ai-agents-for-beginners

Kuweka Wakala Zinazoweza Kupanuliwa na Microsoft Foundry

Kuweka Wakala Zinazoweza Kupanuliwa

Hadi hatua hii katika kozi umetengeneza makala za mawakala zinazotumia kompyuta yako kibao, ndani ya daftari, zinazoendeshwa na az login na baadhi ya vigezo vya mazingira. Hiyo ndio njia sahihi ya kujifunza. Sio njia sahihi ya kuendesha wakala ambaye maelfu ya wateja wanategemea saa 3 asubuhi.

Somo hili linahusu pengo kati ya “inavyofanya kazi kwenye kompyuta yangu” na “inavyofanya kazi, kwa kuaminika na kwa gharama nafuu, katika uzalishaji.” Tunafunga pengo hilo kutumia Microsoft Foundry na Huduma ya Wakala ya Microsoft Foundry, na tunafanya hivyo kwa kuunda wakala halisi wa msaada kwa wateja ambaye ana zana, utafutaji, kumbukumbu, tathmini, na ufuatiliaji.

Utangulizi

Somo hili litashughulikia:

Malengo ya Kujifunza

Baada ya kumaliza somo hili, utajua jinsi ya:

Masharti ya Awali

Somo hili linadhani umehitimisha masomo ya awali na umeeleweka kwa:

Pia utahitaji:

Kutoka Mfano hadi Uzalishaji: Nini Kinabadilika Kwanza

Wakala mfano na wakala wa uzalishaji wanashiriki mzunguko wa msingi — kufikiri, kuitisha zana, kujibu. Kinachobadilika ni kila kitu kilicho karibu na mzunguko huo. Mfano inaweza kuwa asilimia 20% ya wakala wa uzalishaji; asilimia 80% ni mfupa wa uendeshaji.

Mambo Mfano Uzalishaji
Ukaribishaji Hufanya kazi ndani ya daftari lako Hufanya kazi kama huduma yenyeji, ina toleo na inasambazwa
Utambulisho Tokeni yako ya az login Utambulisho uliodhibitiwa na RBAC inayozingatia mazingira
Hali Kwenye kumbukumbu, hupotea baada ya kuanzisha tena Imehamishwa (hifadhi ya minyororo, huduma ya kumbukumbu)
Kushindwa Unaona kipindi cha hitilafu Jaribu tena, kurudi nyuma, barua za kosa, tahadhari
Gharama “Ni senti chache” Inafuatiliwa kwa kila ombi, inapangwa njia, inahifadhiwa, ina bajeti
Ubora Unatazama matokeo kwa jicho Inathaminiwa kwa moja kwa moja kabla ya kila toleo
Uaminifu Unathibitisha kila kitendo Sera + binadamu katika mzunguko kwa vitendo vyenye hatari

Kumbuka jedwali hili. Kila sehemu hapa chini inalingana na mstari mmoja wa meza hii.

Mitindo ya Uwekaji wa Wakala

Kuna mitindo mitatu utakayotumia, mara nyingi kwa mchanganyiko.

1. Mawakala Wenyeji wa Mteja

Kitu cha wakala kiko ndani ya mchakato wa programu yako. Msimbo wako unaita msambazaji wa mfano moja kwa moja; mzunguko wa kufikiri unakimbia katika huduma yako. Hii ndio somo lolote lililopita lililofanya.

2. Mawakala Wenyeji (Huduma ya Wakala ya Foundry)

Wakala hurekebishwa kama rasilimali katika Microsoft Foundry. Foundry inakuja na mzunguko wa kufikiri, huhifadhi minyororo, hutekeleza usalama wa maudhui na RBAC, na huweka wakala wazi katika lango la Foundry. Programu yako inakuwa mteja mwembamba anayetengeneza minyororo na kusoma majibu.

3. Mtiririko wa Kazi wa Wakala

Mawakala wengi (na zana) huundwa kuwa grafu yenye mtiririko wa udhibiti ulio wazi — hatua mfululizo, matawi, nodi za idhini ya binadamu, na alama za kudumu zinazoweza kusimamishwa na kuanzishwa tena. Hii ni kipengele cha Microsoft Agent Framework Mtiririko wa Kazi kinachotumika kwenye kiwango cha uwekaji.

flowchart TB
    subgraph P1[Iliko Hifadhiwa na Mteja]
        A1[Mchakato wa Programu Yako] --> M1[Mtoa Mfano]
    end
    subgraph P2[Wakili Aliyohifadhiwa]
        A2[Mteja Mwembamba] --> F2[Huduma ya Wakili wa Foundry]
        F2 --> M2[Mfano + Zana + Hifadhi ya Mfululizo]
    end
    subgraph P3[Mtiririko wa Kazi wa Wakili]
        A3[Mpangaji] --> S1[Wakili wa Triage]
        S1 --> S2[Wakili wa Suluhisho]
        S2 --> H[Nodii ya Idhini ya Binadamu]
        H --> S3[Wakili wa Hatua]
    end

Mzunguko wa Maisha wa Wakala kwenye Microsoft Foundry

Kuweka wakala sio push mara moja tu. Ni mzunguko, na inaonekana kama mzunguko wa toleo la programu kwa sababu hiyo ndilo haswa jinsi ilivyo.

flowchart LR
    Create[Unda / Mwandishi] --> Version[Toleo]
    Version --> Evaluate[Tathmini bila mtandao]
    Evaluate -->|pita lango| Deploy[Sambaza mwenyeji]
    Evaluate -->|shindikana lango| Create
    Deploy --> Observe[Chunguza mtandaoni]
    Observe --> Improve[Kusanya kushindwa]
    Improve --> Create
    Deploy --> Retire[Punguza toleo la zamani]

Wazo kuu, lililoletwa kutoka Somo la 10: tathmini ya nje ya mtandao ni mlango, sio jambo la mawazo tu. Toleo jipya la wakala halipelekwi isipokuwa litafikia vizingiti vya tathmini. Ufuatiliaji wa mtandaoni basi unarejesha makosa ya dunia halisi kwenye seti yako ya majaribio ya nje ya mtandao. Huo ndio mzunguko mzima.

Mikakati ya Kupanua

Kupanua wakala ni tofauti na kupanua API isiyo na hali ya mtandao wa wavuti, kwa sababu kila ombi linaweza kusababisha miito ya mfano na zana ghali. Mbinu nne zinafanya mzigo mkubwa.

Usimamizi wa ombi usio na hali. Usihifadhi hali ya mtumiaji binafsi ndani ya kumbukumbu za mchakato wako. Hifadhi minyororo ya mazungumzo kwenye hifadhi ya minyororo ya Foundry au huduma ya kumbukumbu ili mfano wowote uweze kushughulikia ombi lolote. Hii ndio inakuwezesha kupanua kwa usawa — ongeza mifano, hakuna vikao vya kubana.

Kuongoza mfano. Sio kila ombi linahitaji mfano wako mwenye uwezo mkubwa (na gharama kubwa). Elekeza maombi rahisi — utofautishaji wa nia, majibu mafupi ya ukweli — kwa mfano mdogo, haraka, na uhifadhi mfano mkubwa kwa kufikiri halisi. Model Router ya Foundry inaweza kufanya hili kwa ajili yako, au unaweza kutekeleza kitambulisho cha mwanga mwenyewe. Utajenga toleo la DIY katika maabara.

Kuweka majibu kwenye kumbukumbu. Maswali mengi ya msaada ni karibu nakala (“jinsi ya kuweka upya nenosiri langu?”). Hifadhi majibu ya maswali ya kawaida na uyahudumie bila kuhitaji kuhitaji mfano kabisa. Hata viwango vya wastani vya kufikia kumbukumbu hupunguza gharama na ucheleweshaji kwa maana.

Mfululizo na shinikizo la nyuma. Watoa mfano wana mipaka ya viwango. Ziba mfululizo wako, tumia jaribio upya na kuongezeka kwa mvutano, na shindwa kwa heshima (jibu la queued “tuko kwenye hili” ni bora kuliko kosa la 500).

flowchart LR
    Q[Swali la mtumiaji] --> C{Je, cache imepatikana?}
    C -->|ndiyo| R[Rudisha jibu lililohifadhiwa]
    C -->|hapana| Router{Ugumu?}
    Router -->|rahisi| SLM[Mfano mdogo]
    Router -->|mgumu| LLM[Mfano mkubwa]
    SLM --> Out[Jibu]
    LLM --> Out
    Out --> Store[Cache + ufuatiliaji]

Ufuatiliaji katika Uzalishaji

Huwezi kuendesha kile usichokiona. Kama ilivyofunikwa katika Somo la 10, Microsoft Agent Framework hutoa OpenTelemetry utaalamu moja kwa moja — kila wito wa mfano, mwitikio wa zana, na hatua ya upangaji huwa sehemu ya picha. Katika uzalishaji unaongoza picha hizo kwa Microsoft Foundry (au backend yoyote inayoungwa mkono na OTel) ili uweze:

from agent_framework.observability import get_tracer

tracer = get_tracer()

with tracer.start_as_current_span("support_request") as span:
    span.set_attribute("customer.tier", "enterprise")
    span.set_attribute("routed.model", "gpt-5-nano")
    # utekelezaji wa wakala unafuatiliwa kiotomatiki ndani ya kipindi hiki

Sifa kama customer.tier na routed.model ndizo zinazofanya kuta za picha kuwa maswali yanayojibiwa (“je, wateja wa biashara wanaelekezwa kwa mfano mdogo sana mara nyingi?”).

Uboreshaji wa Gharama

Gharama katika mawakala wa uzalishaji inatawaliwa na tokens. Vifunguo vitatu, kwa mpangilio wa athari:

  1. Kuwa na mfano unaofaa. Mfano mdogo unaopita mlango wako wa tathmini karibu daima ni nafuu kuliko mkubwa pia unaopita. Tumia tathmini kuthibitisha mfano mdogo unatosha badala ya kuchagua mfano mkubwa kwa tahadhari.
  2. Elekeza kwa ugumu. Kama ilivyo hapo juu — linda gharama za mfano mkubwa kwa maombi yanayohitaji kufikiri kwa mfano mkubwa.
  3. Hifadhi kwa nguvu. Wito wa mfano wa bei nafuu ni ule usiowahi kufanya.

Milango ya tathmini na udhibiti wa gharama ni nidhamu sawa inayotazamwa kutoka mwelekeo miwili: tathmini inakuambia kifundo cha ubora, njia na kuweka kumbukumbu zinakusogeza karibu na gharama ya msingi huo iwezekanavyo.

Mambo ya Biashara katika Uwekaji

Usimamizi. Mawakala Wenyeji waletewa maeneo ya RBAC, usalama wa maudhui, na kumbukumbu za ukaguzi za Foundry. Mpa kila wakala utambulisho unaosimamiwa uliyo na njia ndogo inayohitajika — ufikiaji wa kusoma tu kwa hifadhi ya maarifa, ufikiaji wa kanda kwa API ya tiketi, hakuna zaidi.

Binadamu katika mzunguko. Vitendo vingine ni muhimu mno kufanya moja kwa moja — kutoa marejesho, kufuta akaunti, kuhamisha kwa timu ya sheria. Microsoft Agent Framework inaunga mkono zana za inazohitaji idhini: wakala hupendekeza kitendo, utekelezaji unasimamishwa, binadamu anathibitisha au kukataa, na mtiririko wa kazi unaendelea. Uliiona dhahiri katika Somo 6; hapa unaweka.

MCP katika uzalishaji. MCP inaruhusu wakala wako kutumia zana za nje kupitia kiolesura cha kawaida. Katika uzalishaji, chukulia seva yoyote ya MCP kama mpaka usio na kuaminika: weka toleo la seva, iendeshe na utambulisho wa kanda, hakikisha matokeo yake, na usiichulishe siri. Seva ya MCP ni tegemezi, na tegemezi hupata marekebisho, ukaguzi, na mipaka ya viwango.

flowchart TB
    subgraph Dev[Miundo ya Maendeleo]
        D1[Daftari] --> D2[Mfumo wa Wakala]
        D2 --> D3[Mtoa Mfano]
        D2 --> D4[Vyombo vya ndani]
    end
    subgraph Deploy[Miundo ya Uwasilishaji]
        E1[Mlolongo wa CI] --> E2[Mlango wa Tathmini]
        E2 -->|pita| E3[Huduma ya Wakala ya Foundry]
        E3 --> E4[Wakala mwenye toleo lililotangazwa]
    end
    subgraph Run[Muundo wa Muda wa Uendeshaji]
        F1[Programu ya mteja] --> F2[Wakala aliyeandaliwa]
        F2 --> F3[Kituo cha Mfano]
        F2 --> F4[Azure AI Search RAG]
        F2 --> F5[Huduma ya Kumbukumbu]
        F2 --> F6[Vyombo vya MCP]
        F2 --> F7[OTel -> Ufuatiliaji wa Foundry]
        F2 --> F8[Idhini ya binadamu]
    end

Mchoro huo tatu — maendeleo, kuweka, wakati wa kuendesha — ni wakala mmoja katika hatua tatu za maisha yake. Maabara inayofuata itakuongoza unavyomjenga.

Maabara ya Vitendo: Wakala wa Msaada wa Wateja Tayari kwa Uzalishaji

Fungua code_samples/16-python-agent-framework.ipynb na fanya kazi yake kutoka mwanzo hadi mwisho. Utaunganisha wakala wa msaada wa wateja wa Contoso na kila jambo la uzalishaji limeunganishwa:

  1. Kuitisha zana — angalia hali ya oda na fungua tiketi za msaada.
  2. RAG — jibu maswali ya sera kutoka kwenye hifadhi ya maarifa (Azure AI Search, na mbadala wa kumbukumbu ya ndani ili daftari lifanye kazi bila rasilimali ya Search).
  3. Kumbukumbu — kumbuka mteja katika mizunguko ya mazungumzo.
  4. Kuongoza mfano — kitambulisho cha ugumu kinaelekeza kila ombi kwa mfano mdogo au mkubwa.
  5. Kuweka majibu kwenye kumbukumbu — maswali yanayorudiwa huhudumiwa kutoka kumbukumbu.
  6. Idhini ya binadamu — marejesho yaliyo juu ya kikomo yasimamishe mchakato kwa idhini ya binadamu.
  7. Mtiririko wa tathmini — seti ndogo ya majaribio ya nje ya mtandao hupima wakala na kufanya kama mlango wa toleo.
  8. Ufuatiliaji — ufuatiliaji wa OpenTelemetry karibu na kila ombi.

Mwongozo

Daftari limepangwa hivyo kila jambo la uzalishaji ni sehemu huru yenyeweza kuendeshwa. Msingi wake ni msimamizi wa ombi wa njia na kumbukumbu:

async def handle_support_request(query: str, customer_id: str) -> str:
    # 1. Hudumia kutoka kwenye cache tunapoweza.
    cached = response_cache.get(normalize(query))
    if cached:
        return cached

    # 2. Pitia kwa ugumu ili kudhibiti gharama.
    model = "gpt-5-nano" if is_simple(query) else "gpt-5-mini"

    # 3. Endesha wakala ndani ya eneo la kufuatilia kwa uangalifu.
    with tracer.start_as_current_span("support_request") as span:
        span.set_attribute("routed.model", model)
        span.set_attribute("customer.id", customer_id)
        response = await support_agent.run(query, model=model)

    # 4. Hifadhi kwenye cache na rudisha.
    response_cache.set(normalize(query), response.text)
    return response.text

Mlango wa tathmini unaolinda toleo unaonekana hivi:

async def evaluation_gate(agent, test_cases, threshold: float = 0.8) -> bool:
    passed = 0
    for case in test_cases:
        result = await agent.run(case["input"])
        if score_response(result.text, case["expected"]) >= 0.8:
            passed += 1
    pass_rate = passed / len(test_cases)
    print(f"Evaluation pass rate: {pass_rate:.0%} (gate: {threshold:.0%})")
    return pass_rate >= threshold  # tuma tu ikiwa lango linafaa

Soma kila mstari — daftari linahifadhi vitu vya msingi kwa ukubwa mdogo ili hakuna kitu kifikie nyuma ya wito wa fremu.

Kuhakiki Wakala Aliyewekwa kwa Majaribio ya Moshi

Mlango wa tathmini hapo juu unafanyika nje ya mtandao dhidi ya kitu cha wakala wako. Mara wakala anapowekwa kama Wakala Mwenyeji, unahitaji ukaguzi mwingine wa gharama nafuu zaidi: je, sehemu ya kuweka ni kujibu kweli?

Kuweka “kwa mafanikio” kunathibitisha tu kuwa bodi ya udhibiti ilikubali ufafanuzi — hakuthibitishi wakala anajibu. Kutokuwepo kwa tegemezi, njia mbaya ya mfano, au muunganisho uliokufa unaweza kuacha uwekaji wa kijani usilorejeshe chochote. Jaribio la moshi linakamata hilo kwa sekunde, kila kuweka, bila gharama ya tathmini kamili.

Hifadhi hii inaleta mtiririko wa jaribio la moshi tayari kutumika uliojengwa kwa Njia ya AI Smoke Test GitHub:

- name: Smoke-test hosted agent
  uses: JFolberth/ai-smoketest@v1
  with:
    project_endpoint: $
    agent_name: ContosoSupportAgent
    tests_file: tests/lesson-16-smoke-tests.json

Endesha kutoka kwenye kichupo cha Actions mara tu wakala wako anapowekwa, ukitoa endpoint ya mradi wa Foundry na jina la wakala. Kitambulisho cha kidemokrasia kinahitaji jukumu la Azure AI User katika muktadha wa mradi wa Foundry. Fikiria tabaka kama piramidi: majaribio ya moshi (yanafikika na kuyajibu?) yanaendeshwa kila mara kupelekwa, tathmini za nje ya mtandao (za kutosha kupeleka?) zinaendeshwa kabla ya kupandishwa hadhi, na tathmini za mtandao (inaendaje katika mazingira halisi?) zinaendeshwa mara kwa mara.

Ukaguzi wa Maarifa

Jaribu uelewa wako kabla ya kuhamia kwenye kazi.

1. Takriban wakala wa uzalishaji una kiasi gani cha “mfano,” na sehemu nyingine ni nini?

Jibu Mfano ni asilimia ndogo ya mfumo — mara nyingi inatajwa kuwa takriban 20%. Sehemu nyingine ni mifupa ya uendeshaji: kuhifadhi na kusimamia matoleo, utambulisho na RBAC, hali iliyotolewa nje, kushughulikia mabaya, kufuatilia gharama, tathmini, na udhibiti wa mwanadamu ndani ya mzunguko. Kuenda kwenye uzalishaji ni zaidi kuhusu kujenga kila kitu *kuhusu* mzunguko wa hoja.

2. Ungechagua lini Wakala Aliyehifadhiwa kwa mwenyeji kuliko wakala anayeendeshwa na mteja?

Jibu Unapotaka mazingira ya utekelezaji yaliyosimamiwa yenye uimara uliojengewa ndani (threadi zinazodumu na zinaweza kuendelea), uwezo wa kuangalia, usalama wa maudhui, na RBAC, na uko tayari kubadilisha udhibiti mdogo wa mzunguko wa hoja kwa eneo dogo zaidi la uendeshaji. Wakala aliyehifadhiwa na mteja ni bora wakati unahitaji udhibiti kamili juu ya mzunguko au unapojumuisha wakala katika backend iliyopo.

3. Kwa nini wakala anayeweza kupanuka lazima awe hawezi kuhifadhi hali (stateless) kwenye kumbukumbu ya mchakato wake?

Jibu Ili mfano wowote uweze kushughulikia ombi lolote, hili ndilo linaloruhusu upanuzi wa wima (horizontal scaling) bila vipindi ambavyo vinabana (sticky sessions). Hali ya mazungumzo kwa mtumiaji huwekwa nje kwa kuhifadhi thread au huduma ya kumbukumbu. Ikiwa hali ingekaa kwenye kumbukumbu ya mchakato, ungeipoteza wakati wa kuanzisha tena na usingeweza kugawanya mzigo kwa uhuru.

4. Nguvu gani ya kuongoza mfano (model routing) hutatua, na inahusishwaje na tathmini?

Jibu Kuongoza kunaelekeza maombi rahisi kwa mfano mdogo, wa bei nafuu na wa haraka na kuhifadhi mfano mkubwa kwa hoja halisi, kudhibiti ucheleweshaji na gharama. Inahusiana na tathmini kwa sababu tathmini ndiyo *inadhibitisha* kwamba mfano mdogo ni wa kutosha kwa daraja la maombi — kuongoza bila tathmini ni kufikiria tu.

5. Ni nini “mlango wa tathmini” na unaekea wapi katika mzunguko wa maisha?

Jibu Mlango wa tathmini hufanya mtihani wa nje wa offline dhidi ya toleo jipya la wakala na kuzuia kupelekwa isipokuwa kiwango cha kupita kinavuka kikomo fulani. Unakaa kati ya "toleo" na "kupelekwa" katika mzunguko wa maisha, na kuifanya ubora kuwa sharti la awali la kutolewa badala ya kitu unachokagua baada ya kusafirisha.

6. Kwa nini seva ya MCP inapaswa kutendewa kama mpaka usioaminika katika uzalishaji?

Jibu Kwa sababu ni utegemezi wa nje ambao wakala wako huuita. Unapaswa kuweka toleo lake mahususi, kulitumia kwa kitambulisho chenye muktadha maalum, kuthibitisha matokeo yake, kuweka kikomo cha mara kwa mara, na usiwafichue siri kamwe — nidhamu ileile unayoitumia kwa utegemezi wowote wa mtu wa tatu. Matokeo yake huingia katika hoja za wakala wako, hivyo kuamini bila kuthibitisha ni hatari ya usalama.

7. Mabadiliko gani moja kwa moja mara nyingi huathiri zaidi gharama ya wakala wa uzalishaji, na kwa nini?

Jibu Kupanua mfano kwa ukubwa unaofaa — kutumia mfano mdogo zaidi unaopita mlango wako wa tathmini. Gharama hutawaliwa na tokeni, na mfano mdogo unaokidhi kiwango cha ubora mara nyingi ni ghali kidogo kuliko mkubwa. Kuweka kumbukumbu za muda na kuongoza kisha hupunguza gharama zaidi, lakini kuchagua mfano mzazi sahihi kuna athari kubwa zaidi ya ngazi ya kwanza.

8. Je, sifa za spani kama customer.tier na routed.model zina jukumu gani katika ufuatiliaji?

Jibu Zinageuza nyaraka ghafi kuwa maswali ya kibiashara yanayoweza kujibiwa. Bila sifa unakuwa na kuta ya spani; nazo unauwezo wa kuuliza "je, wateja wa mashirika wanapelekwa kwa mfano mdogo mara nyingi sana?" au "mfano gani hushughulikia maombi yetu ya polepole zaidi?" Sifa ni jinsi unavyotenganisha telemetry kwa vipimo vinavyohusu uendeshaji wako.

Kazi

Chukua wakala wa msaada wa wateja kutoka lab na uimarishe kwa hali maalum: wakala wa msaada wa bili kwa kampuni ya SaaS.

Usambazaji wako unapaswa:

  1. Badilisha zana kwa zana zinazohusiana na bili: get_subscription_status, get_invoice, na issue_credit (mikopo zaidi ya $50 inahitaji idhini ya binadamu).
  2. Ongeza nyaraka tatu RAG zinazohusu sera ya kurejesha pesa ya kampuni, mzunguko wa bili, na sera ya kufuta.
  3. Panua seti ya tathmini hadi kesi nane angalau, ikijumuisha angalau mbili ambazo zinapaswa kusababisha njia ya idhini ya binadamu, na thibitisha mlango wako wa tathmini unapita au kushindwa kwa usahihi.
  4. Ongeza ripoti moja ya gharama: baada ya kuendesha maswali kumi mchanganyiko kupitia wakala, chapisha ngapi zilienda kwa mfano mdogo, ngapi kwa mfano mkubwa, na ngapi zilihudumiwa kutoka kwa kumbukumbu ya muda.

Andika aya fupi (katika seli ya markdown) ikielezea kanuni gani ya kuongoza mfano uliyochagua na jinsi unavyothibitisha na trafiki halisi. Hakuna jibu moja sahihi — unakaguliwa kama masuala ya uzalishaji yameunganishwa kwa usahihi.

Muhtasari

Katika somo hili umehamisha wakala kutoka toleo la jaribio hadi uzalishaji kwa Microsoft Foundry:

Somo lijalo linaelekea kinyume: badala ya kupanua mawakala hadi wingu, utaweka chini kwenye mashine ya mendeleaji mmoja na kuendesha kikamilifu kwa karibu.

Rasilimali Zaidi

Somo Lililopita

Kujenga Mawakala wa Matumizi ya Kompyuta (CUA)

Somo Lijalo

Kuumba Mawakala wa AI Wananchi

Kionyozo: Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI Co-op Translator. Ingawa tunajitahidi kupata usahihi, tafadhali fahamu kwamba tafsiri za kiotomatiki zinaweza kuwa na makosa au upungufu wa usahihi. Hati ya asili katika lugha yake halisi inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu inayofanywa na binadamu inapendekezwa. Hatutojibu kwa kuelewa vibaya au tafsiri potofu zinazotokea kutokana na matumizi ya tafsiri hii.

This site is open source. Improve this page.