ai-agents-for-beginners

การตั้งค่าคอร์ส

บทนำ

บทเรียนนี้จะครอบคลุมวิธีการรันตัวอย่างโค้ดในคอร์สนี้

เข้าร่วมกับผู้เรียนคนอื่นและขอความช่วยเหลือ

ก่อนที่คุณจะเริ่มโคลน repo ของคุณ เข้าร่วม ช่อง Discord AI Agents For Beginners เพื่อขอความช่วยเหลือเกี่ยวกับการตั้งค่า ถามคำถามเกี่ยวกับคอร์ส หรือเชื่อมต่อกับผู้เรียนคนอื่น

โคลนหรือ Fork Repo นี้

เริ่มต้นโดยการโคลนหรือ fork GitHub Repository สิ่งนี้จะสร้างเวอร์ชันของคอร์สที่เป็นของคุณเองเพื่อให้คุณสามารถรัน ทดสอบ และปรับแต่งโค้ดได้!

คุณสามารถทำได้โดยคลิกลิงก์ fork repo

ตอนนี้คุณควรมีเวอร์ชัน fork ของคอร์สนี้ในลิงก์ต่อไปนี้:

การรันโค้ด

คอร์สนี้มีชุด Jupyter Notebooks ที่คุณสามารถรันเพื่อสัมผัสประสบการณ์การสร้าง AI Agents ด้วยตัวเอง

ตัวอย่างโค้ดใช้:

ต้องมีบัญชี GitHub - ฟรี:

1) Semantic Kernel Agent Framework + GitHub Models Marketplace ระบุว่า (semantic-kernel.ipynb) 2) AutoGen Framework + GitHub Models Marketplace ระบุว่า (autogen.ipynb)

ต้องมีการสมัครสมาชิก Azure: 3) Azure AI Foundry + Azure AI Agent Service ระบุว่า (azureaiagent.ipynb)

เราขอแนะนำให้คุณลองใช้ตัวอย่างทั้งสามประเภทเพื่อดูว่าแบบใดเหมาะกับคุณที่สุด

ตัวเลือกที่คุณเลือกจะกำหนดขั้นตอนการตั้งค่าที่คุณต้องทำตามด้านล่าง:

ความต้องการ

• Python 3.12+

  • NOTE: หากคุณยังไม่มี Python3.12 ติดตั้งอยู่ ให้ติดตั้งก่อน จากนั้นสร้าง venv โดยใช้ python3.12 เพื่อให้แน่ใจว่าเวอร์ชันที่ถูกต้องจะถูกติดตั้งจากไฟล์ requirements.txt

    ตัวอย่าง

    สร้างไดเรกทอรี Python venv:

    python3 -m venv venv
    

    จากนั้นเปิดใช้งาน venv environment สำหรับ:

    macOS และ Linux

    source venv/bin/activate
    

    Windows

    venv\Scripts\activate
    

• บัญชี GitHub - สำหรับการเข้าถึง GitHub Models Marketplace
• การสมัครสมาชิก Azure - สำหรับการเข้าถึง Azure AI Foundry
• บัญชี Azure AI Foundry - สำหรับการเข้าถึง Azure AI Agent Service

เราได้รวมไฟล์ requirements.txt ไว้ใน root ของ repository นี้ ซึ่งมี Python packages ที่จำเป็นทั้งหมดสำหรับการรันตัวอย่างโค้ด

คุณสามารถติดตั้งได้โดยรันคำสั่งต่อไปนี้ใน terminal ที่ root ของ repository:

pip install -r requirements.txt

เราขอแนะนำให้สร้าง Python virtual environment เพื่อหลีกเลี่ยงปัญหาและความขัดแย้งใดๆ

การตั้งค่า VSCode

ตรวจสอบให้แน่ใจว่าคุณใช้เวอร์ชัน Python ที่ถูกต้องใน VSCode

การตั้งค่าสำหรับตัวอย่างที่ใช้ GitHub Models

ขั้นตอนที่ 1: รับ GitHub Personal Access Token (PAT) ของคุณ

คอร์สนี้ใช้ GitHub Models Marketplace ซึ่งให้การเข้าถึง Large Language Models (LLMs) ฟรีที่คุณจะใช้ในการสร้าง AI Agents

ในการใช้ GitHub Models คุณจะต้องสร้าง GitHub Personal Access Token

คุณสามารถทำได้โดยไปที่ การตั้งค่า Personal Access Tokens ในบัญชี GitHub ของคุณ

โปรดปฏิบัติตาม หลักการของการให้สิทธิ์น้อยที่สุด เมื่อสร้าง token ซึ่งหมายความว่าคุณควรให้ token เฉพาะสิทธิ์ที่จำเป็นในการรันตัวอย่างโค้ดในคอร์สนี้

1. เลือกตัวเลือก Fine-grained tokens ทางด้านซ้ายของหน้าจอโดยไปที่ Developer settings

   จากนั้นเลือก Generate new token.

   

2. ใส่ชื่อที่อธิบายได้สำหรับ token ของคุณที่สะท้อนถึงวัตถุประสงค์ของมัน เพื่อให้ง่ายต่อการระบุในภายหลัง

   🔐 คำแนะนำระยะเวลาของ Token

   ระยะเวลาที่แนะนำ: 30 วัน เพื่อความปลอดภัยมากขึ้น คุณสามารถเลือกช่วงเวลาที่สั้นลง เช่น 7 วัน 🛡️ เป็นวิธีที่ดีในการตั้งเป้าหมายส่วนตัวและทำคอร์สให้เสร็จในขณะที่คุณมีแรงจูงใจในการเรียนรู้ 🚀.

   

3. จำกัดขอบเขตของ token ให้กับ fork ของ repository นี้

   

4. จำกัดสิทธิ์ของ token: ภายใต้ Permissions คลิกแท็บ Account และคลิกปุ่ม “+ Add permissions” จะมี dropdown ปรากฏขึ้น ค้นหา Models และทำเครื่องหมายในช่องสำหรับมัน

5. ตรวจสอบสิทธิ์ที่จำเป็นก่อนสร้าง token

6. ก่อนสร้าง token ตรวจสอบให้แน่ใจว่าคุณพร้อมที่จะเก็บ token ไว้ในที่ปลอดภัย เช่น vault ของ password manager เนื่องจากมันจะไม่แสดงอีกหลังจากที่คุณสร้างมัน

คัดลอก token ใหม่ที่คุณเพิ่งสร้างขึ้น ตอนนี้คุณจะเพิ่ม token นี้ลงในไฟล์ .env ที่รวมอยู่ในคอร์สนี้

ขั้นตอนที่ 2: สร้างไฟล์ .env ของคุณ

ในการสร้างไฟล์ .env ให้รันคำสั่งต่อไปนี้ใน terminal ของคุณ

cp .env.example .env

คำสั่งนี้จะคัดลอกไฟล์ตัวอย่างและสร้าง .env ในไดเรกทอรีของคุณ ซึ่งคุณจะเติมค่าของ environment variables

เมื่อคุณคัดลอก token แล้ว ให้เปิดไฟล์ .env ใน text editor ที่คุณชื่นชอบและวาง token ลงในฟิลด์ GITHUB_TOKEN

ตอนนี้คุณควรสามารถรันตัวอย่างโค้ดในคอร์สนี้ได้แล้ว

การตั้งค่าสำหรับตัวอย่างที่ใช้ Azure AI Foundry และ Azure AI Agent Service

ขั้นตอนที่ 1: รับ Endpoint ของโปรเจกต์ Azure ของคุณ

ทำตามขั้นตอนการสร้าง hub และโปรเจกต์ใน Azure AI Foundry ได้ที่นี่: Hub resources overview

เมื่อคุณสร้างโปรเจกต์ของคุณแล้ว คุณจะต้องรับ connection string สำหรับโปรเจกต์ของคุณ

คุณสามารถทำได้โดยไปที่หน้า Overview ของโปรเจกต์ใน Azure AI Foundry portal

ขั้นตอนที่ 2: สร้างไฟล์ .env ของคุณ

ในการสร้างไฟล์ .env ให้รันคำสั่งต่อไปนี้ใน terminal ของคุณ

cp .env.example .env

คำสั่งนี้จะคัดลอกไฟล์ตัวอย่างและสร้าง .env ในไดเรกทอรีของคุณ ซึ่งคุณจะเติมค่าของ environment variables

เมื่อคุณคัดลอก token แล้ว ให้เปิดไฟล์ .env ใน text editor ที่คุณชื่นชอบและวาง token ลงในฟิลด์ PROJECT_ENDPOINT

ขั้นตอนที่ 3: ลงชื่อเข้าใช้ Azure

เพื่อความปลอดภัยที่ดีที่สุด เราจะใช้ keyless authentication เพื่อยืนยันตัวตนกับ Azure OpenAI ด้วย Microsoft Entra ID

ถัดไป เปิด terminal และรัน az login --use-device-code เพื่อเข้าสู่บัญชี Azure ของคุณ

เมื่อคุณเข้าสู่ระบบแล้ว ให้เลือก subscription ของคุณใน terminal

Environment Variables เพิ่มเติม - Azure Search และ Azure OpenAI

สำหรับบทเรียน Agentic RAG - บทเรียนที่ 5 - มีตัวอย่างที่ใช้ Azure Search และ Azure OpenAI

หากคุณต้องการรันตัวอย่างเหล่านี้ คุณจะต้องเพิ่ม environment variables ต่อไปนี้ลงในไฟล์ .env ของคุณ:

หน้า Overview (โปรเจกต์)

• AZURE_SUBSCRIPTION_ID - ตรวจสอบ Project details ในหน้า Overview ของโปรเจกต์ของคุณ

• AZURE_AI_PROJECT_NAME - ดูที่ด้านบนของหน้า Overview สำหรับโปรเจกต์ของคุณ

• AZURE_OPENAI_SERVICE - พบในแท็บ Included capabilities สำหรับ Azure OpenAI Service ในหน้า Overview

Management Center

• AZURE_OPENAI_RESOURCE_GROUP - ไปที่ Project properties ในหน้า Overview ของ Management Center

• GLOBAL_LLM_SERVICE - ภายใต้ Connected resources ค้นหาชื่อการเชื่อมต่อ Azure AI Services หากไม่พบ ให้ตรวจสอบ Azure portal ใน resource group ของคุณสำหรับชื่อ resource AI Services

หน้า Models + Endpoints

• AZURE_OPENAI_EMBEDDING_DEPLOYMENT_NAME - เลือก embedding model ของคุณ (เช่น text-embedding-ada-002) และจดชื่อ Deployment name จากรายละเอียดของ model

• AZURE_OPENAI_CHAT_DEPLOYMENT_NAME - เลือก chat model ของคุณ (เช่น gpt-4o-mini) และจดชื่อ Deployment name จากรายละเอียดของ model

Azure Portal

• AZURE_OPENAI_ENDPOINT - ค้นหา Azure AI services คลิกที่มัน จากนั้นไปที่ Resource Management, Keys and Endpoint, เลื่อนลงไปที่ “Azure OpenAI endpoints” และคัดลอก endpoint ที่ระบุว่า “Language APIs”

• AZURE_OPENAI_API_KEY - จากหน้าจอเดียวกัน คัดลอก KEY 1 หรือ KEY 2

• AZURE_SEARCH_SERVICE_ENDPOINT - ค้นหา resource Azure AI Search ของคุณ คลิกที่มัน และดูที่ Overview

• AZURE_SEARCH_API_KEY - จากนั้นไปที่ Settings และ Keys เพื่อคัดลอก primary หรือ secondary admin key

หน้าเว็บภายนอก

• AZURE_OPENAI_API_VERSION - เยี่ยมชมหน้า API version lifecycle ภายใต้ Latest GA API release

ตั้งค่า keyless authentication

แทนที่จะ hardcode credentials ของคุณ เราจะใช้ keyless connection กับ Azure OpenAI ในการทำเช่นนั้น เราจะ import DefaultAzureCredential และเรียกฟังก์ชัน DefaultAzureCredential เพื่อรับ credential

from azure.identity import DefaultAzureCredential, InteractiveBrowserCredential

ติดปัญหาที่ไหนหรือเปล่า?

หากคุณมีปัญหาใดๆ ในการตั้งค่านี้ เข้าร่วม Azure AI Community Discord หรือ สร้าง issue

บทเรียนถัดไป

ตอนนี้คุณพร้อมที่จะรันโค้ดสำหรับคอร์สนี้แล้ว ขอให้สนุกกับการเรียนรู้เพิ่มเติมเกี่ยวกับโลกของ AI Agents!

Introduction to AI Agents and Agent Use Cases

---

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามนุษย์ที่มีความเชี่ยวชาญ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้

This site is open source. Improve this page.