Den här lektionen kommer att täcka hur du kör kodexemplen i den här kursen.
Innan du börjar klona ditt repo, gå med i AI Agents For Beginners Discord-kanalen för att få hjälp med inställningen, ställa frågor om kursen eller för att ansluta med andra deltagare.
För att börja, klona eller förgrena GitHub-repositoriet. Detta skapar din egen version av kursmaterialet så att du kan köra, testa och anpassa koden!
Detta kan göras genom att klicka på länken för att förgrena repositoriet.
Du bör nu ha din egen förgrenade version av denna kurs på följande länk:
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.
Vilket alternativ du än väljer kommer att avgöra vilka installationssteg du behöver följa nedan:
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-katalog:
python3 -m venv venv
Aktivera sedan venv-miljön för:
macOS och Linux
source venv/bin/activate
Windows
venv\Scripts\activate
Vi har inkluderat en requirements.txt
-fil i roten av detta repo som innehåller alla nödvändiga Python-paket för att köra kodexemplen.
Du kan installera dem genom att köra följande kommando i din terminal i roten av repositoriet:
pip install -r requirements.txt
Vi rekommenderar att du skapar en Python-virtuell miljö för att undvika konflikter och problem.
Se till att du använder rätt version av Python i VSCode.
Den här kursen använder GitHub Models Marketplace, som ger gratis åtkomst till Large Language Models (LLMs) som du kommer att använda för att bygga AI-agenter.
För att använda GitHub-modellerna måste du skapa en GitHub Personal Access Token.
Detta kan göras genom att gå till dina inställningar för personliga åtkomsttoken i ditt GitHub-konto.
Följ Principen om minst privilegium när du skapar din token. Detta innebär att du endast ska ge token de behörigheter som behövs för att köra kodexemplen i denna kurs.
Välj alternativet Fine-grained tokens
på vänster sida av skärmen genom att navigera till Developer settings.
Välj sedan Generate new token
.
Ange ett beskrivande namn för din token som reflekterar dess syfte, vilket gör det enkelt att identifiera senare.
🔐 Rekommendation för tokenens varaktighet
Rekommenderad varaktighet: 30 dagar
För en säkrare 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 lärandeenergi är hög 🚀.
Begränsa tokenens räckvidd till din förgrening av detta repo.
Begränsa tokenens behörigheter: Under Permissions, klicka på fliken Account och klicka på knappen “+ Add permissions”. En rullgardinsmeny visas. Sök efter Models och kryssa i rutan för det.
Verifiera de behörigheter som krävs innan du genererar token.
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 skapat den.
Kopiera din nya token som du just har skapat. Du kommer nu att lägga till detta i din .env
-fil som ingår i denna kurs.
.env
-filFör att skapa din .env
-fil, kör följande kommando i din terminal.
cp .env.example .env
Detta kopierar exempel-filen och skapar 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.
Följ stegen för att skapa en hub och ett projekt i Azure AI Foundry som finns här: Hub-resurser översikt
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.
.env
-filFör att skapa din .env
-fil, kör följande kommando i din terminal.
cp .env.example .env
Detta kopierar exempel-filen och skapar 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
.
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.
För lektionen Agentic RAG - Lektion 5 - finns det exempel som använder Azure Search och Azure OpenAI.
Om du vill köra dessa exempel måste du lägga till följande miljövariabler i din .env
-fil:
AZURE_SUBSCRIPTION_ID
- Kontrollera Projektdetaljer 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.
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 listas, kontrollera Azure-portalen under din resursgrupp för AI Services-resursnamnet.
AZURE_OPENAI_EMBEDDING_DEPLOYMENT_NAME
- Välj din embedding-modell (t.ex. text-embedding-ada-002
) och notera Deployment name från modellens detaljer.
AZURE_OPENAI_CHAT_DEPLOYMENT_NAME
- Välj din chat-modell (t.ex. gpt-4o-mini
) och notera Deployment name från modellens detaljer.
AZURE_OPENAI_ENDPOINT
- Leta efter Azure AI Services, klicka på det, gå sedan till Resurshantering, Nycklar och Endpoint, scrolla ner till “Azure OpenAI endpoints” och kopiera den som säger “Language APIs”.
AZURE_OPENAI_API_KEY
- Från samma skärm, kopiera KEY 1 eller KEY 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.
AZURE_OPENAI_API_VERSION
- Besök sidan API-versionens livscykel under Senaste GA API-release.Istället för att hårdkoda dina autentiseringsuppgifter kommer vi att använda en nyckellös anslutning med Azure OpenAI. För att göra detta kommer vi att importera DefaultAzureCredential
och senare kalla på funktionen DefaultAzureCredential
för att få autentiseringsuppgiften.
from azure.identity import DefaultAzureCredential, InteractiveBrowserCredential
Om du har några problem med att köra denna inställning, hoppa in i vår Azure AI Community Discord eller skapa ett ärende.
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 användningsfall för agenter
Ansvarsfriskrivning:
Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet, bör det noteras att automatiska översättningar kan innehålla fel eller felaktigheter. Det ursprungliga dokumentet på dess originalspråk 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.