ai-agents-for-beginners

Kursinställning

Introduktion

Denna lektion går igenom 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-kanal för att få hjälp med installation, ställa frågor om kursen eller för att komma i kontakt med andra deltagare.

Klona eller fork:a det här repot

För att börja, klona eller forka 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 skapa en fork av repot

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

Forkat repo

Shallow Clone (rekommenderas för workshop / Codespaces)

Det fulla repositoryt kan vara stort (~3 GB) när du laddar ner full historik och alla filer. Om du bara deltar i workshopen eller bara behöver några lektionsmappar så undviker en shallow clone (eller en sparse clone) det mesta av den nedladdningen genom att trunkera historik och/eller hoppa över blobs.

Snabb shallow clone — minimal historik, alla filer

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

För att bara klona 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 branch:

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

Partiell (sparse) clone — minimala blobs + endast valda mappar

Detta använder partial clone och sparse-checkout (kräver Git 2.25+ och rekommenderas modern Git med partial clone-stöd):

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

Gå in i repomappen:

cd 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 kloning och verifiering av filerna, om du bara behöver filerna och vill frigöra utrymme (ingen git-historik), radera repository-metadata (💀irreversibelt — du kommer att förlora all Git-funktionalitet: inga commits, pulls, pushes eller historikåtkomst).

# zsh/bash
rm -rf .git

# PowerShell
Remove-Item -Recurse -Force .git

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

Skapa en ny Codespace för detta repo via GitHub UI.
I terminalen i den nyskapade Codespacen, kör ett av shallow/sparse clone-kommandona ovan för att endast ta in de lektionsmappar du behöver i Codespace-arbetsytan.
Valfritt: efter kloning inne i Codespaces, ta bort .git för att återfå extra utrymme (se borttagningskommandon ovan).
Obs: Om du föredrar att öppna repot direkt i Codespaces (utan en extra kloning), var medveten om att Codespaces kommer att konstruera devcontainer-miljön och kan fortfarande provisionera mer än du behöver. Att klona en shallow-kopia inne i en ny Codespace ger dig mer kontroll över diskutrymmet.

Tips

Byt alltid ut clone-URL:en mot din fork om du vill redigera/committa.
Om du senare behöver mer historik eller fler filer kan du hämta dem eller justera sparse-checkout för att inkludera ytterligare mappar.

Köra koden

Denna kurs innehåller en serie Jupyter-notebookar som du kan köra för att få praktisk erfarenhet av att bygga AI-agenter.

Exempelkoden använder Microsoft Agent Framework (MAF) med AzureAIProjectAgentProvider, som ansluter till Azure AI Agent Service V2 (Responses API) via Microsoft Foundry.

Alla Python-notebookar är märkta *-python-agent-framework.ipynb.

Krav

Python 3.12+
- OBS: Om du inte har Python 3.12 installerad, se till att installera den. Skapa sedan ditt venv med python3.12 för att säkerställa att rätt versioner installeras från requirements.txt-filen.
  
  Exempel
  
  Skapa Python venv-katalog:
```
python -m venv venv
```
  Aktivera sedan venv-miljön för:
```
# zsh/bash
source venv/bin/activate
```
```
# Command Prompt for Windows
venv\Scripts\activate
```
.NET 10+: För sample-koderna som använder .NET, se till att du installerar .NET 10 SDK eller senare. Kontrollera sedan din installerade .NET SDK-version:
```
  dotnet --list-sdks
```
Azure CLI — Krävs för autentisering. Installera från aka.ms/installazurecli.
Azure Subscription — För åtkomst till Microsoft Foundry och Azure AI Agent Service.
Microsoft Foundry Project — Ett projekt med en utplacerad modell (t.ex. gpt-4o). Se Steg 1 nedan.

Vi har inkluderat en requirements.txt-fil i rotmappen 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 i repositoryts rot:

pip install -r requirements.txt

Vi rekommenderar att du skapar ett Python-virtuellt miljö (venv) för att undvika konflikter och problem.

Konfigurera VSCode

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

bild

Ställ in Microsoft Foundry och Azure AI Agent Service

Steg 1: Skapa ett Microsoft Foundry-projekt

Du behöver ett Azure AI Foundry hub och ett project med en utplacerad modell för att köra notebookarna.

Gå till ai.azure.com och logga in med ditt Azure-konto.
Skapa ett hub (eller använd ett befintligt). Se: Hub resources overview.
Inne i hubben, skapa ett project.
Distribuera en modell (t.ex. gpt-4o) från Modeller + Endpoints → Distribuera modell.

Steg 2: Hämta ditt projekts slutpunkt och modellens utplaceringsnamn

Från ditt projekt i Microsoft Foundry-portalen:

Projektets slutpunkt — Gå till sidan Översikt och kopiera slutpunkts-URL:en.

Projektets anslutningssträng

Modellens utplaceringsnamn — Gå till Modeller + Endpoints, välj din utplacerade modell och notera Utplaceringsnamn (t.ex. gpt-4o).

Steg 3: Logga in i Azure med `az login`

Alla notebookar använder AzureCliCredential för autentisering — inga API-nycklar att hantera. Detta kräver att du är inloggad via Azure CLI.

Installera Azure CLI om du inte redan gjort det: aka.ms/installazurecli
Logga in genom att köra:
```
 az login
```
Eller om du befinner dig i en remote/Codespace-miljö utan webbläsare:
```
 az login --use-device-code
```
Välj din prenumeration om du uppmanas — välj den som innehåller ditt Foundry-projekt.
Verifiera att du är inloggad:
```
 az account show
```

Varför az login? Notebookarna autentiserar med AzureCliCredential från paketet azure-identity. Detta innebär att din Azure CLI-session tillhandahåller autentiseringsuppgifterna — inga API-nycklar eller hemligheter i din .env-fil. Detta är en säkerhetsrutin.

Steg 4: Skapa din `.env`-fil

Kopiera exempel-filen:

# zsh/bash
cp .env.example .env

# PowerShell
Copy-Item .env.example .env

Öppna .env och fyll i dessa två värden:

AZURE_AI_PROJECT_ENDPOINT=https://<your-project>.services.ai.azure.com/api/projects/<your-project-id>
AZURE_AI_MODEL_DEPLOYMENT_NAME=gpt-4o

Variable	Where to find it
`AZURE_AI_PROJECT_ENDPOINT`	Foundry-portalen → ditt projekt → Översikt-sidan
`AZURE_AI_MODEL_DEPLOYMENT_NAME`	Foundry-portalen → Modeller + Endpoints → din utplacerade modells namn

Det är allt för de flesta lektioner! Notebookarna kommer att autentisera automatiskt via din az login-session.

Steg 5: Installera Python-beroenden

pip install -r requirements.txt

Vi rekommenderar att köra detta inne i den virtuella miljö du skapade tidigare.

Ytterligare setup för lektion 5 (Agentic RAG)

Lektion 5 använder Azure AI Search för retrieval-augmented generation. Om du planerar att köra den lektionen, lägg till dessa variabler i din .env-fil:

Variable	Where to find it
`AZURE_SEARCH_SERVICE_ENDPOINT`	Azure-portalen → din Azure AI Search-resurs → Overview → URL
`AZURE_SEARCH_API_KEY`	Azure-portalen → din Azure AI Search-resurs → Settings → Keys → primär admin-nyckel

Ytterligare setup för lektion 6 och lektion 8 (GitHub Models)

Vissa notebookar i lektion 6 och 8 använder GitHub Models istället för Azure AI Foundry. Om du planerar att köra dessa exempel, lägg till dessa variabler i din .env-fil:

Variable	Where to find it
`GITHUB_TOKEN`	GitHub → Settings → Developer settings → Personal access tokens
`GITHUB_ENDPOINT`	Use `https://models.inference.ai.azure.com` (default value)
`GITHUB_MODEL_ID`	Model name to use (e.g. `gpt-4o-mini`)

Ytterligare setup för lektion 8 (Bing Grounding Workflow)

Den villkorade workflow-notebooken i lektion 8 använder Bing grounding via Azure AI Foundry. Om du planerar att köra det exemplet, lägg till denna variabel i din .env-fil:

Variable	Where to find it
`BING_CONNECTION_ID`	Azure AI Foundry-portalen → ditt projekt → Management → Connected resources → din Bing-anslutning → kopiera connection ID

Felsökning

SSL-certifikatverifieringsfel på macOS

Om du är på macOS och får ett fel som liknar:

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

Detta är ett känt problem med Python på macOS där systemets SSL-certifikat inte automatiskt litas på. Prova följande lösningar i ordning:

Alternativ 1: Kör Pythons Install Certificates-skript (rekommenderas)

# Byt ut 3.XX mot din installerade Python-version (t.ex. 3.12 eller 3.13):
/Applications/Python\ 3.XX/Install\ Certificates.command

Alternativ 2: Använd connection_verify=False i din notebook (endast för GitHub Models-notebookar)

I Lesson 6-notebooken (06-building-trustworthy-agents/code_samples/06-system-message-framework.ipynb) finns en utkommenterad workaround redan inkluderad. Avkommentera connection_verify=False när du skapar klienten:

client = ChatCompletionsClient(
    endpoint=endpoint,
    credential=AzureKeyCredential(token),
    connection_verify=False,  # Inaktivera SSL-verifiering om du stöter på certifikatfel
)

⚠️ Varning: Att inaktivera SSL-verifiering (connection_verify=False) minskar säkerheten genom att hoppa över certifikatvalidering. Använd detta endast som en tillfällig lösning i utvecklingsmiljöer, aldrig i produktion.

Alternativ 3: Installera och använd truststore

pip install truststore

Lägg sedan till följande högst upp i din notebook eller skript innan du gör några nätverksanrop:

import truststore
truststore.inject_into_ssl()

Fast någonstans?

Om du har problem med att köra denna installation, hoppa in 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-agenternas värld!

Introduktion till AI-agenter och användningsfall

Ansvarsfriskrivning: Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator (https://github.com/Azure/co-op-translator). Vi strävar efter att vara korrekta, men vänligen observera att automatiska översättningar kan innehålla fel eller brister. Originaldokumentet på dess ursprungliga språk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för några missförstånd eller feltolkningar som uppstår vid användning av denna översättning.

This site is open source. Improve this page.