ai-agents-for-beginners

Kursinställning

Introduktion

Denna lektion täcker hur du kör kodexemplen i denna kurs.

Gå med andra elever och få hjälp

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

Klona eller Forka detta repo

För att börja, klona eller forka GitHub-repositoriet. Detta gör en egen version av kursmaterialet så att du kan köra, testa och justera koden!

Detta kan göras genom att klicka på länken för att forka repot

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

Forked Repo

Shallow Clone (rekommenderas för workshop / Codespaces)

Hela repot kan vara stort (~3 GB) när du laddar ner full historik och alla filer. Om du bara deltar i workshopen eller bara behöver några lektioners mappar, undviker en shallow clone (eller spars clone) det mesta av denna nedladdning genom att trunkera historiken och/eller hoppa över blobs.

Snabb shallow clone — minimal historik, alla filer

Ersätt <your-username> i nedanstående kommandon med din fork-URL (eller upstream-URL om du föredrar det).

För att klona endast 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 — minimal blobs + endast utvalda mappar

Det här använder partial clone och sparse-checkout (kräver Git 2.25+ och rekommenderas med modern Git med partial clone-support):

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

Navigera in i repo-mappen:

cd ai-agents-for-beginners

Specificera 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 filer, om du bara behöver filer och vill frigöra utrymme (ingen git-historik), ta bort repots metadata (💀irreversibelt — du förlorar all Git-funktionalitet: inga commits, pulls, pushes eller historiktillgång).

# zsh/bash
rm -rf .git

# PowerShell
Remove-Item -Recurse -Force .git

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

Tips

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

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

Krav

Vi har inkluderat en requirements.txt-fil i roten av detta repo som innehåller alla nödvändiga Pythonpaket för att köra kodexemplen.

Du kan installera dem genom att köra följande kommando i terminalen i repo-root:

pip install -r requirements.txt

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

Konfigurera VSCode

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

image

Ställ in Microsoft Foundry och Azure AI Agent Service

Steg 1: Skapa ett Microsoft Foundry-projekt

Du behöver en Azure AI Foundry hub och ett projekt med en driftsatt modell för att köra notebooks.

  1. Gå till ai.azure.com och logga in med ditt Azure-konto.
  2. Skapa en hub (eller använd en befintlig). Se: Hub resurser översikt.
  3. Inuti hubben, skapa ett projekt.
  4. Driftsätt en modell (t.ex. gpt-4o) från Models + Endpoints → Deploy model.

Steg 2: Hämta ditt projektendpoint och modell-deploynamn

Från ditt projekt i Microsoft Foundry-portalen:

Project Connection String

Steg 3: Logga in i Azure med az login

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

  1. Installera Azure CLI om du inte redan gjort det: aka.ms/installazurecli

  2. Logga in genom att köra:

     az login

    Eller om du är i en fjärr-/Codespace-miljö utan webbläsare:

     az login --use-device-code

  3. Välj din prenumeration om du blir tillfrågad — välj den som innehåller ditt Foundry-projekt.

  4. Verifiera att du är inloggad:

     az account show

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

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
Variabel Var du hittar den
AZURE_AI_PROJECT_ENDPOINT Foundry-portalen → ditt projekt → Overview-sida
AZURE_AI_MODEL_DEPLOYMENT_NAME Foundry-portalen → Models + Endpoints → namn på din driftsatta modell

Det är allt för de flesta lektioner! Notebooks autentiserar automatiskt via din az login-session.

Steg 5: Installera Pythonberoenden

pip install -r requirements.txt

Vi rekommenderar att köra detta inom den virtuella miljön du skapade tidigare.

Ytterligare installation för Lektion 5 (Agentic RAG)

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

Variabel Var du hittar den
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 administratörsnyckel

Ytterligare installation för Lektion 6 och Lektion 8 (GitHub Models)

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

Variabel Var du hittar den
GITHUB_TOKEN GitHub → Settings → Developer settings → Personal access tokens
GITHUB_ENDPOINT Använd https://models.inference.ai.azure.com (standardvärde)
GITHUB_MODEL_ID Modellnamn att använda (t.ex. gpt-4o-mini)

Alternativ leverantör: MiniMax (OpenAI-kompatibel)

MiniMax tillhandahåller storskaliga kontextmodeller (upp till 204K tokens) via en OpenAI-kompatibel API. Eftersom Microsoft Agent Frameworks OpenAIChatClient fungerar med vilken OpenAI-kompatibel endpoint som helst, kan du använda MiniMax som ett direkt alternativ till GitHub Models eller OpenAI.

Lägg till dessa variabler i din .env-fil:

Variabel Var du hittar den
MINIMAX_API_KEY MiniMax Platform → API-nycklar
MINIMAX_BASE_URL Använd https://api.minimax.io/v1 (standardvärde)
MINIMAX_MODEL_ID Modellnamn att använda (t.ex. MiniMax-M2.7)

Tillgängliga modeller: MiniMax-M2.7 (rekommenderad), MiniMax-M2.7-highspeed (snabbare svar)

Kodexemplen som använder OpenAIChatClient (t.ex. Lektion 14 hotellboknings-workflow) kommer automatiskt upptäcka och använda din MiniMax-konfiguration när MINIMAX_API_KEY är satt.

Ytterligare installation för Lektion 8 (Bing Grounding Workflow)

Den villkorliga arbetsflödesnotebooken 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:

Variabel Var du hittar den
BING_CONNECTION_ID Azure AI Foundry-portalen → ditt projekt → Management → Connected resources → din Bing-anslutning → kopiera anslutnings-ID

Felsökning

SSL-certifikatverifieringsfel på macOS

Om du är på macOS och stöter på ett fel som:

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 betros. Prova följande lösningar i ordning:

Alternativ 1: Kör Pythons Install Certificates-script (rekommenderat)

# Ersätt 3.XX med 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-notebooks)

I Lektion 6 notebook (06-building-trustworthy-agents/code_samples/06-system-message-framework.ipynb) finns redan en kommenterad lösning. 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()

Fastna någonstans?

Om du har problem med att köra denna setup, hoppa in i vår Azure AI Community Discord eller skapa ett issue.

Nästa lektion

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

Introduktion till AI-agenter och agenteanvändningsfall

Ansvarsfriskrivning: Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet, vänligen var medveten om att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på dess modersmål bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår från användningen av denna översättning.

This site is open source. Improve this page.