ai-agents-for-beginners

Kursinställning

Introduktion

Den här lektionen kommer att täcka hur du kör kodexemplen i den här kursen.

Gå med andra deltagare och få hjälp

Innan du börjar klona ditt repo, gå med i AI Agents For Beginners Discord-kanalen för att få hjälp med installationen, ställa frågor om kursen eller för att ansluta med andra deltagare.

Klona eller fork:a detta repo

För att börja, vänligen klona eller fork:a GitHub-repositoryt. Detta skapar din egen version av kursmaterialet så att du kan köra, testa och justera koden!

Detta kan göras genom att klicka på länken för att fork:a repo

Du bör nu ha din egen forkade version av denna kurs på följande länk:

Grundläggande kloning (rekommenderas för workshop / Codespaces)

Hela repositoryt kan vara stort (~3 GB) när du laddar ner hela historiken och alla filer. Om du bara deltar i workshopen eller bara behöver några lektionsmappar, undviker en grundläggande kloning (eller en sparsam kloning) det mesta av den nedladdningen genom att förkorta historiken och/eller hoppa över blobbar.

Snabb grundläggande kloning — minimal historik, alla filer

Byt ut <your-username> i kommandona nedan med din fork-URL (eller upstream-URL om du föredrar det).

För att klona endast den senaste commit-historiken (liten nedladdning):

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

För att klona en specifik gren:

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

Partiell (sparsam) kloning — minimala blobbar + endast valda mappar

Detta använder partiell kloning och sparsam utcheckning (kräver Git 2.25+ och rekommenderas modern Git med stöd för partiell kloning):

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

Gå in i repo-mappen:

För bash:

cd ai-agents-for-beginners

För Powershell:

Set-Location ai-agents-for-beginners

Ange sedan vilka mappar du vill ha (exemplet nedan visar två mappar):

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

Efter att ha klonat och verifierat filerna, om du bara behöver filerna och vill frigöra utrymme (ingen git-historik), kan du ta bort repository-metadata (💀irreversibelt — du kommer att förlora all Git-funktionalitet: inga commits, pulls, pushes eller historikåtkomst).

För Linux/macOS:

rm -rf .git

För Windows:

Remove-Item -Recurse -Force .git

Använda GitHub Codespaces (rekommenderas för att undvika lokala stora nedladdningar)

• Skapa ett nytt Codespace för detta repo via GitHub UI.

• I terminalen för det nyss skapade Codespace, kör ett av kommandona för grundläggande/sparsam kloning ovan för att endast hämta de lektionsmappar du behöver till Codespace-arbetsytan.
• Valfritt: efter att ha klonat inuti Codespaces, ta bort .git för att återta extra utrymme (se borttagningskommandon ovan).
• Obs: Om du föredrar att öppna repo direkt i Codespaces (utan en extra kloning), var medveten om att Codespaces kommer att konstruera utvecklingsmiljön och kan fortfarande tillhandahålla mer än du behöver. Att klona en grundläggande kopia inuti ett nytt Codespace ger dig mer kontroll över diskutrymmet.

Tips

• Byt alltid ut klon-URL:en med din fork om du vill redigera/committa.
• Om du senare behöver mer historik eller filer kan du hämta dem eller justera sparsam utcheckning för att inkludera ytterligare mappar.

Köra koden

Den här kursen erbjuder en serie Jupyter Notebooks som du kan köra för att få praktisk erfarenhet av att bygga AI-agenter.

Kodexemplen använder antingen:

Kräver GitHub-konto - Gratis:

1) Semantic Kernel Agent Framework + GitHub Models Marketplace. Märkt som (semantic-kernel.ipynb) 2) AutoGen Framework + GitHub Models Marketplace. Märkt som (autogen.ipynb)

Kräver Azure-abonnemang: 3) Azure AI Foundry + Azure AI Agent Service. Märkt som (azureaiagent.ipynb)

Vi uppmuntrar dig att prova alla tre typer av exempel för att se vilken som fungerar bäst för dig.

Oavsett vilket alternativ du väljer, kommer det att avgöra vilka installationssteg du behöver följa nedan:

Krav

• Python 3.12+

  • OBS: Om du inte har Python3.12 installerat, se till att installera det. Skapa sedan din venv med python3.12 för att säkerställa att rätt versioner installeras från requirements.txt-filen.

    Exempel

    Skapa Python venv-mapp:

    python3 -m venv venv
    

    Aktivera sedan venv-miljön för:

    macOS och Linux

    source venv/bin/activate
    

    Windows

    venv\Scripts\activate
    

• Ett GitHub-konto - För åtkomst till GitHub Models Marketplace
• Azure-abonnemang - För åtkomst till Azure AI Foundry
• Azure AI Foundry-konto - För åtkomst till Azure AI Agent Service

Vi har inkluderat en requirements.txt-fil i rooten av detta repository som innehåller alla nödvändiga Python-paket för att köra kodexemplen.

Du kan installera dem genom att köra följande kommando i din terminal vid rooten av repositoryt:

pip install -r requirements.txt

Vi rekommenderar att skapa en Python-virtuell miljö för att undvika konflikter och problem.

Installera VSCode

Se till att du använder rätt version av Python i VSCode.

Installation för exempel med GitHub Models

Steg 1: Hämta din GitHub Personal Access Token (PAT)

Den här kursen använder GitHub Models Marketplace, som ger gratis tillgång till Large Language Models (LLMs) som du kommer att använda för att bygga AI-agenter.

För att använda GitHub Models måste du skapa en GitHub Personal Access Token.

Detta kan göras genom att gå till dina inställningar för Personal Access Tokens i ditt GitHub-konto.

Följ Principen om minsta privilegium när du skapar din token. Detta innebär att du endast bör ge token de behörigheter den behöver för att köra kodexemplen i denna kurs.

1. Välj alternativet Fine-grained tokens på vänster sida av skärmen genom att navigera till Developer settings

   Välj sedan Generate new token.

   

2. Ange ett beskrivande namn för din token som reflekterar dess syfte, vilket gör det enkelt att identifiera den senare.

   🔐 Rekommendation för tokenens varaktighet

   Rekommenderad varaktighet: 30 dagar För en mer säker inställning kan du välja en kortare period—som 7 dagar 🛡️ Det är ett bra sätt att sätta ett personligt mål och slutföra kursen medan din lärande-motivation är hög 🚀.

   

3. Begränsa tokenens räckvidd till din fork av detta repository.

   

4. Begränsa tokenens behörigheter: Under Permissions, klicka på fliken Account, och klicka på knappen “+ Add permissions”. En dropdown-meny kommer att visas. Sök efter Models och markera rutan för det.

5. Verifiera de behörigheter som krävs innan du genererar token.

6. Innan du genererar token, se till att du är redo att lagra token på en säker plats som ett lösenordshanteringsvalv, eftersom den inte kommer att visas igen efter att du har skapat den.

Kopiera din nya token som du just har skapat. Du kommer nu att lägga till denna i din .env-fil som ingår i denna kurs.

Steg 2: Skapa din .env-fil

För att skapa din .env-fil, kör följande kommando i din terminal.

cp .env.example .env

Detta kommer att kopiera exempel-filen och skapa en .env i din katalog där du fyller i värdena för miljövariablerna.

Med din token kopierad, öppna .env-filen i din favorittextredigerare och klistra in din token i fältet GITHUB_TOKEN.

Du bör nu kunna köra kodexemplen i denna kurs.

Installation för exempel med Azure AI Foundry och Azure AI Agent Service

Steg 1: Hämta din Azure-projektendpoint

Följ stegen för att skapa en hub och projekt i Azure AI Foundry som finns här: Hub resources overview

När du har skapat ditt projekt, måste du hämta anslutningssträngen för ditt projekt.

Detta kan göras genom att gå till Översikt-sidan för ditt projekt i Azure AI Foundry-portalen.

Steg 2: Skapa din .env-fil

För att skapa din .env-fil, kör följande kommando i din terminal.

cp .env.example .env

Detta kommer att kopiera exempel-filen och skapa en .env i din katalog där du fyller i värdena för miljövariablerna.

Med din token kopierad, öppna .env-filen i din favorittextredigerare och klistra in din token i fältet PROJECT_ENDPOINT.

Steg 3: Logga in på Azure

Som en säkerhetsbästa praxis kommer vi att använda nyckellös autentisering för att autentisera till Azure OpenAI med Microsoft Entra ID.

Öppna sedan en terminal och kör az login --use-device-code för att logga in på ditt Azure-konto.

När du har loggat in, välj ditt abonnemang i terminalen.

Ytterligare miljövariabler - Azure Search och Azure OpenAI

För Agentic RAG-lektionen - Lektion 5 - finns det exempel som använder Azure Search och Azure OpenAI.

Om du vill köra dessa exempel, måste du lägga till följande miljövariabler till din .env-fil:

Översiktssida (Projekt)

• AZURE_SUBSCRIPTION_ID - Kontrollera Projektinformation på Översikt-sidan för ditt projekt.

• AZURE_AI_PROJECT_NAME - Titta högst upp på Översikt-sidan för ditt projekt.

• AZURE_OPENAI_SERVICE - Hitta detta i fliken Inkluderade funktioner för Azure OpenAI Service på Översikt-sidan.

Hanteringscenter

• AZURE_OPENAI_RESOURCE_GROUP - Gå till Projektinställningar på Översikt-sidan för Hanteringscenter.

• GLOBAL_LLM_SERVICE - Under Anslutna resurser, hitta anslutningsnamnet för Azure AI Services. Om det inte är listat, kontrollera Azure-portalen under din resursgrupp för AI Services resursnamn.

Modeller + Endpoints-sida

• AZURE_OPENAI_EMBEDDING_DEPLOYMENT_NAME - Välj din inbäddningsmodell (t.ex. text-embedding-ada-002) och notera Deployment name från modellinformationen.

• AZURE_OPENAI_CHAT_DEPLOYMENT_NAME - Välj din chattmodell (t.ex. gpt-4o-mini) och notera Deployment name från modellinformationen.

Azure Portal

• AZURE_OPENAI_ENDPOINT - Leta efter Azure AI services, klicka på det, gå sedan till Resource Management, Keys and Endpoint, scrolla ner till “Azure OpenAI endpoints”, och kopiera den som säger “Language APIs”.

• AZURE_OPENAI_API_KEY - Från samma skärm, kopiera NYCKEL 1 eller NYCKEL 2.

• AZURE_SEARCH_SERVICE_ENDPOINT - Hitta din Azure AI Search-resurs, klicka på den och se Översikt.

• AZURE_SEARCH_API_KEY - Gå sedan till Inställningar och sedan Nycklar för att kopiera den primära eller sekundära administratörsnyckeln.

Extern webbsida

• AZURE_OPENAI_API_VERSION - Besök sidan API version lifecycle under Senaste GA API-release.

Installera nyckellös autentisering

Istället för att hårdkoda dina autentiseringsuppgifter, kommer vi att använda en nyckellös anslutning med Azure OpenAI. För att göra detta, importerar vi DefaultAzureCredential och anropar senare funktionen DefaultAzureCredential för att få autentiseringen.

from azure.identity import DefaultAzureCredential, InteractiveBrowserCredential

Fastnat någonstans?

Om du stöter på problem med att köra denna setup, gå med i vår Azure AI Community Discord eller skapa ett ärende.

Nästa lektion

Du är nu redo att köra koden för denna kurs. Lycka till med att lära dig mer om AI-agenter!

Introduktion till AI-agenter och användningsområden

---

Ansvarsfriskrivning:
Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet, bör det noteras att automatiserade översättningar kan innehålla fel eller felaktigheter. Det ursprungliga dokumentet på dess ursprungliga språk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår vid användning av denna översättning.

This site is open source. Improve this page.