ai-agents-for-beginners

Kutumia Wakala Wanaoweza Kupanuka na Microsoft Foundry

Kutumia Wakala Wanaoweza Kupanuka

Hadi hatua hii katika kozi, umejenga mawakala wanaotumia kompyuta yako kibao, ndani ya daftari (notebook), wakiongozwa na az login na vigezo vya mazingira vichache. Hiyo ndiyo njia sahihi kabisa ya kujifunza. Siyo njia sahihi ya kuendesha wakala wa mteja elfu nyingi anategemea saa 3 asubuhi.

Somo hili linahusu pengo kati ya “inafanya kazi kwenye mashine yangu” na “inafanya kazi, kwa kuaminika na kwa gharama nafuu, katika uzalishaji.” Tunafunga pengo hilo kwa kutumia Microsoft Foundry na Huduma ya Wakala wa Microsoft Foundry, na tunafanya hivyo kwa kujenga wakala halisi wa msaada wa wateja anaaye na zana, upokeaji, kumbukumbu, tathmini, na ufuatiliaji.

Utangulizi

Somo hili litashughulikia:

Malengo ya Kujifunza

Baada ya kumaliza somo hili, utajua jinsi ya:

Mahitaji Kabla ya Kuanzia

Somo hili linadhani umefanya masomo ya awali na uko na uelewa kuhusu:

Pia utahitaji:

Kutoka Katika Mfano Hadi Uzalishaji: Mabadiliko Halisi

Wakala wa mfano na wakala wa uzalishaji wanashiriki miganhu kuu — kufikiri, kuitisha zana, kujibu. Kinachobadilika ni kila kitu kilichozunguka mzunguko huo. Mfano ni takriban 20% ya wakala wa uzalishaji; asilimia 80 ni mwili wa uendeshaji.

Hitilafu Mfano Uzalishaji
Ukaribu (Hosting) Inakwenda kwenye daftari lako Inakwenda kama huduma ya mwenyeji, ina matoleo na inatolewa kidogo kidogo
Utambulisho Tokeni yako ya az login Utambulisho uliodhibitiwa na RBAC iliyopangwa
Hali Kumbukumbu ndani ya kumbukumbu ya programu, hupotea baada ya kuanzishwa upya Hifadhiwa nje (hifadhi za thread, huduma za kumbukumbu)
Kushindwa Unaona kurudi nyuma kwa makosa Jaribu tena, njia mbadala, barua ya kufa, onyo
Gharama “Ni senti chache” Inafuatiliwa kwa kila ombi, inachangiliwa, kuhifadhiwa kwenye bajeti
Ubora Unaangalia matokeo Inapimwa moja kwa moja kabla ya kutolewa
Imani Unaruhusu kila kitendo Sera + binadamu katika mzunguko kwa vitendo vyenye hatari

Hifadhi jedwali hili akilini. Kila sehemu iliyopo chini inaendana na moja ya safu hizi.

Mifumo ya Usambazaji wa Wakala

Kuna mifumo mitatu utakayotumia, mara nyingi kwa pamoja.

1. Mawakala Wenyeji wa Mteja

Kitu cha wakala kiko ndani ya mchakato wa programu yako. Nambari yako inatuma ombi moja kwa moja kwa mlengo wa mfano; mzunguko wa kufikiri unafanywa katika huduma yako. Hii ndio kila somo lililopita lililofanya.

2. Mawakala Wenyeji (Huduma ya Wakala Foundry)

Wakala huandikishwa kama rasilimali kwenye Microsoft Foundry. Foundry inakumbuka mzunguko wa kufikiri, huhifadhi threads, inatekeleza miongozo ya usalama wa maudhui na RBAC, na huufanya wakala kuonekana kwenye lango la Foundry. Programu yako huwa mteja mwembamba anayetoa threads na kusoma majibu.

3. Mchakato wa Kazi wa Wakala

Mawakala wengi (na zana) huunganishwa katika grafu yenye mchakato wa kudhibiti wazi — hatua mlianziliano, matawi, nodi za idhini ya binadamu, na sehemu za kumbukumbu zinazoweza kusitisha na kuendelea. Hii ni uwezo wa Microsoft Agent Framework Workflows unaotumika kwa kiwango cha usambazaji.

flowchart TB
    subgraph P1[Mteja Aliyeshikwa]
        A1[Mchakato wa Programu Yako] --> M1[Mtoa Mfano]
    end
    subgraph P2[Wakala Aliyeshikwa]
        A2[Mteja Mwembamba] --> F2[Huduma ya Wakala wa Foundry]
        F2 --> M2[Mfano + Vifaa + Hifadhi ya Thread]
    end
    subgraph P3[Mwendo wa Kazi wa Wakala]
        A3[Mratibu] --> S1[Wakala wa Kupanga Kwanza]
        S1 --> S2[Wakala wa Kutatua]
        S2 --> H[Kidude cha Uidhinishaji wa Binadamu]
        H --> S3[Wakala wa Hatua]
    end

Mzunguko wa Maisha wa Wakala kwenye Microsoft Foundry

Kusambaza wakala si push ya mara moja. Ni mzunguko, na inaonekana sana kama mzunguko wa kutolewa kwa programu maana hiyo ndio hasa.

flowchart LR
    Create[Unda / Mwandishi] --> Version[Toleo]
    Version --> Evaluate[Tathmini bila mtandao]
    Evaluate -->|pita lango| Deploy[Weka mwenyeji]
    Evaluate -->|shindwa lango| Create
    Deploy --> Observe[Angalia mtandaoni]
    Observe --> Improve[Kusanya matatizo]
    Improve --> Create
    Deploy --> Retire[Piga retirement toleo la zamani]

Wazo kuu, lililotokana na Somo la 10: tathmini isiyokuwa mtandaoni ni mlango, si mawazo ya ziada. Toeneo jipya halitolewi hadi litakapovuka viwango vya tathmini. Ufuatiliaji mtandaoni huhamisha makosa halisi kwenye seti ya majaribio isiyo mtandaoni. Huyo ni mzunguko mzima.

Mikakati ya Kupanua

Kupanua wakala ni tofauti na kupanua API isiyo na hali, kwa sababu kila ombi linaweza kusababisha miito mingi ya mfano na zana za gharama kubwa. Mbinu nne zinabeba mzigo mkubwa zaidi.

Usimamizi wa maombi isiyo na hali. Usihifadhi hali ya mtumiaji katika kumbukumbu ya mchakato wako. Hifadhi mazungumzo kwenye hifadhi ya thread ya Foundry au huduma ya kumbukumbu ili mfano wowote uweze kushughulikia ombi lolote. Hii ndio inayokuwezesha kupanua kwa wima — ongeza mfano, hakuna vikao vilivyofungwa.

Usambazaji wa mfano. Siyo kila ombi linahitaji mfano wako wenye uwezo mkubwa (na gharama kubwa). Tuma maombi rahisi — utambuzi wa nia, majibu mafupi ya ukweli — kwa mfano mdogo na haraka, na uhifadhi mfano mkubwa kwa sababu ya kufikiri kweli. Model Router ya Foundry inaweza kufanya hili kwako, au unaweza kutekeleza mkeni mwepesi mwenyewe. Utajenga toleo la DIY maabara.

Kuweka majibu kwenye cache. Maswali mengi ya msaada ni karibu nakala (“ninawezaje kuweka upya nenosiri langu?”). Hifadhi majibu ya maswali yanayojirudia mara nyingi na uwasilishe bila kugonga mfano kabisa. Hata kiwango kidogo cha hits kwenye cache hupunguza gharama na ucheleweshaji kwa maana.

Ufanisi wa kazi nyingi na kuzuia msukumo. Watoa huduma wa mfano wana mipaka ya mzunguko wa maombi. Punguza idadi ya maombi yanayoshughulikiwa kwa wakati mmoja, tumia jaribio tena zenye mbadala za mwinuko, na shindwa kwa hila (jibu la queued “tuko nayo” ni bora kuliko kosa la 500).

flowchart LR
    Q[Uchunguzi wa mtumiaji] --> C{Je, cache imepatikana?}
    C -->|Ndiyo| R[Rudisha jibu lililohifadhiwa]
    C -->|Hapana| Router{Ugumu?}
    Router -->|Rahisi| SLM[Mfano mdogo]
    Router -->|Changamano| LLM[Mfano mkubwa]
    SLM --> Out[Jibu]
    LLM --> Out
    Out --> Store[Cache + njia]

Ufuatiliaji Katika Uzalishaji

Huwezi kuendesha unavyojua, na huwezi kujua usiposoma. Kama ilivyoripotiwa kwenye Somo la 10, Mfumo wa Wakala wa Microsoft hutuma OpenTelemetry kwa kawaida — kila wito wa mfano, miito ya zana, na hatua za utaratibu huwa ni muda. Katika uzalishaji unasafirisha vipindi hivyo kwenda Microsoft Foundry (au hosti yoyote inayoungwa mkono 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 moja kwa moja ndani ya kipindi hiki

Sifa kama customer.tier na routed.model ndizo zinazotafsiri mgawanyiko wa vipindi kuwa maswali yanayojibiwa (“je, wateja wa shirika wanatumwa mara nyingi kwenye mfano mdogo?”).

Uboreshaji wa Gharama

Gharama katika mawakala wa uzalishaji hutawaliwa na tokeni. Zinaweza kudhibitiwa kwa njia tatu, kwa mpangilio wa athari:

  1. Pima mfano kwa saizi sahihi. Mfano mdogo unaopita mlango wa tathmini kawaida huwa nafuu zaidi kuliko mfano mkubwa pia unaopita. Tumia tathmini kuonyesha mfano mdogo ni mzuri badala ya kutumia mfano mkubwa kwa tahadhari.
  2. Tuma kulingana na ugumu. Kama hapo juu — lipa bei ya mfano mkubwa kwa maombi yanayohitaji mfano mkubwa kuzingatia.
  3. Hifadhi kwa ukali. Wito wa mfano wa bei nafuu ni ule usiofanywa kamwe.

Milango ya tathmini na udhibiti wa gharama ni maadili sawa yanayoangaliwa kwa pembe mbili: tathmini inakuambia katika kiwango cha ubora, usambazaji na kuhifadhi vinakusalia karibu na gharama ya kiwango hicho.

Masuala ya Kupelekwa Kwa Mazingira ya Shirika

Udhibiti. Mawakala wenyeji wanarithi RBAC, usalama wa maudhui, na ufuatiliaji wa audit wa Foundry. Mpe kila wakala utambulisho ulio na mipaka midogo tu inayohitajika — ufikivu wa kusoma kwenye hifadhidata, ufikivu wa API ya tiketi, hakuna zaidi.

Binadamu katika mzunguko. Vitendo vingine ni muhimu mno kuamilishwa moja kwa moja — kutoa marejesho, kufuta akaunti, kupeleka kwa timu ya sheria. Mfumo wa Wakala wa Microsoft unaunga mkono zana zinazoomba idhini: wakala hupendekeza kitendo, utekelezaji unasitishwa, binadamu anaruhusu au anakataa, na mchakato unaendelea. Uliona mfano wake katika Somo la 6; hapa unautumia.

MCP katika uzalishaji. MCP huruhusu wakala wako kutumia zana za nje kupitia kiolesura cha kitaalamu. Katika utendaji, chukuliana na kila seva ya MCP kama mpaka usioaminika: futilia toleo la seva, endesha na utambulisho ulio na mipaka, thibitisha matokeo yake, na usiwape siri. Seva ya MCP ni tegemezi, na tegemezi hupatiwa viraka, kufanyiwa ukaguzi, na mipaka ya mzunguko.

flowchart TB
    subgraph Dev[Miundombinu ya Maendeleo]
        D1[Daftari] --> D2[Mfumo wa Wakala]
        D2 --> D3[Mtoa Mfano]
        D2 --> D4[Vifaa vya Mahali]
    end
    subgraph Deploy[Miundombinu ya Utekelezaji]
        E1[Mlolongo wa CI] --> E2[Mlango wa Tathmini]
        E2 -->|pita| E3[Huduma ya Wakala wa Foundry]
        E3 --> E4[Wakala mwenye toleo lililohifadhiwa]
    end
    subgraph Run[Miundombinu ya Kukimbia]
        F1[App ya mteja] --> F2[Wakala aliyohifadhiwa]
        F2 --> F3[Kiolezo cha Mfano]
        F2 --> F4[Azure AI Search RAG]
        F2 --> F5[Huduma ya Kumbukumbu]
        F2 --> F6[Vifaa vya MCP]
        F2 --> F7[OTel -> Ufuatiliaji wa Foundry]
        F2 --> F8[Idhini ya Binadamu]
    end

Michoro hiyo mitatu — maendeleo, usambazaji, runtime — ni wakala yule yule katika hatua tatu za maisha yake. maabara inayofuata itakuongoza jinsi ya kuijenga.

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

Fungua code_samples/16-python-agent-framework.ipynb na ifanyie kazi kutoka mwanzo hadi mwisho. Utajenga wakala wa msaada wa wateja wa Contoso yenye kila hitilafu za uzalishaji zilizounganishwa:

  1. Kuitisha zana — angalia hali ya oda na fungua tiketi za msaada.
  2. RAG — jibu maswali ya sera kutoka kwenye hifadhidata ya maarifa (Azure AI Search, na kengele ya kumbukumbu ya ndani ili daftari lifanye kazi bila rasilimali ya Search).
  3. Kumbukumbu — kumbuka mteja katika mizunguko ya mazungumzo.
  4. Usambazaji wa mfano — mtoaji wa ugumu hutuma kila ombi kwa mfano mdogo au mkubwa.
  5. Kuhifadhi majibu — maswali yanayojirudia hurudishwa kutoka katika cache.
  6. Idhini ya binadamu — marejesho yaliyoko juu ya kikomo husubiri idhini ya binadamu.
  7. Mchakato wa tathmini — seti ndogo ya majaribio isiyohitaji mtandao hupima wakala na kuwa mlango wa kutolewa.
  8. Ufuatiliaji — ufuatiliaji wa OpenTelemetry kwa kila ombi.

Maelekezo

Daftari limepangwa kwa kila hitilafu ya uzalishaji kuwa sehemu huru inayoweza kuendesha. Msingi wake ni msimamizi wa maombi yenye usambazaji-zaidi-kuhifadhi:

async def handle_support_request(query: str, customer_id: str) -> str:
    # 1. Hudumia kutoka kwa 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 ufuatiliaji kwa ajili ya uangalizi.
    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 na rudisha.
    response_cache.set(normalize(query), response.text)
    return response.text

Mlango wa tathmini unaolinda kutolewa 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  # tengeneza tu ikiwa lango litapita

Soma kila mstari — daftari linahifadhi mifumo midogo kwa makusudi ili hakuna kitu kifiche nyuma ya wito wa mfumo.

Kuhakiki Wakala Aliye Sambazwa kwa Majaribio ya Punguza Hatari (Smoke Tests)

Mlango wa tathmini hapo juu hufanya kazi isipokuwa mtandaoni dhidi ya kitu cha wakala wako. Mara wakala anapowekwa kama Wakala Mwenyeji, unahitaji ukaguzi mwingine, hata rahisi zaidi: je, sehemu iliyo sambazwa inajibu kweli?

Kusambaza “kwa mafanikio” kunathibitisha kwamba mfumo wa udhibiti umekubali maelezo — si kuthibitisha wakala anajibu. Kutanakili tegemezi, usambazaji mbaya wa mfano, au muunganisho uliotia muda ukifika kunaweza kusababisha usambazaji wenye rangi ya kijani asiotoe chochote. Jaribio la punguza hatari (smoke test) linakuta hilo ndani ya sekunde, kila mara unaposambaza, bila gharama ya tathmini kamili.

Hifadhidata hii inaleta bomba la jaribio la punguza hatari tayari kutumia lililojengwa kwenye Kitendo cha GitHub cha AI Smoke Test:

- 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 kiunganishi cha mradi wa Foundry na jina la wakala. Kitambulisho kilichounganishwa kinahitaji jukumu la Azure AI User katika upeo wa mradi wa Foundry. Fikiria tabaka kama piramidi: vipimo vya moshi (vifikike na vinajibu?) vinaendeshwa kila kuweka, tathmini ya mtandaoni (ni nzuri vya kutosha kusafirisha?) hufanyika kabla ya kukuza, na tathmini ya mtandao (inafanya vipi katika mazingira halisi?) hufanyika kwa mfululizo.

Kagua Maarifa

Jaribu uelewa wako kabla ya kuendelea na kazi.

1. Kiasi gani kwa takriban cha wakala wa uzalishaji ni “mfano,” na ni nini kingine?

Jibu Mfano ni sehemu ndogo ya mfumo — mara nyingi inatajwa kuwa karibu asilimia 20%. Sehemu nyingine ni mifupa ya uendeshaji: kuhudumia na kuweka toleo, utambulisho na RBAC, hali iliyotengwa, utunzaji wa kushindwa, ufuatiliaji wa gharama, tathmini, na udhibiti wa binadamu ndani ya mzunguko. Kuenda katika uzalishaji ni hasa kuhusu kujenga kila kitu *kuzunguka* mzunguko wa kufikiri.

2. Utachagua Wakala Anayehudumiwa (Hosted Agent) badala ya wakala anayehudumiwa na mteja lini?

Jibu Ukitaka mazingira ya kuendesha yaliyo simamiwa yenye uimara wa kujengwa ndani (mishale inayodumu na inaweza kuendelea), ufuatiliaji, usalama wa maudhui, na RBAC, na uko tayari kubadilisha udhibiti mdogo wa mzunguko wa kufikiri kwa eneo dogo la uendeshaji. Kilihudumiwa na mteja kinapendelewa unapotaka udhibiti kamili juu ya mzunguko au unapoingiza wakala kwenye backend iliyopo.

3. Kwanini wakala anayeweza kupanuka lazima awe hauna hali (stateless) katika kumbukumbu ya mchakato wake?

Jibu Ili mfano wowote uendeleze ombi lolote, ambalo ndilo linaoruhusu upanuzi wima bila vikao vinavyoshikamana. Hali ya mazungumzo kwa mtumiaji mmoja huhifadhiwa nje katika duka la mishale au huduma ya kumbukumbu. Ikiwa hali ingeishi katika kumbukumbu ya mchakato, ungeipoteza wakati wa kuanza upya na hungeweza kusambaza mzigo kwa uhuru.

4. Tatizo gani husuluhishwa na upangaji wa mifano, na linahusianaje na tathmini?

Jibu Upangaji hutuma maombi rahisi kwa mfano mdogo, wa bei nafuu, na wa haraka na kuweka mfano mkubwa kwa ajili ya kufikiri halisi, kudhibiti ucheleweshaji na gharama. Linahusiana na tathmini kwa sababu tathmini ndio *inaonyesha* kuwa mfano mdogo ni mzuri vya kutosha kwa darasa la maombi — upangaji bila tathmini ni kubahatisha.

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

Jibu Mlango wa tathmini hufanya seti ya vipimo ya mtandaoni dhidi ya toleo jipya la wakala na kuzuia uenezaji isipohitimu kiwango cha kupitisha. Upatikana kati ya "toleo" na "kueneza" katika mzunguko wa maisha, kufanya ubora kuwa sharti la kabla ya kutolewa badala ya kitu unachosahau baada ya usafirishaji.

6. Kwanini seva ya MCP inapaswa kutazamwa kama mipaka isiyoheshimiwa katika uzalishaji?

Jibu Kwa sababu ni utegemezi wa nje ambao wakala wako huuita. Unapaswa kuweka toleo lake, kuendesha na utambulisho ulio na upeo, kuthibitisha matokeo yake, kuweka kikomo cha idadi, na usiiseme siri zake — nidhamu ile ile unayotumia kwa utegemezi wowote wa mtu wa tatu. Matokeo yake huingia kwenye mzunguko wa kufikiri wa wakala wako, hivyo kuamini bila kuthibitisha ni hatari ya usalama.

7. Mabadiliko gani moja kawaida huwa na athari kubwa zaidi kwa gharama za wakala wa uzalishaji, na kwanini?

Jibu Kuweka mfano kwa ukubwa unaofaa — kutumia mfano mdogo zaidi bado unaopitisha mlango wa tathmini. Gharama inaongozwa na alama (tokens), na mfano mdogo unaokidhi kiwango cha ubora kwa kawaida huwa nafuu zaidi kuliko mkubwa. Kuweka akiba na upangaji basi hupunguza gharama zaidi, lakini kuchagua mfano wa msingi sahihi kuna athari kuu ya daraja la kwanza.

8. Sifa za span kama customer.tier na routed.model huchangia vipi katika ufuatiliaji?

Jibu Zinageuza vichunguzi ghafi kuwa maswali ya biashara yenye majibu. Bila sifa unakuwa na kuta za spans; nazo hukuwezesha kuuliza "je wateja wa biashara wanapelekwa kwa mfano mdogo mara nyingi sana?" au "mfano gani hushughulikia maombi yetu polepole zaidi?" Sifa ndizo jinsi unavyokatakata telemetry kwa vipimo vinavyojaliwa na shughuli yako.

Kazi

Chukua wakala wa msaada kwa wateja kutoka maabara na ugande kwa hali maalum: wakala wa msaada wa malipo kwa kampuni ya SaaS.

Omba lako lifanye yafuatayo:

  1. Badilisha zana kwa zile zinazohusiana na malipo: get_subscription_status, get_invoice, na issue_credit (mikopo zaidi ya $50 inahitaji idhini ya binadamu).
  2. Ongeza hati tatu za RAG zinazohusu sera ya kurejesha fedha ya kampuni, mzunguko wa malipo, na sera ya kughairi.
  3. Panua seti ya tathmini hadi kesi nane angalau, zikiwemo mbili zinazopaswa kusababisha njia ya idhini ya binadamu, na thibitisha mlango wa tathmini unapita au kushindwa ipasavyo.
  4. Ongeza ripoti moja ya gharama: baada ya kuendesha maswali kumi mchanganyiko kupitia wakala, chapisha ni ngapi zilienda kwa mfano mdogo, ngapi kwa mfano mkubwa, na ngapi zilihudumiwa kutoka kwa akiba.

Andika aya fupi (katika seli ya markdown) ikielezea ni sheria gani ya upangaji wa mfano uliyochagua na ungebainisha vipi kwa trafiki halisi. Hakuna jibu moja sahihi — unakaguliwa kama masuala ya uzalishaji yameunganishwa kwa muktadha mzuri.

Muhtasari

Katika somo hili ulisogeza wakala kutoka mfano hadi uzalishaji na Microsoft Foundry:

Somo lijalo linachukua safari kinyume: badala ya kupanua mawakala hadi wingu, utaileta chini kwenye mashine ya mwanajumla mmoja na kuendesha moja kwa moja ndani yake.

Rasilimali Zaidi

Somo la Awali

Kujenga Wakala wa Matumizi ya Kompyuta (CUA)

Somo Linalofuata

Kuunda Mawakali wa AI wa Ndani

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.