logget inn via Azure CLI.

  1. Installer Azure CLI hvis du ikke allerede har gjort det: aka.ms/installazurecli

  2. Logg inn ved å kjøre:

     az login

    Eller hvis du er i et eksternt/Codespace-miljø uten nettleser:

     az login --use-device-code

  3. Velg abonnementet ditt hvis du blir bedt om det — velg det som inneholder Foundry-prosjektet ditt.

  4. Sjekk at du er logget inn:

     az account show

Hvorfor az login? Notebookene autentiserer ved hjelp av AzureCliCredential fra azure-identity-pakken. Det betyr at Azure CLI-økten din gir legitimasjonen — ingen API-nøkler eller hemmeligheter i .env-filen din. Dette er en beste praksis for sikkerhet.

Trinn 4: Opprett din .env-fil

Kopier eksempel-filen:

# zsh/bash
cp .env.example .env

# PowerShell
Copy-Item .env.example .env

Åpne .env og fyll inn disse to verdiene:

AZURE_AI_PROJECT_ENDPOINT=https://<your-project>.services.ai.azure.com/api/projects/<your-project-id>
AZURE_AI_MODEL_DEPLOYMENT_NAME=gpt-4o
Variabel Hvor du finner den
AZURE_AI_PROJECT_ENDPOINT Foundry-portalen → prosjektet ditt → Oversikt-side
AZURE_AI_MODEL_DEPLOYMENT_NAME Foundry-portalen → Models + Endpoints → navnet på den distribuerte modellen

Det er alt for de fleste leksjoner! Notebookene vil autentisere automatisk gjennom az login-økten din.

Trinn 5: Installer Python-avhengigheter

pip install -r requirements.txt

Vi anbefaler å kjøre dette inne i det virtuelle miljøet du opprettet tidligere.

Tillegg for oppsett for leksjon 5 (Agentic RAG)

Leksjon 5 bruker Azure AI Search for retrieval-augmented generation. Hvis du planlegger å kjøre den leksjonen, legg til disse variablene i .env-filen din:

Variabel Hvor du finner den
AZURE_SEARCH_SERVICE_ENDPOINT Azure-portalen → din Azure AI Search ressurs → Oversikt → URL
AZURE_SEARCH_API_KEY Azure-portalen → din Azure AI Search ressurs → Innstillinger → Nøkler → primær admin-nøkkel

Tillegg for oppsett for leksjon 6 og 8 (GitHub modeller)

Noen notatbøker i leksjon 6 og 8 bruker GitHub-modeller i stedet for Azure AI Foundry. Hvis du planlegger å kjøre disse eksemplene, legg til disse variablene i .env-filen din:

Variabel Hvor du finner den
GITHUB_TOKEN GitHub → Innstillinger → Developer settings → Personal access tokens
GITHUB_ENDPOINT Bruk https://models.inference.ai.azure.com (standardverdi)
GITHUB_MODEL_ID Navn på modell som skal brukes (f.eks. gpt-4o-mini)

Tillegg for oppsett for leksjon 8 (Bing Grounding Workflow)

Den betingede arbeidsflytnotatboken i leksjon 8 bruker Bing grounding via Azure AI Foundry. Hvis du planlegger å kjøre dette eksemplet, legg til denne variabelen i .env-filen din:

Variabel Hvor du finner den
BING_CONNECTION_ID Azure AI Foundry-portalen → prosjektet ditt → Management → Connected resources → Bing-tilkoblingen din → kopier tilkoblings-IDen

Feilsøking

SSL-sertifikatverifiseringsfeil på macOS

Hvis du er på macOS og får en feil som:

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

Dette er et kjent problem med Python på macOS hvor systemets SSL-sertifikater ikke automatisk stoles på. Prøv følgende løsninger i rekkefølge:

Alternativ 1: Kjør Pythons Install Certificates-skript (anbefalt)

# Erstatt 3.XX med din installerte Python-versjon (f.eks. 3.12 eller 3.13):
/Applications/Python\ 3.XX/Install\ Certificates.command

Alternativ 2: Bruk connection_verify=False i notatboken din (kun for GitHub Models-notebooks)

I leksjon 6-notatboken (06-building-trustworthy-agents/code_samples/06-system-message-framework.ipynb) er en kommentert midlertidig løsning allerede inkludert. Fjern kommentaren på connection_verify=False når klienten opprettes:

client = ChatCompletionsClient(
    endpoint=endpoint,
    credential=AzureKeyCredential(token),
    connection_verify=False,  # Deaktiver SSL-verifisering hvis du opplever sertifikatfeil
)

⚠️ Advarsel: Deaktivering av SSL-verifisering (connection_verify=False) reduserer sikkerheten ved å hoppe over sertifikatvalidering. Bruk dette kun som en midlertidig løsning i utviklingsmiljøer, aldri i produksjon.

Alternativ 3: Installer og bruk truststore

pip install truststore

Legg deretter til følgende øverst i notatboken eller skriptet ditt før du foretar nettverkskall:

import truststore
truststore.inject_into_ssl()

Stuck Somewhere?

Hvis du har problemer med å kjøre oppsettet, bli med i vår Azure AI Community Discord eller opprett en issue.

Neste leksjon

Du er nå klar til å kjøre koden for dette kurset. Lykke til med å lære mer om verden av AI-agentene!

Introduksjon til AI-agenter og agent brukstilfeller

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 opprinnelige dokumentet på originalspråket skal betraktes 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.

This site is open source. Improve this page.