Denne leksjonen vil dekke hvordan du kjører kodeeksemplene i denne kurset.
Før du begynner å klone ditt repo, bli med i AI Agents For Beginners Discord-kanal for å få hjelp med oppsett, spørsmål om kurset, eller for å koble til andre lærende.
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 til fork repoet
Du skal nå ha din egen forkede versjon av dette kurset på følgende lenke:

Hele repository kan være stort (~3 GB) når du laster ned full historikk og alle filer. Om du bare deltar på workshoppen eller trenger bare noen få leksjonsmapper, laster en grunnleggende kloning (eller sparsommelig kloning) ned mye mindre.
Erstatt <your-username> i kommandoene nedenfor med URL-en til din fork (eller upstream URL hvis du foretrekker).
For å klone kun den siste commit-historikken (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
Dette bruker delvis kloning og sparse-checkout (krever Git 2.25+ og anbefalt 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
Flytt inn i repomappen:
cd ai-agents-for-beginners
Angi deretter hvilke mapper du ønsker (eksempel under viser to mapper):
git sparse-checkout set 00-course-setup 01-intro-to-ai-agents
Etter kloning og verifisering av filer, hvis du kun trenger filene og ønsker å frigjøre plass (ingen git-historikk), slett repositoriets metadata (💀irreversibelt — du vil miste all Git-funksjonalitet):
# zsh/bash
rm -rf .git
# PowerShell
Remove-Item -Recurse -Force .git
Opprett en ny Codespace for dette repoet via GitHub UI.
Dette kurset tilbyr en serie Jupyter Notebooks som du kan kjøre for å få praktisk erfaring med å bygge AI-agenter.
Kodeeksemplene bruker Microsoft Agent Framework (MAF) med FoundryChatClient, som kobler til Microsoft Foundry Agent Service V2 (Responses API) gjennom Microsoft Foundry.
Alle Python-notebooks er merket *-python-agent-framework.ipynb.
MERK: Om du ikke har Python3.12 installert, sørg for å installere det. Opprett deretter ditt virtuelle miljø (venv) med python3.12 for å sikre at korrekte versjoner installeres fra requirements.txt-filen.
Eksempel
Opprett Python venv katalog:
python -m venv venv
Aktiver deretter venv-miljø for:
# zsh/bash
source venv/bin/activate
# Command Prompt for Windows
venv\Scripts\activate
.NET 10+: For eksempel-koder som bruker .NET, sørg for å installere .NET 10 SDK eller nyere. Sjekk deretter versjon av installert .NET SDK:
dotnet --list-sdks
gpt-5-mini). Se Steg 1 under.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 denne kommandoen i terminalen i repositoriets rot:
pip install -r requirements.txt
Vi anbefaler å opprette et Python virtual environment for å unngå konflikter og problemer.
Sørg for at du bruker riktig versjon av Python i VSCode.
Du trenger et Microsoft Foundry prosjekt med en distribuert modell for å kjøre notebooksene. Opprett prosjektet direkte i gjeldende Microsoft Foundry opplevelse; et hub er ikke nødvendig.
gpt-5-mini) fra Models + Endpoints → Deploy model.Fra prosjektet ditt i Microsoft Foundry portalen:

gpt-5-mini).az loginDe fleste notebooks autentiserer gjennom din Azure CLI-pålogging — med AzureCliCredential eller DefaultAzureCredential (begge bruker din az login-økt) fra azure-identity-pakken — så de krever ikke API-nøkler. Noen få leksjoner og valgfrie integrasjoner bruker API-nøkler; sjekk hver leksjons forutsetninger for eventuelle miljøvariabler. Dette krever at du er innlogget via Azure CLI.
Installer Azure CLI om du ikke allerede har det: aka.ms/installazurecli
Logg inn ved å kjøre:
az login
Eller om du er i en fjern/Codespace-omgeving uten nettleser:
az login --use-device-code
Velg abonnementet om du blir spurt — velg det som inneholder Foundry-prosjektet ditt.
Verifier at du er innlogget:
az account show
Hvorfor
az login? Notebookene autentiserer medAzureCliCredential(ellerDefaultAzureCredential, som også bruker Azure CLI-pålogging) fraazure-identity-pakken. Dette betyr at din Azure CLI-økt leverer legitimasjon — ingen API-nøkler eller hemmeligheter i.env-filen. Dette er en beste praksis for sikkerhet.
.env filKopier eksempelfilen:
# 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-5-mini
| Variabel | Hvor finner du den |
|---|---|
AZURE_AI_PROJECT_ENDPOINT |
Foundry-portalen → ditt prosjekt → Overview-siden |
AZURE_AI_MODEL_DEPLOYMENT_NAME |
Foundry-portalen → Models + Endpoints → navnet på din distribuerte modell |
Det er alt for de fleste leksjoner! Notebookene autentiserer automatisk gjennom din az login-økt.
pip install -r requirements.txt
Vi anbefaler å kjøre dette inne i det virtuelle miljøet du opprettet tidligere.
Leksjon 5 (Agentic RAG) og Leksjon 16 notebooks fungerer ut av boksen med en in-memory kunnskapsbase — ingen ekstra Azure ressurser trengs. Om du vil bruke en ekte Azure AI Search indeks, merk at Leksjon 16 notebook for øyeblikket bruker nøkkelbasert autentisering: den bytter fra in-memory søk til Azure AI Search bare når både AZURE_SEARCH_SERVICE_ENDPOINT og AZURE_SEARCH_API_KEY er satt, ellers forblir den på in-memory søk — så for å kjøre mot en ekte indeks må du også sette admin-nøkkelen. Nøkkelfri autentisering med Microsoft Entra ID (RBAC) er anbefalt tilnærming for din egen produksjonskode, i tråd med az login flyten brukt ellers i dette kurset.
RBAC-steget nedenfor gjelder for oppsett-guide prøver og din egen kode. De aktiverer ikke nøkkelfri autentisering i Leksjon 16 notebook; Leksjon 16 krever fortsatt både endepunkt og admin-nøkkel for å bruke Azure AI Search.
Aktiver rollebasert tilgang på din søketjeneste:
az search service update --name <service-name> --resource-group <resource-group> --auth-options aadOrApiKey
Tildel deg selv nødvendige roller (opprett/last indekser og spørr):
az role assignment create --assignee <your-user-or-principal-id> --role "Search Service Contributor" --scope $(az search service show -g <resource-group> -n <service-name> --query id -o tsv)
az role assignment create --assignee <your-user-or-principal-id> --role "Search Index Data Contributor" --scope $(az search service show -g <resource-group> -n <service-name> --query id -o tsv)
Legg til endepunktet i din .env fil:
| Variabel | Hvor finner du den |
|---|---|
AZURE_SEARCH_SERVICE_ENDPOINT |
Azure-portalen → din Azure AI Search ressurs → Overview → URL |
AZURE_SEARCH_API_KEY |
Påkrevd (med endepunkt) for å aktivere Azure AI Search i Leksjon 16 notebook, som bruker nøkkelautentisering. Azure-portalen → Settings → Keys → Primær adminkey |
Hvorfor nøkkelfri? Admin-nøkler gir full skriveadgang til din søketjeneste og kan lekkes via
.envfiler. Med RBAC brukes dinaz loginidentitet i stedet — samme nøkkelfrie Entra ID-mønster som kurs-notebookene bruker (viaAzureCliCredential/DefaultAzureCredential). Se Koble til Azure AI Search med roller.
Se Azure AI Search oppsettsguide for fullstendige eksempler på indeksopprettelse i Python og .NET.
Noen notebooks i leksjon 6 og 8 kaller Azure OpenAI direkte (bruker Responses API) i stedet for gjennom et Microsoft Foundry-prosjekt. Disse eksemplene brukte tidligere GitHub Models, som er utfaset og støtter ikke Responses API. Legg til disse variablene i din .env fil:
| Variabel | Hvor finner du den |
|---|---|
AZURE_OPENAI_ENDPOINT |
Azure-portalen → din Azure OpenAI ressurs → Keys and Endpoint → Endpoint (f.eks https://<your-resource>.openai.azure.com) |
AZURE_OPENAI_DEPLOYMENT |
Navnet på din distribuerte modell (f.eks gpt-5-mini) som støtter Responses API |
AZURE_OPENAI_API_KEY |
Valgfritt — kun om du bruker nøkkelbasert autentisering i stedet for az login / Entra ID |
Responses API bruker det stabile
/openai/v1/endepunktet, så ingenapi-versioner påkrevd. Logg inn medaz loginfor nøkkelfri Entra ID-autentisering.
MiniMax tilbyr store kontekstmodeller (opptil 204K tokens) gjennom en OpenAI-kompatibel API. Siden Microsoft Agent Frameworks OpenAIChatClient fungerer med ethvert OpenAI-kompatibelt endepunkt, kan du bruke MiniMax som drop-in alternativ for leksjoner som bruker OpenAIChatClient.
Legg til disse variablene i din .env fil:
| Variabel | Hvor finner du den |
|---|---|
MINIMAX_API_KEY |
MiniMax Plattform → API-nøkler |
MINIMAX_BASE_URL |
Bruk https://api.minimax.io/v1 (standardverdi) |
MINIMAX_MODEL_ID |
Modellnavn å bruke (f.eks., MiniMax-M3) |
Eksempelmodeller: MiniMax-M3 (anbefalt), MiniMax-M2.7, MiniMax-M2.7-highspeed (raskere responser). Modellnavn og tilgjengelighet kan endres over tid, og tilgang til en gitt modell kan avhenge av din konto.
Kodeeksemplene som bruker OpenAIChatClient (f.eks Lesson 14 hotellbookingsarbeidsflyt) vil automatisk oppdage og bruke din MiniMax-konfigurasjon når MINIMAX_API_KEY er satt.
Novita AI tilbyr en OpenAI-kompatibel API for open-source og avanserte LLM-er (DeepSeek, Llama, Qwen, og flere). Siden Microsoft Agent Frameworks OpenAIChatClient fungerer med hvilken som helst OpenAI-kompatibel endepunkt, kan du bruke Novita AI som et plug-in-alternativ til Azure OpenAI eller OpenAI.
Legg til disse variablene i din .env fil:
| Variabel | Hvor du finner den |
|---|---|
NOVITA_API_KEY |
Novita AI Dashboard → API Keys |
NOVITA_BASE_URL |
Bruk https://api.novita.ai/openai/v1 (standardverdi) |
NOVITA_MODEL_ID |
Modellnavn å bruke (f.eks. moonshotai/kimi-k3) |
Eksempelmodeller: moonshotai/kimi-k3, zai-org/glm-5.2, deepseek/deepseek-v4-flash-0731. Novita AI hoster også mange andre open-source modellfamilier (Llama, Qwen, GLM, og flere) — sjekk Novita AI modellbibliotek for gjeldende liste over tilgjengelige modeller og deres modell-IDer.
De nåværende eksemplene bruker ikke automatisk NOVITA_* variabler. For å bruke Novita AI, send disse verdiene eksplisitt når du konstruerer OpenAIChatClient i eksemplet du kjører.
Foundry Local er en lettvekts runtime som laster ned, administrerer og betjener språkmodeller helt på din egen maskin gjennom en OpenAI-kompatibel API — ingen sky nødvendig.
Siden Microsoft Agent Frameworks OpenAIChatClient fungerer med hvilken som helst OpenAI-kompatibel endepunkt, er Foundry Local et plug-in lokalt alternativ til Azure OpenAI.
1. Installer Foundry Local
# Windows
winget install Microsoft.FoundryLocal
# macOS
brew install foundrylocal
2. Last ned og kjør en modell (dette starter også den lokale tjenesten):
foundry model list # see available models
foundry model run phi-4-mini
3. Installer Python SDK-en som brukes for å oppdage det lokale endepunktet:
pip install foundry-local-sdk
4. Pek Microsoft Agent Framework mot din lokale modell:
from foundry_local import FoundryLocalManager
from agent_framework.openai import OpenAIChatClient
# Downloads (if needed) and serves the model locally, then discovers the endpoint/port.
manager = FoundryLocalManager("phi-4-mini")
chat_client = OpenAIChatClient(
base_url=manager.endpoint, # e.g. http://localhost:<port>/v1
api_key=manager.api_key, # always "not-required" for Foundry Local
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.",
)
Merk: Foundry Local eksponerer en OpenAI-kompatibel Chat Completions endepunkt. Bruk det for lokal utvikling og frakoblede scenarioer. For hele Responses API funksjonssettet (tilstandsbaserte samtaler, osv.), bruk Azure OpenAI eller et Microsoft Foundry-prosjekt.
Den betingede arbeidsflytnotatboken i lesson 8 bruker Bing grounding via Microsoft Foundry. Hvis du planlegger å kjøre dette eksempelet, legg til denne variabelen i din .env fil:
| Variabel | Hvor du finner den |
|---|---|
BING_CONNECTION_ID |
Microsoft Foundry-portalen → prosjektet ditt → Management → Connected resources → din Bing-tilkobling → kopier tilkoblings-ID |
Hvis du er på macOS og møter 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 blir stolt på. Prøv følgende løsninger i rekkefølge:
Alternativ 1: Kjør Pythons Install Certificates-script (anbefalt)
# Replace 3.XX with your installed Python version (e.g., 3.12 or 3.13):
/Applications/Python\ 3.XX/Install\ Certificates.command
Alternativ 2: Bruk connection_verify=False i din notatbok (kun for GitHub Models-notatbøker)
I Lesson 6-notatboken (06-building-trustworthy-agents/code_samples/06-system-message-framework.ipynb) er det allerede inkludert en kommentert løsning. Fjern kommentaren på connection_verify=False når du får sertifikatfeil:
client = ChatCompletionsClient(
endpoint=endpoint,
credential=AzureKeyCredential(token),
connection_verify=False, # Disable SSL verification if you encounter certificate errors
)
⚠️ Advarsel: Å slå av SSL-verifisering (
connection_verify=False) reduserer sikkerheten ved å hoppe over sertifikatvalidering. Bruk dette kun som en midlertidig løsning i utviklingsmiljøer. Aldri bruk det i produksjon.
Alternativ 3: Installer og bruk truststore
pip install truststore
Legg deretter til følgende øverst i din notatbok eller skript før du gjør noen nettverkskall:
import truststore
truststore.inject_into_ssl()
Hvis du har problemer med å kjøre dette oppsettet, bli med i vår Azure AI Community Discord eller opprett en sak.
Du er nå klar til å kjøre kode for dette kurset. Lykke til med å lære mer om verden av AI-agenter!
Introduksjon til AI-agenter og bruksområder for agenter
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 eventuelle misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.