ai-agents-for-beginners

การตั้งค่าหลักสูตร

บทนำ

บทเรียนนี้จะครอบคลุมวิธีการรันตัวอย่างโค้ดของหลักสูตรนี้

ร่วมกับผู้เรียนคนอื่น ๆ และรับความช่วยเหลือ

ก่อนที่คุณจะเริ่มโคลนรีโปของคุณ เข้าร่วม ช่อง Discord AI Agents For Beginners เพื่อขอความช่วยเหลือเกี่ยวกับการตั้งค่า คำถามใด ๆ เกี่ยวกับหลักสูตร หรือเพื่อเชื่อมต่อกับผู้เรียนคนอื่น ๆ

โคลนหรือฟอร์กรีโปนี้

เพื่อเริ่มต้น กรุณาโคลนหรือฟอร์ก GitHub Repository นี้ จะทำให้คุณมีเวอร์ชันของเนื้อหาหลักสูตรนั้นเป็นของตัวเอง เพื่อให้คุณสามารถรัน ทดสอบ และปรับแต่งโค้ดได้!

คุณสามารถทำได้โดยคลิกที่ลิงก์ ฟอร์กรีโป

ตอนนี้คุณควรมีเวอร์ชันฟอร์กของหลักสูตรนี้อยู่ที่ลิงก์ต่อไปนี้:

โคลนแบบตื้น ๆ (แนะนำสำหรับ workshop / Codespaces)

รีโปเต็มอาจมีขนาดใหญ่ (~3 GB) เมื่อคุณดาวน์โหลดประวัติทั้งหมดและไฟล์ทั้งหมด หากคุณเข้าร่วมเฉพาะเวิร์กช็อปหรือเพียงแค่ต้องการโฟลเดอร์บทเรียนบางส่วน โคลนแบบตื้น ๆ (หรือโคลนแบบระยะห่าง) จะช่วยหลีกเลี่ยงการดาวน์โหลดส่วนใหญ่โดยการตัดประวัติหรือข้ามบล็อบบางส่วน

โคลนตื้นอย่างรวดเร็ว — ประวัติน้อยที่สุด ไฟล์ทั้งหมด

แทนที่ <your-username> ในคำสั่งด้านล่างด้วย URL ฟอร์กของคุณ (หรือ URL ต้นทางถ้าคุณต้องการ)

เพื่อโคลนเฉพาะประวัติการคอมมิตล่าสุด (ดาวน์โหลดขนาดเล็ก):

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

เพื่อโคลนสาขาที่เฉพาะ:

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

โคลนบางส่วน (sparse) — บล็อบน้อยที่สุด + เฉพาะโฟลเดอร์ที่เลือก

นี้ใช้โคลนบางส่วนและ sparse-checkout (ต้องใช้ Git 2.25+ และแนะนำให้ใช้ Git รุ่นใหม่ที่รองรับโคลนบางส่วน):

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

เข้าไปยังโฟลเดอร์รีโป:

cd ai-agents-for-beginners

จากนั้นระบุว่าโฟลเดอร์ใดที่คุณต้องการ (ตัวอย่างด้านล่างแสดงสองโฟลเดอร์):

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

หลังจากโคลนและตรวจสอบไฟล์แล้ว หากคุณต้องการเฉพาะไฟล์และต้องการเพิ่มพื้นที่ว่าง (ไม่มีประวัติ Git) กรุณาลบเมตาดาทารีโป (💀ไม่สามารถย้อนกลับ — คุณจะสูญเสียความสามารถ Git ทั้งหมด: ไม่มีคอมมิต, ดึง, ผลัก หรือเข้าถึงประวัติ)

# zsh/bash
rm -rf .git

# พาวเวอร์เชลล์
Remove-Item -Recurse -Force .git

ใช้ GitHub Codespaces (แนะนำเพื่อหลีกเลี่ยงการดาวน์โหลดขนาดใหญ่ในเครื่อง)

• สร้าง Codespace ใหม่สำหรับรีโปนี้ผ่าน GitHub UI

• ในเทอร์มินัลของ Codespace ที่สร้างใหม่ รันคำสั่ง shallow/sparse clone ด้านบนเพื่อดึงเฉพาะโฟลเดอร์บทเรียนที่คุณต้องการเข้าสู่พื้นที่ทำงานของ Codespace
• ตัวเลือก: หลังจากโคลนใน Codespaces แล้ว ลบ .git เพื่อคืนพื้นที่ว่างเพิ่ม (ดูคำสั่งลบด้านบน)
• หมายเหตุ: หากคุณต้องการเปิดรีโปโดยตรงใน Codespaces (โดยไม่ต้องโคลนเพิ่ม) ให้ทราบว่า Codespaces จะสร้างสภาพแวดล้อม devcontainer และอาจติดตั้งมากกว่าที่คุณต้องการ การโคลนแบบตื้นใน Codespace ใหม่จะให้คุณควบคุมการใช้งานดิสก์ได้มากขึ้น

เคล็ดลับ

• แทนที่ URL โคลนด้วยฟอร์กของคุณเสมอหากคุณต้องการแก้ไข/คอมมิต
• หากคุณต้องการประวัติหรือไฟล์เพิ่มในภายหลัง คุณสามารถดึงข้อมูลหรือปรับ sparse-checkout เพื่อรวมโฟลเดอร์เพิ่มเติมได้

การรันโค้ด

หลักสูตรนี้มีชุด Jupyter Notebooks เพื่อให้คุณได้ฝึกปฏิบัติสร้าง AI Agents

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

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

ความต้องการ

• Python 3.12+

  • หมายเหตุ: หากคุณยังไม่มี Python3.12 ติดตั้ง กรุณาติดตั้งก่อน จากนั้นสร้าง venv โดยใช้ 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+: สำหรับตัวอย่างโค้ดที่ใช้ .NET ให้แน่ใจว่าคุณติดตั้ง .NET 10 SDK หรือเวอร์ชันใหม่กว่า จากนั้นตรวจสอบเวอร์ชัน .NET SDK ที่ติดตั้ง:

    dotnet --list-sdks
  

• Azure CLI — จำเป็นสำหรับการตรวจสอบสิทธิ์ ติดตั้งได้ที่ aka.ms/installazurecli
• Subscription ของ Azure — เพื่อเข้าถึง Microsoft Foundry และ Azure AI Agent Service
• โปรเจกต์ Microsoft Foundry — โปรเจกต์ที่มีโมเดลที่ปรับใช้แล้ว (เช่น gpt-4o) ดูที่ ขั้นตอนที่ 1 ข้างล่าง

เราได้รวมไฟล์ requirements.txt ไว้ที่โฟลเดอร์หลักของรีโปนี้ ซึ่งมีแพ็กเกจ Python ที่จำเป็นทั้งหมดสำหรับรันตัวอย่างโค้ด

คุณสามารถติดตั้งได้โดยรันคำสั่งต่อไปนี้ในเทอร์มินัลที่โฟลเดอร์หลักของรีโป:

pip install -r requirements.txt

เราแนะนำให้สร้างสภาพแวดล้อม Python แบบเสมือนเพื่อหลีกเลี่ยงข้อขัดแย้งหรือปัญหา

ตั้งค่า VSCode

ตรวจสอบให้แน่ใจว่าคุณใช้เวอร์ชัน Python ที่ถูกต้องใน VSCode

ตั้งค่า Microsoft Foundry และ Azure AI Agent Service

ขั้นตอนที่ 1: สร้างโปรเจกต์ Microsoft Foundry

คุณต้องมี Azure AI Foundry hub และ project พร้อมโมเดลที่ปรับใช้แล้วเพื่อรันโน้ตบุ๊ค

1. เข้าสู่ ai.azure.com และลงชื่อเข้าใช้ด้วยบัญชี Azure ของคุณ
2. สร้าง hub (หรือใช้ที่มีอยู่แล้ว) ดู: Hub resources overview
3. ใน hub สร้าง project
4. ปรับใช้โมเดล (เช่น gpt-4o) จาก Models + Endpoints → Deploy model

ขั้นตอนที่ 2: ดึง Endpoint โปรเจกต์และชื่อการปรับใช้โมเดลของคุณ

จากโปรเจกต์ของคุณในพอร์ทัล Microsoft Foundry:

• Project Endpoint — ไปที่หน้าสรุปภาพรวม (Overview) และคัดลอก URL endpoint

• ชื่อการปรับใช้โมเดล — ไปที่ Models + Endpoints เลือกโมเดลที่ปรับใช้ แล้วจดชื่อ Deployment name (เช่น gpt-4o)

ขั้นตอนที่ 3: ลงชื่อเข้าใช้ Azure ด้วย az login

โน้ตบุ๊คทั้งหมดใช้ AzureCliCredential สำหรับการยืนยันตัวตน — ไม่มีคีย์ API ให้จัดการ ซึ่งต้องให้คุณลงชื่อผ่าน Azure CLI

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

2. ลงชื่อเข้าใช้ ด้วยคำสั่ง:

    az login
   

   หรือถ้าคุณอยู่ในสภาพแวดล้อมระยะไกล/Codespace ที่ไม่มีเบราว์เซอร์:

    az login --use-device-code
   

3. เลือก subscription หากระบบถาม — เลือก subscription ที่มีโปรเจกต์ Foundry ของคุณ

4. ตรวจสอบ ว่าคุณลงชื่อเข้าใช้แล้ว:

    az account show
   

ทำไมต้อง az login? โน้ตบุ๊คจะยืนยันตัวตนด้วย AzureCliCredential จากแพ็กเกจ azure-identity หมายความว่าเซสชัน Azure CLI ของคุณจะจัดการข้อมูลรับรองโดยตรง — ไม่มีคีย์ API หรือความลับในไฟล์ .env ซึ่งเป็น แนวปฏิบัติด้านความปลอดภัยที่ดีที่สุด

ขั้นตอนที่ 4: สร้างไฟล์ .env ของคุณ

คัดลอกไฟล์ตัวอย่าง:

# zsh/bash
cp .env.example .env

# PowerShell
Copy-Item .env.example .env

เปิด .env และกรอกค่าต่อไปนี้:

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

ตัวแปร	หาได้ที่ไหน
AZURE_AI_PROJECT_ENDPOINT	พอร์ทัล Foundry → โปรเจกต์ของคุณ → หน้า Overview
AZURE_AI_MODEL_DEPLOYMENT_NAME	พอร์ทัล Foundry → Models + Endpoints → ชื่อโมเดลที่ปรับใช้

ก็ครบสำหรับบทเรียนส่วนใหญ่! โน้ตบุ๊คจะยืนยันตัวตนโดยอัตโนมัติผ่านเซสชัน az login ของคุณ

ขั้นตอนที่ 5: ติดตั้ง Dependencies ของ Python

pip install -r requirements.txt

เราแนะนำให้รันนี้ภายในสภาพแวดล้อมเสมือนที่คุณสร้างไว้ก่อนหน้า

การตั้งค่าเพิ่มเติมสำหรับบทเรียน 5 (Agentic RAG)

บทเรียน 5 ใช้ Azure AI Search สำหรับการรวมข้อมูลเสริมการสร้าง หากคุณวางแผนจะรันบทเรียนนั้น ให้เพิ่มตัวแปรเหล่านี้ในไฟล์ .env ของคุณ:

ตัวแปร	หาได้ที่ไหน
AZURE_SEARCH_SERVICE_ENDPOINT	พอร์ทัล Azure → ทรัพยากร Azure AI Search ของคุณ → Overview → URL
AZURE_SEARCH_API_KEY	พอร์ทัล Azure → ทรัพยากร Azure AI Search ของคุณ → Settings → Keys → คีย์แอดมินหลัก

การตั้งค่าเพิ่มเติมสำหรับบทเรียน 6 และ 8 (GitHub Models)

โน้ตบุ๊คบางส่วนในบทเรียน 6 และ 8 ใช้ GitHub Models แทน Azure AI Foundry หากคุณจะรันตัวอย่างเหล่านั้น ให้เพิ่มตัวแปรเหล่านี้ในไฟล์ .env ของคุณ:

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

ผู้ให้บริการทางเลือก: MiniMax (เข้ากันได้กับ OpenAI)

MiniMax ให้บริการโมเดลขนาดบริบทใหญ่ (สูงสุด 204K โทเคน) ผ่าน API ที่เข้ากันได้กับ OpenAI เนื่องจาก Microsoft Agent Framework OpenAIChatClient ทำงานกับ endpoint ที่เข้ากันได้กับ OpenAI คุณจึงสามารถใช้ MiniMax เป็นทางเลือกแทน GitHub Models หรือ OpenAI ได้โดยตรง

เพิ่มตัวแปรเหล่านี้ในไฟล์ .env ของคุณ:

ตัวแปร	หาได้ที่ไหน
MINIMAX_API_KEY	MiniMax Platform → API Keys
MINIMAX_BASE_URL	ใช้ https://api.minimax.io/v1 (ค่าเริ่มต้น)
MINIMAX_MODEL_ID	ชื่อโมเดลที่ใช้ (เช่น MiniMax-M2.7)

โมเดลที่ใช้ได้: MiniMax-M2.7 (แนะนำ), MiniMax-M2.7-highspeed (ตอบสนองเร็วขึ้น)

ตัวอย่างโค้ดที่ใช้ OpenAIChatClient (เช่น บทเรียน 14 โฟลว์การจองโรงแรม) จะตรวจจับและใช้การตั้งค่า MiniMax อัตโนมัติเมื่อมีการตั้งค่า MINIMAX_API_KEY

การตั้งค่าเพิ่มเติมสำหรับบทเรียน 8 (โฟลว์การทำงานของ Bing Grounding)

โน้ตบุ๊คโฟลว์เชิงเงื่อนไขในบทเรียน 8 ใช้ Bing grounding ผ่าน Azure AI Foundry หากคุณจะรันตัวอย่างนี้ ให้เพิ่มตัวแปรนี้ในไฟล์ .env ของคุณ:

ตัวแปร	หาได้ที่ไหน
BING_CONNECTION_ID	พอร์ทัล Azure AI Foundry → โปรเจกต์ของคุณ → Management → Connected resources → การเชื่อมต่อ Bing ของคุณ → คัดลอก connection ID

การแก้ไขปัญหา

ข้อผิดพลาดการตรวจสอบใบรับรอง SSL บน macOS

หากคุณใช้ macOS แล้วพบข้อผิดพลาดแบบนี้:

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

นี่เป็นปัญหาที่ทราบกันใน Python บน macOS ซึ่งใบรับรอง SSL ของระบบไม่ถูกเชื่อถือโดยอัตโนมัติ ลองแก้ไขตามลำดับนี้:

ตัวเลือกที่ 1: รันสคริปต์ติดตั้งใบรับรองของ Python (แนะนำ)

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

ตัวเลือกที่ 2: ใช้ connection_verify=False ในโน้ตบุ๊คของคุณ (สำหรับโน้ตบุ๊ค GitHub Models เท่านั้น)

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

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

⚠️ คำเตือน: การปิดการตรวจสอบ SSL (connection_verify=False) ลดความปลอดภัยโดยข้ามการตรวจสอบใบรับรอง ใช้เฉพาะเป็นการแก้ปัญหาชั่วคราวในสภาพแวดล้อมการพัฒนาเท่านั้น ห้ามใช้ในงานจริง

ตัวเลือกที่ 3: ติดตั้งและใช้ truststore

pip install truststore

จากนั้นเพิ่มโค้ดนี้ไว้ด้านบนของโน้ตบุ๊คหรือสคริปต์ก่อนเรียกใช้งานเครือข่ายใด ๆ:

import truststore
truststore.inject_into_ssl()

ติดขัดตรงไหน?

หากคุณมีปัญหาในการรันการตั้งค่านี้ โปรดเข้าร่วมใน Azure AI Community Discord หรือ สร้างปัญหา (issue)

บทเรียนถัดไป

คุณพร้อมแล้วที่จะรันโค้ดสำหรับหลักสูตรนี้ ขอให้สนุกกับการเรียนรู้เพิ่มเติมเกี่ยวกับโลกของ AI Agents!

บทนำสู่ AI Agents และกรณีการใช้งาน Agent

---

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษาด้วย AI Co-op Translator แม้เราจะพยายามให้ความถูกต้องสูงสุด โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นฉบับถือเป็นแหล่งข้อมูลที่เชื่อถือได้ ในกรณีข้อมูลสำคัญ แนะนำให้ใช้บริการแปลโดยมนุษย์มืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่คลาดเคลื่อนใดๆ ที่เกิดจากการใช้การแปลนี้

This site is open source. Improve this page.