Denna lektion kommer att täcka hur man kör kodexemplen i denna kurs.
Innan du börjar klona ditt repo, gå med i AI Agents For Beginners Discord channel för att få hjälp med installation, frågor om kursen eller för att koppla ihop dig med andra som lär sig.
För att börja, klona eller forka GitHub-repositoriet. 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 fork the repo
Du ska nu ha din egen forkade version av denna kurs på följande länk:

Det fullständiga repositoriet kan bli stort (~3 GB) när du laddar ner full historik och alla filer. Om du bara deltar i workshopen eller bara behöver några lektioners mappar, laddar en shallow clone (eller en sparse clone) ner mycket mindre.
Ersätt <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 branch:
git clone --depth 1 --branch <branch-name> https://github.com/<your-username>/ai-agents-for-beginners.git
Detta använder partial clone och sparse-checkout (kräver Git 2.25+ och rekommenderas med modern Git med stöd för partial clone):
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
Specificera sedan vilka mappar du vill ha (exempel nedan visar två mappar):
git sparse-checkout set 00-course-setup 01-intro-to-ai-agents
Efter kloning och verifiering av filerna, om du endast behöver filerna och vill frigöra utrymme (ingen git-historik), radera då repository metadata (💀irreversibelt — du förlorar all Git-funktionalitet):
# zsh/bash
rm -rf .git
# PowerShell
Remove-Item -Recurse -Force .git
Skapa en ny Codespace för detta repo via GitHub UI.
Denna kurs erbjuder en serie Jupyter-anteckningsböcker som du kan köra för att få praktisk erfarenhet att bygga AI-agenter.
Kodexemplen använder Microsoft Agent Framework (MAF) med FoundryChatClient, som kopplar till Microsoft Foundry Agent Service V2 (Responses API) via Microsoft Foundry.
Alla Python-notebookar är märkta *-python-agent-framework.ipynb.
OBS: Om du inte har Python3.12 installerat, se till att installera det. Skapa sedan din venv med python3.12 för att försäkra 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 kodexemplen med .NET, se till att installera .NET 10 SDK eller senare. Kontrollera därefter din installerade .NET SDK-version:
dotnet --list-sdks
gpt-5-mini). Se Steg 1 nedan.Vi har inkluderat en requirements.txt fil i root av detta repo som innehåller alla nödvändiga Python-paket för att köra kodexemplen.
Du kan installera dem genom att köra följande kommando i terminalen i rotmappen 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.
Du behöver ett Microsoft Foundry projekt med en distribuerad modell för att köra notebookarna. Skapa projektet direkt i nuvarande Microsoft Foundry-upplevelse; en hub krävs inte.
gpt-5-mini) från Models + Endpoints → Deploy model.Från ditt projekt i Microsoft Foundry-portalen:

gpt-5-mini).az loginDe flesta notebookar autentiserar genom din Azure CLI login — med AzureCliCredential eller DefaultAzureCredential (båda plockar upp din az login-session) från azure-identity-paketet — så de kräver inga API-nycklar. Några lektioner och valfria integrationer använder API-nycklar; kolla varje lektions förutsättningar för eventuella extra miljövariabler. 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 är 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 medAzureCliCredential(ellerDefaultAzureCredential, som också plockar upp din Azure CLI inloggning) frånazure-identity-paketet. Det betyder att din Azure CLI-session tillhandahåller referenserna — inga API-nycklar eller hemligheter i din.env-fil. Detta är en säkerhetsbästa praxis.
.env filKopiera 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-5-mini
| Variabel | Var hittar du den |
|---|---|
AZURE_AI_PROJECT_ENDPOINT |
Foundry-portalen → ditt projekt → Overview sida |
AZURE_AI_MODEL_DEPLOYMENT_NAME |
Foundry-portalen → Models + Endpoints → namnet på din distribuerade modell |
Det är allt för de flesta lektioner! Notebookarna kommer att autentisera automatiskt genom din az login session.
pip install -r requirements.txt
Vi rekommenderar att köra detta inuti den virtuella miljön du skapade tidigare.
Lektion 5 (Agentic RAG) och Lektion 16 notebookarna fungerar direkt med en in-memory knowledge base — inga extra Azure-resurser behövs. Om du vill använda en riktig Azure AI Search index, notera att Lektion 16 notebook just nu använder nyckelbaserad autentisering: den växlar från in-memory sökning till Azure AI Search endast när både AZURE_SEARCH_SERVICE_ENDPOINT och AZURE_SEARCH_API_KEY är satta, och annars förblir på in-memory sökning — så för att köra mot ett riktigt index måste du även sätta admin-nyckeln. Nyckelfri autentisering med Microsoft Entra ID (RBAC) är den rekommenderade metoden för egen produktionskod, i linje med az login-flödet som används i resten av kursen.
RBAC-stegen nedan gäller för installationsguidens exempel och din egen kod. De aktiverar inte nyckelfri autentisering i Lektion 16 notebook; Lektion 16 kräver fortfarande både endpoint och admin-nyckel för att använda Azure AI Search.
Aktivera rollbaserad åtkomst på din söktjänst:
az search service update --name <service-name> --resource-group <resource-group> --auth-options aadOrApiKey
Tilldela dig själv nödvändiga roller (skapa/ladda index och göra förfrågningar):
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)
Lägg till endpoint i din .env fil:
| Variabel | Var hittar du den |
|---|---|
AZURE_SEARCH_SERVICE_ENDPOINT |
Azure-portalen → din Azure AI Search-resurs → Overview → URL |
AZURE_SEARCH_API_KEY |
Krävs (med endpoint) för att aktivera Azure AI Search i Lektion 16 notebook, som använder nyckelbaserad auth. Azure-portalen → Settings → Keys → primär admin-nyckel |
Varför nyckelfri? Admin-nycklar ger full skrivåtkomst till din söktjänst och kan läcka via
.envfiler. Med RBAC används istället dinaz loginidentitet — samma nyckelfria Entra ID-mönster som kursens notebookar använder (viaAzureCliCredential/DefaultAzureCredential). Se Anslut till Azure AI Search med roller.
Se Azure AI Search installationsguide för kompletta index-skapande exempel i Python och .NET.
Vissa notebookar i lektion 6 och 8 anropar Azure OpenAI direkt (med hjälp av Responses API) istället för genom ett Microsoft Foundry-projekt. Dessa exempel använde tidigare GitHub Models, som är föråldrat och inte stöder Responses API. Lägg till dessa variabler i din .env fil:
| Variabel | Var hittar du den |
|---|---|
AZURE_OPENAI_ENDPOINT |
Azure-portalen → din Azure OpenAI-resurs → Keys and Endpoint → Endpoint (t.ex. https://<your-resource>.openai.azure.com) |
AZURE_OPENAI_DEPLOYMENT |
Namnet på din distribuerade modell (t.ex. gpt-5-mini) som stöder Responses API |
AZURE_OPENAI_API_KEY |
Valfritt — bara om du använder nyckelbaserad auth istället för az login / Entra ID |
Responses API använder den stabila
/openai/v1/slutpunkten, såapi-versionkrävs inte. Logga in medaz loginför att använda nyckelfri Entra ID-autentisering.
MiniMax erbjuder storskaliga modeller (upp till 204K tokens) via en OpenAI-kompatibel API. Eftersom Microsoft Agent Frameworks OpenAIChatClient fungerar med vilken OpenAI-kompatibel slutpunkt som helst, kan du använda MiniMax som ett drop-in-alternativ för lektioner som använder OpenAIChatClient.
Lägg till dessa variabler i din .env fil:
| Variabel | Var hittar du 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-M3) |
Exempelmodeller: MiniMax-M3 (rekommenderad), MiniMax-M2.7, MiniMax-M2.7-highspeed (snabbare svar). Modellnamn och tillgänglighet kan ändras över tid, och tillgång till en modell kan bero på ditt konto.
Kodexemplen som använder OpenAIChatClient (t.ex. Lektion 14 hotellbokningsflöde) kommer automatiskt att detektera och använda din MiniMax-konfiguration när MINIMAX_API_KEY är satt.
Novita AI erbjuder ett OpenAI-kompatibelt API för open-source och framkantens LLMs (DeepSeek, Llama, Qwen och mer). Eftersom Microsoft Agent Frameworks OpenAIChatClient fungerar med vilken som helst OpenAI-kompatibel endpoint, kan du använda Novita AI som ett direkt alternativ till Azure OpenAI eller OpenAI.
Lägg till dessa variabler i din .env-fil:
| Variabel | Var du hittar den |
|---|---|
NOVITA_API_KEY |
Novita AI Dashboard → API-nycklar |
NOVITA_BASE_URL |
Använd https://api.novita.ai/openai/v1 (standardvärde) |
NOVITA_MODEL_ID |
Modellnamn att använda (t.ex. moonshotai/kimi-k3) |
Exempelmodeller: moonshotai/kimi-k3, zai-org/glm-5.2, deepseek/deepseek-v4-flash-0731. Novita AI värdar också många andra open-source modellfamiljer (Llama, Qwen, GLM och fler) — kolla Novita AI modellbibliotek för en aktuell lista över tillgängliga modeller och deras modell-ID.
De nuvarande exemplen använder inte automatiskt NOVITA_* variabler. För att använda Novita AI, skicka dessa värden explicit när du skapar OpenAIChatClient i det exempel du kör.
Foundry Local är en lättviktig runtime som laddar ner, hanterar och tjänstgör språkmodeller helt på din egen maskin via ett OpenAI-kompatibelt API — ingen molnanslutning behövs.
Eftersom Microsoft Agent Frameworks OpenAIChatClient fungerar med vilken OpenAI-kompatibel endpoint som helst, är Foundry Local ett direkt lokalt alternativ till Azure OpenAI.
1. Installera Foundry Local
# Windows
winget install Microsoft.FoundryLocal
# macOS
brew install foundrylocal
2. Ladda ner och kör en modell (detta startar också den lokala tjänsten):
foundry model list # see available models
foundry model run phi-4-mini
3. Installera Python SDK:t som används för att hitta den lokala endpointen:
pip install foundry-local-sdk
4. Peka Microsoft Agent Framework mot din lokala 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.",
)
Notera: Foundry Local exponerar en OpenAI-kompatibel Chat Completions endpoint. Använd den för lokal utveckling och offline-scenarier. För den fullständiga Responses API-funktionaliteten (tillståndsbevarande konversationer, etc.), använd Azure OpenAI eller ett Microsoft Foundry-projekt.
Det villkorliga arbetsflödesanteckningsboken i lektion 8 använder Bing grounding via Microsoft Foundry. Om du planerar att köra det exemplet, lägg till denna variabel i din .env-fil:
| Variabel | Var du hittar den |
|---|---|
BING_CONNECTION_ID |
Microsoft Foundry portal → ditt projekt → Management → Connected resources → din Bing-anslutning → kopiera anslutnings-ID |
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 litas på. Prova följande lösningar i ordning:
Alternativ 1: Kör Pythons Install Certificates-skript (rekommenderas)
# Replace 3.XX with your installed Python version (e.g., 3.12 or 3.13):
/Applications/Python\ 3.XX/Install\ Certificates.command
Alternativ 2: Använd connection_verify=False i din notebook (endast för GitHub Models notebookar)
I Lektion 6-notebook (06-building-trustworthy-agents/code_samples/06-system-message-framework.ipynb) finns en utkommenterad lösning redan med. Avkommentera connection_verify=False när du får certifikatfel:
client = ChatCompletionsClient(
endpoint=endpoint,
credential=AzureKeyCredential(token),
connection_verify=False, # Disable SSL verification if you encounter certificate errors
)
⚠️ Varning: Att inaktivera SSL-verifiering (
connection_verify=False) minskar säkerheten genom att hoppa över certifikatvalidering. Använd detta endast som en tillfällig lösning i utvecklingsmiljöer. Använd 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()
Om du har problem med att köra denna installation, 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 Agentanvändningsfall
Ansvarsfriskrivning: Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet, var vänlig notera 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 några missförstånd eller feltolkningar som uppstår till följd av användningen av denna översättning.