ai-agents-for-beginners

การตั้งค่าหลักสูตร

บทนำ

บทเรียนนี้จะครอบคลุมวิธีการรันตัวอย่างโค้ดของหลักสูตรนี้

เข้าร่วมกับผู้เรียนอื่นและขอความช่วยเหลือ

ก่อนที่คุณจะเริ่มโคลนรีโปของคุณ เข้าร่วมที่ ช่อง Discord AI Agents For Beginners เพื่อขอความช่วยเหลือในการตั้งค่า คำถามเกี่ยวกับหลักสูตร หรือเชื่อมต่อกับผู้เรียนคนอื่น ๆ

โคลนหรือโฟร์กรูปรีโปนี้

เพื่อเริ่มต้น กรุณาโคลนหรือโฟร์กรูป GitHub Repository นี้ ซึ่งจะช่วยให้คุณมีเวอร์ชันของวัสดุหลักสูตรที่คุณสามารถรัน ทดสอบ และปรับแต่งโค้ดได้เอง!

คุณสามารถทำได้โดยคลิกที่ลิงก์ โฟร์กรูปรีโป

ตอนนี้คุณควรมีเวอร์ชันโฟร์กของหลักสูตรนี้ในลิงก์ดังต่อไปนี้:

โคลนแบบตื้น (แนะนำสำหรับเวิร์คช็อป / Codespaces)

รีโปเต็มสามารถมีขนาดใหญ่ (~3 GB) เมื่อคุณดาวน์โหลดประวัติทั้งหมดและไฟล์ทั้งหมด หากคุณเข้าร่วมแค่เวิร์คช็อปหรือแค่ต้องการโฟลเดอร์บทเรียนบางส่วน โคลนแบบตื้น (หรือโคลนแบบบางส่วน) จะช่วยหลีกเลี่ยงการดาวน์โหลดส่วนใหญ่นั้นโดยลดขนาดประวัติและ/หรือข้ามบล็อบบางส่วน

โคลนแบบตื้นอย่างรวดเร็ว — ประวัติน้อยที่สุด ไฟล์ทั้งหมด

แทนที่ <your-username> ในคำสั่งด้านล่างด้วย URL ของโฟร์กของคุณ (หรือ URL แหล่งต้นทางหากคุณต้องการ)

เพื่อโคลนประวัติการคอมมิตล่าสุดเท่านั้น (ดาวน์โหลดขนาดเล็ก):

git clone --depth 1 https://github.com/<your-username>/ai-agents-for-beginners.git

เพื่อโคลนเฉพาะสาขาที่ระบุ:

git clone --depth 1 --branch <branch-name> https://github.com/<your-username>/ai-agents-for-beginners.git

โคลนแบบบางส่วน (sparse) — บล็อบน้อยที่สุด + โฟลเดอร์ที่เลือกเท่านั้น

ใช้การโคลนแบบบางส่วนและ sparse-checkout (ต้องใช้ Git 2.25+ และแนะนำให้ใช้ Git รุ่นใหม่ที่รองรับการโคลนแบบบางส่วน):

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

เข้าสู่โฟลเดอร์รีโป:

cd ai-agents-for-beginners

จากนั้นระบุโฟลเดอร์ที่คุณต้องการ (ตัวอย่างด้านล่างแสดงสองโฟลเดอร์):

git sparse-checkout set 00-course-setup 01-intro-to-ai-agents

หลังโคลนและยืนยันไฟล์แล้ว หากคุณต้องการเฉพาะไฟล์และต้องการเพิ่มพื้นที่ว่าง (ไม่มีประวัติ git) กรุณาลบเมตาดาต้ารีโป (💀ไม่สามารถย้อนกลับ — คุณจะสูญเสียการใช้งาน Git ทั้งหมด: ไม่มีคอมมิต, ดึง, ส่ง, หรือเข้าถึงประวัติ)

# zsh/bash
rm -rf .git

# PowerShell
Remove-Item -Recurse -Force .git

การใช้ GitHub Codespaces (แนะนำเพื่อหลีกเลี่ยงการดาวน์โหลดขนาดใหญ่ในเครื่อง)

• สร้าง Codespace ใหม่สำหรับรีโปนี้ผ่าน GitHub UI.

• ในเทอร์มินัลของ Codespace ที่สร้างขึ้นใหม่ ให้รันคำสั่งโคลนแบบตื้น/แบบบางส่วนที่กล่าวข้างต้นเพื่อนำเฉพาะโฟลเดอร์บทเรียนที่คุณต้องการเข้าสู่พื้นที่ทำงานของ Codespace.
• ตัวเลือก: หลังโคลนใน Codespaces ให้ลบ .git เพื่อเรียกคืนพื้นที่เพิ่มเติม (ดูคำสั่งลบด้านบน).
• หมายเหตุ: หากคุณต้องการเปิดรีโปโดยตรงใน Codespaces (โดยไม่โคลนเพิ่ม) โปรดทราบว่า Codespaces จะสร้างสภาพแวดล้อม devcontainer และอาจเตรียมชุดมากกว่าที่คุณต้องการ การโคลนสำเนาแบบตื้นภายใน Codespace ใหม่จะให้คุณควบคุมการใช้พื้นที่ดิสก์ได้มากขึ้น

เคล็ดลับ

• แทนที่ URL โคลนด้วยโฟร์กของคุณเสมอหากต้องการแก้ไข/คอมมิต
• หากคุณต้องการประวัติหรือไฟล์เพิ่มภายหลัง คุณสามารถดึงหรือปรับ sparse-checkout เพื่อรวมโฟลเดอร์เพิ่มเติมได้

การรันโค้ด

หลักสูตรนี้มีชุด Jupyter Notebooks ที่คุณสามารถรันเพื่อประสบการณ์การสร้าง AI Agents ด้วยตัวเอง

ตัวอย่างโค้ดใช้ Microsoft Agent Framework (MAF) กับ AzureAIProjectAgentProvider ซึ่งเชื่อมต่อกับ Azure AI Agent Service V2 (API ตอบกลับ) ผ่าน Microsoft Foundry

โน้ตบุ๊ค Python ทั้งหมดจะมีป้ายชื่อ *-python-agent-framework.ipynb

ความต้องการ

• Python 3.12+

  • หมายเหตุ: หากคุณยังไม่มี Python3.12 ติดตั้ง ให้ติดตั้งก่อน แล้วสร้าง venv ด้วย python3.12 เพื่อให้แน่ใจว่าจะติดตั้งเวอร์ชันที่ถูกต้องจากไฟล์ requirements.txt

    ตัวอย่าง

    สร้างไดเรกทอรี Python venv:

    python -m venv venv
    

    จากนั้นเปิดใช้งานสภาพแวดล้อม venv สำหรับ:

    # zsh/bash
    source venv/bin/activate
    

    # Command Prompt for Windows
    venv\Scripts\activate
    

• .NET 10+: สำหรับโค้ดตัวอย่างที่ใช้ .NET ให้ติดตั้ง .NET 10 SDK หรือเวอร์ชันที่ใหม่กว่า แล้วตรวจสอบเวอร์ชัน SDK ที่ติดตั้ง:

    dotnet --list-sdks
  

• Azure CLI — จำเป็นสำหรับการยืนยันตัวตน ติดตั้งจาก aka.ms/installazurecli
• Azure Subscription — เพื่อเข้าถึง Microsoft Foundry และ Azure AI Agent Service
• โครงการ Microsoft Foundry — โครงการที่มีโมเดลเผยแพร่ (เช่น gpt-4o) ดู ขั้นตอนที่ 1 ด้านล่าง

เราได้รวมไฟล์ requirements.txt ไว้ในโฟลเดอร์รูทของรีโปนี้ ซึ่งมีแพ็คเกจ Python ที่จำเป็นทั้งหมดสำหรับรันตัวอย่างโค้ด

คุณสามารถติดตั้งโดยรันคำสั่งต่อไปนี้ในเทอร์มินัลที่รูทรีโป:

pip install -r requirements.txt

เราแนะนำให้สร้างสภาพแวดล้อมเสมือน Python เพื่อป้องกันข้อขัดแย้งและปัญหา

ตั้งค่า VSCode

ตรวจสอบให้แน่ใจว่าคุณใช้เวอร์ชัน Python ที่ถูกต้องใน VSCode

การตั้งค่า Microsoft Foundry และ Azure AI Agent Service

ขั้นตอนที่ 1: สร้างโครงการ Microsoft Foundry

คุณจำเป็นต้องมี Azure AI Foundry hub และ project พร้อมโมเดลที่เผยแพร่ เพื่อรันโน้ตบุ๊ค

1. ไปที่ ai.azure.com และเข้าสู่ระบบด้วยบัญชี Azure ของคุณ
2. สร้าง hub (หรือใช้ที่มีอยู่แล้ว) ดูที่: ภาพรวมทรัพยากร Hub
3. ใน hub สร้าง project
4. เผยแพร่โมเดล (เช่น gpt-4o) จาก Models + Endpoints → Deploy model

ขั้นตอนที่ 2: ดึง Endpoint โครงการและชื่อการเผยแพร่โมเดล

จากโครงการในพอร์ทัล Microsoft Foundry:

• Project Endpoint — ไปที่หน้า Overview และคัดลอก URL endpoint

• Model Deployment Name — ไปที่ Models + Endpoints, เลือกโมเดลที่เผยแพร่ และบันทึก Deployment name (เช่น gpt-4o)

ขั้นตอนที่ 3: ลงชื่อเข้าใช้ Azure ด้วย az login

โน้ตบุ๊คทุกตัวใช้ AzureCliCredential สำหรับการยืนยันตัวตน — ไม่มีการจัดการกับ API keys แต่อย่างใด ซึ่งคุณจำเป็นต้องลงชื่อเข้าใช้ผ่าน Azure CLI

1. ติดตั้ง Azure CLI หากคุณยังไม่มี: aka.ms/installazurecli

2. ลงชื่อเข้าใช้ โดยรันคำสั่ง:

    az login
   

   หรือถ้าคุณอยู่ในสภาพแวดล้อมระยะไกล / Codespace ที่ไม่มีเบราว์เซอร์:

    az login --use-device-code
   

3. เลือก subscription หากถาม — เลือกตัวที่มีโครงการ Foundry ของคุณ

4. ตรวจสอบ การเข้าสู่ระบบของคุณ:

    az account show
   

ทำไมต้องใช้ az login? โน้ตบุ๊คยืนยันตัวตนด้วย AzureCliCredential จากแพ็คเกจ azure-identity ซึ่งหมายความว่าเซสชัน Azure CLI ของคุณจะเป็นตัวให้สิทธิ์ — ไม่ต้องใช้ API keys หรือความลับในไฟล์ .env นี่คือ แนวปฏิบัติด้านความปลอดภัยที่ดีที่สุด

ขั้นตอนที่ 4: สร้างไฟล์ .env ของคุณ

คัดลอกไฟล์ตัวอย่าง:

# zsh/bash
cp .env.example .env

# PowerShell
Copy-Item .env.example .env

เปิดไฟล์ .env และกรอกสองค่าต่อไปนี้:

AZURE_AI_PROJECT_ENDPOINT=https://<your-project>.services.ai.azure.com/api/projects/<your-project-id>
AZURE_AI_MODEL_DEPLOYMENT_NAME=gpt-4o

ตัวแปร	ที่หาค่าได้
AZURE_AI_PROJECT_ENDPOINT	พอร์ทัล Foundry → โครงการของคุณ → หน้า Overview
AZURE_AI_MODEL_DEPLOYMENT_NAME	พอร์ทัล Foundry → Models + Endpoints → ชื่อการเผยแพร่โมเดลของคุณ

เท่านี้สำหรับหลายบทเรียน! โน้ตบุ๊คจะยืนยันตัวตนโดยอัตโนมัติผ่านเซสชัน az login ของคุณ

ขั้นตอนที่ 5: ติดตั้ง Dependencies ของ Python

pip install -r requirements.txt

เราแนะนำให้รันคำสั่งนี้ภายในสภาพแวดล้อมเสมือนที่คุณสร้างไว้ก่อนหน้านี้

การตั้งค่าเพิ่มเติมสำหรับบทเรียนที่ 5 (Agentic RAG)

บทเรียน 5 ใช้ Azure AI Search สำหรับการสร้างแบบมีการเสริมการค้นคืน หากคุณตั้งใจจะรันบทเรียนนั้น ให้เพิ่มตัวแปรเหล่านี้ในไฟล์ .env ของคุณ:

ตัวแปร	ที่หาค่าได้
AZURE_SEARCH_SERVICE_ENDPOINT	พอร์ทัล Azure → แหล่งทรัพยากร Azure AI Search ของคุณ → Overview → URL
AZURE_SEARCH_API_KEY	พอร์ทัล Azure → แหล่งทรัพยากร Azure AI Search ของคุณ → Settings → Keys → คีย์แอดมินหลัก

การตั้งค่าเพิ่มเติมสำหรับบทเรียนที่ 6 และ 8 (GitHub Models)

โน้ตบุ๊คบางส่วนในบทเรียนที่ 6 และ 8 ใช้ GitHub Models แทน Azure AI Foundry หากคุณตั้งใจจะรันตัวอย่างเหล่านั้น ให้เพิ่มตัวแปรเหล่านี้ในไฟล์ .env ของคุณ:

ตัวแปร	ที่หาค่าได้
GITHUB_TOKEN	GitHub → Settings → Developer settings → Personal access tokens
GITHUB_ENDPOINT	ใช้ https://models.inference.ai.azure.com (ค่าปริยาย)
GITHUB_MODEL_ID	ชื่อโมเดลที่ใช้ (เช่น gpt-4o-mini)

การตั้งค่าเพิ่มเติมสำหรับบทเรียนที่ 8 (Bing Grounding Workflow)

โน้ตบุ๊คเวิร์กโฟลว์เงื่อนไขในบทเรียนที่ 8 ใช้ Bing grounding ผ่าน Azure AI Foundry หากคุณตั้งใจจะรันตัวอย่างนี้ ให้เพิ่มตัวแปรนี้ในไฟล์ .env ของคุณ:

ตัวแปร	ที่หาค่าได้
BING_CONNECTION_ID	พอร์ทัล Azure AI Foundry → โครงการของคุณ → Management → Connected resources → การเชื่อมต่อ Bing ของคุณ → คัดลอก ID การเชื่อมต่อ

การแก้ไขปัญหา

ข้อผิดพลาดการตรวจสอบใบรับรอง SSL บน macOS

ถ้าคุณใช้ macOS แล้วพบข้อผิดพลาดแบบนี้:

ssl.SSLCertVerificationError: [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed: self-signed certificate in certificate chain

นี่คือปัญหาที่ทราบของ Python บน macOS ที่ใบรับรอง SSL ของระบบไม่ถูกไว้วางใจโดยอัตโนมัติ ลองวิธีแก้ไขต่อไปนี้ตามลำดับ:

ตัวเลือก 1: รันสคริปต์ติดตั้งใบรับรองของ Python (แนะนำ)

# แทนที่ 3.XX ด้วยเวอร์ชัน Python ที่คุณติดตั้ง (เช่น 3.12 หรือ 3.13):
/Applications/Python\ 3.XX/Install\ Certificates.command

ตัวเลือก 2: ใช้ connection_verify=False ในโน้ตบุ๊คของคุณ (ใช้เฉพาะกับโน้ตบุ๊ค GitHub Models เท่านั้น)

ในโน้ตบุ๊คบทเรียน 6 (06-building-trustworthy-agents/code_samples/06-system-message-framework.ipynb) มีวิธีแก้ไขที่คอมเมนต์ไว้แล้ว เพียงเอาคอมเมนต์ออกที่ connection_verify=False เมื่อสร้างไคลเอนต์:

client = ChatCompletionsClient(
    endpoint=endpoint,
    credential=AzureKeyCredential(token),
    connection_verify=False,  # ปิดการตรวจสอบ SSL หากคุณพบข้อผิดพลาดของใบรับรอง
)

⚠️ คำเตือน: การปิดใช้งานการตรวจสอบ SSL (connection_verify=False) จะลดความปลอดภัยโดยการข้ามการตรวจสอบใบรับรอง ใช้วิธีนี้เฉพาะในสภาพแวดล้อมการพัฒนาชั่วคราวเท่านั้น ห้ามใช้ในระบบโปรดัคชัน

ตัวเลือก 3: ติดตั้งและใช้ truststore

pip install truststore

จากนั้นเพิ่มบรรทัดนี้ไว้บนสุดของโน้ตบุ๊คหรือสคริปต์ของคุณก่อนเรียกการเชื่อมต่อเครือข่ายใด ๆ:

import truststore
truststore.inject_into_ssl()

ติดขัดที่ไหน?

ถ้าคุณมีปัญหาในการรันการตั้งค่านี้ เข้าร่วมใน Azure AI Community Discord หรือ สร้างปัญหา

บทเรียนถัดไป

ตอนนี้คุณพร้อมที่จะรันโค้ดสำหรับหลักสูตรนี้แล้ว ขอให้สนุกกับการเรียนรู้เพิ่มเติมเกี่ยวกับโลกของ AI Agents!

บทนำสู่ AI Agents และกรณีการใช้งาน Agent

---

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษาอัตโนมัติ Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความคลาดเคลื่อน เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่มีความสำคัญ แนะนำให้ใช้บริการแปลโดยมืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดที่เกิดจากการใช้การแปลนี้

This site is open source. Improve this page.