ai-agents-for-beginners

การตั้งค่าคอร์ส

บทนำ

บทเรียนนี้จะครอบคลุมวิธีการรันตัวอย่างโค้ดของคอร์สนี้

เข้าร่วมกับผู้เรียนคนอื่นและรับความช่วยเหลือ

ก่อนที่คุณจะเริ่มโคลนรีโปของคุณ เข้าร่วม AI Agents For Beginners Discord channel เพื่อรับความช่วยเหลือเกี่ยวกับการตั้งค่า คำถามเกี่ยวกับคอร์ส หรือเพื่อเชื่อมต่อกับผู้เรียนคนอื่น ๆ

โคลนหรือฟอร์ครีโปนี้

เริ่มต้นโดยการโคลนหรือฟอร์คที่ GitHub Repository นี้ ซึ่งจะสร้างเวอร์ชันของตัวเองของเนื้อหาคอร์สเพื่อให้คุณสามารถรัน ทดสอบ และปรับแต่งโค้ดได้!

คุณสามารถทำได้โดยคลิกที่ลิงก์นี้ ฟอร์ครรีโป

ตอนนี้คุณควรมีเวอร์ชันที่ฟอร์คของคอร์สนี้ในลิงก์ต่อไปนี้:

โคลนแบบตื้น (แนะนำสำหรับเวิร์กช็อป / Codespaces)

รีโปเต็มอาจมีขนาดใหญ่ (~3 GB) เมื่อคุณดาวน์โหลดประวัติและไฟล์ทั้งหมด หากคุณแค่เข้าร่วมเวิร์กช็อปหรือแค่ต้องการโฟลเดอร์บทเรียนบางส่วน โคลนแบบตื้น (หรือโคลนแบบห่าง) จะช่วยหลีกเลี่ยงการดาวน์โหลดส่วนใหญ่โดยตัดประวัติและ/หรือข้ามบาง blob

โคลนแบบตื้นอย่างรวดเร็ว — ประวัติน้อยที่สุด ไฟล์ครบถ้วน

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

เพื่อโคลนแค่ประวัติการคอมมิทล่าสุด (ดาวน์โหลดขนาดเล็ก):

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

เพื่อโคลนสาขาเฉพาะ:

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

โคลนแบบบางส่วน (sparse) — blobs น้อยที่สุด + เฉพาะโฟลเดอร์ที่เลือก

วิธีนี้ใช้การโคลนแบบบางส่วนและ sparse-checkout (ต้องใช้ Git 2.25+ และแนะนำให้ใช้ Git รุ่นใหม่ที่รองรับโคลนแบบบางส่วน):

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

เข้าไปในโฟลเดอร์รีโป:

cd ai-agents-for-beginners

จากนั้นระบุโฟลเดอร์ที่คุณต้องการ (ตัวอย่างด้านล่างแสดงสองโฟลเดอร์):

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

หลังจากโคลนและตรวจสอบไฟล์แล้ว หากคุณต้องการแค่ไฟล์และต้องการเคลียร์พื้นที่ (ไม่มีประวัติ git) กรุณาลบเมตาดาต้าของรีโป (💀ไม่สามารถย้อนกลับ — คุณจะสูญเสียฟังก์ชันทั้งหมดของ Git: ไม่มีคอมมิท, ดึง, ผลัก, หรือเข้าถึงประวัติ)

# zsh/bash
rm -rf .git

# พาวเวอร์เชลล์
Remove-Item -Recurse -Force .git

การใช้ GitHub Codespaces (แนะนำเพื่อหลีกเลี่ยงการดาวน์โหลดขนาดใหญ่ในเครื่อง)

• สร้าง Codespace ใหม่สำหรับรีโปนี้ผ่าน GitHub UI

• ในเทอร์มินัลของ Codespace ที่สร้างใหม่ รันคำสั่งโคลนแบบตื้น/บางส่วนด้านบนเพื่อดึงแค่โฟลเดอร์บทเรียนที่คุณต้องการเข้าไปใน workspace ของ Codespace
• เป็นทางเลือก: หลังจากโคลนใน Codespaces แล้ว ลบ .git เพื่อเรียกคืนพื้นที่เพิ่มเติม (ดูคำสั่งลบด้านบน)
• หมายเหตุ: หากคุณต้องการเปิดรีโปตรงใน Codespaces (โดยไม่ต้องโคลนเพิ่ม) โปรดทราบว่า Codespaces จะสร้างสภาพแวดล้อม devcontainer และอาจติดตั้งมากกว่าที่คุณต้องการ การโคลนแบบตื้นภายใน Codespace ใหม่ช่วยให้คุณควบคุมการใช้ดิสก์ได้มากกว่า

เคล็ดลับ

• แทนที่ URL โคลนด้วยฟอร์คของคุณเสมอถ้าคุณต้องการแก้ไข/คอมมิท
• หากคุณต้องการประวัติหรือไฟล์เพิ่มเติมในภายหลัง คุณสามารถดึงมาได้ หรือปรับ sparse-checkout เพื่อเพิ่มโฟลเดอร์เพิ่มเติม

การรันโค้ด

คอร์สนี้มีชุด Jupyter Notebooks ที่คุณสามารถรันเพื่อฝึกปฏิบัติการสร้าง AI Agents

ตัวอย่างโค้ดใช้ Microsoft Agent Framework (MAF) กับ FoundryChatClient ที่เชื่อมต่อกับ Microsoft Foundry Agent Service V2 (Responses API) ผ่าน Microsoft Foundry

โน้ตบุ๊ก Python ทั้งหมดจะติดป้ายชื่อ *-python-agent-framework.ipynb

ความต้องการ

• Python 3.12+

  • หมายเหตุ: หากคุณยังไม่มี Python3.12 ติดตั้ง กรุณาติดตั้งก่อนแล้วสร้าง venv ของคุณโดยใช้ python3.12 เพื่อให้แน่ใจว่าติดตั้งเวอร์ชันที่ถูกต้องจากไฟล์ 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 หรือเวอร์ชันใหม่กว่า จากนั้นตรวจสอบเวอร์ชัน .NET SDK ที่ติดตั้ง:

    dotnet --list-sdks
  

• Azure CLI — จำเป็นสำหรับการยืนยันตัวตน ติดตั้งจาก aka.ms/installazurecli
• การสมัคร Azure — เพื่อเข้าถึง Microsoft Foundry และ Microsoft Foundry Agent Service
• โปรเจกต์ Microsoft Foundry — โปรเจกต์ที่มีโมเดลปรับใช้แล้ว (เช่น gpt-5-mini) ดูเพิ่มเติมใน ขั้นตอนที่ 1

เราได้รวมไฟล์ requirements.txt ไว้ที่รูทของรีโปนี้ ซึ่งมีแพ็กเกจ Python ที่ต้องการทั้งหมดเพื่อรันตัวอย่างโค้ด

คุณสามารถติดตั้งโดยรันคำสั่งต่อไปนี้ในเทอร์มินัลที่รูทของรีโป:

pip install -r requirements.txt

เราแนะนำให้สร้างสภาพแวดล้อม Python แบบเสมือนเพื่อหลีกเลี่ยงความขัดแย้งและปัญหา

ตั้งค่า VSCode

ตรวจสอบให้แน่ใจว่าคุณใช้เวอร์ชัน Python ที่ถูกต้องใน VSCode

ตั้งค่า Microsoft Foundry และ Microsoft Foundry Agent Service

ขั้นตอนที่ 1: สร้างโปรเจกต์ Microsoft Foundry

คุณต้องมี Microsoft Foundry hub และ โปรเจกต์ ที่มีโมเดลปรับใช้เพื่อรันโน้ตบุ๊ก

1. ไปที่ ai.azure.com และลงชื่อเข้าใช้ด้วยบัญชี Azure ของคุณ
2. สร้าง hub ใหม่ (หรือใช้ที่มีอยู่แล้ว) ดู: ภาพรวมทรัพยากร Hub
3. ภายใน hub ให้สร้าง โปรเจกต์
4. ปรับใช้โมเดล (เช่น gpt-5-mini) จาก Models + Endpoints → Deploy model

ขั้นตอนที่ 2: ดึง Endpoint โปรเจกต์และชื่อการปรับใช้โมเดลของคุณ

จากโปรเจกต์ของคุณในพอร์ทัล Microsoft Foundry:

• Project Endpoint — ไปที่หน้า Overview และคัดลอก URL endpoint

• Model Deployment Name — ไปที่ Models + Endpoints เลือกโมเดลที่คุณปรับใช้และจดชื่อ Deployment name (เช่น gpt-5-mini)

ขั้นตอนที่ 3: ลงชื่อเข้าใช้ Azure ด้วย az login

โน้ตบุ๊กทั้งหมดใช้ AzureCliCredential สำหรับการยืนยันตัวตน — ไม่ต้องจัดการกับ API keys ซึ่งต้องเซ็นชื่อเข้าใช้ผ่าน Azure CLI

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

2. เซ็นชื่อเข้าใช้ โดยรันคำสั่ง:

    az login
   

   หรือถ้าคุณอยู่ในสภาพแวดล้อมระยะไกล/Codespace ที่ไม่มีเบราว์เซอร์:

    az login --use-device-code
   

3. เลือกการสมัครของคุณ ถ้ามี prompt — เลือกตัวที่มีโปรเจกต์ Foundry ของคุณ

4. ตรวจสอบ ว่าคุณลงชื่อเข้าใช้แล้ว:

    az account show
   

ทำไมต้องใช้ az login? โน้ตบุ๊กยืนยันตัวตนด้วย AzureCliCredential จากแพ็กเกจ azure-identity ซึ่งหมายความว่าเซสชัน Azure CLI ของคุณจะเป็นตัวให้ข้อมูลรับรอง — ไม่มี API keys หรือความลับในไฟล์ .env ของคุณ นี่คือ แนวทางปฏิบัติด้านความปลอดภัยที่ดีที่สุด

ขั้นตอนที่ 4: สร้างไฟล์ .env ของคุณ

คัดลอกไฟล์ตัวอย่าง:

# zsh/bash
cp .env.example .env

# PowerShell
Copy-Item .env.example .env

เปิดไฟล์ .env แล้วกรอกค่าต่อไปนี้:

AZURE_AI_PROJECT_ENDPOINT=https://<your-project>.services.ai.azure.com/api/projects/<your-project-id>
AZURE_AI_MODEL_DEPLOYMENT_NAME=gpt-5-mini

ตัวแปร	ที่ที่หาได้
AZURE_AI_PROJECT_ENDPOINT	พอร์ทัล Foundry → โปรเจกต์ของคุณ → หน้า Overview
AZURE_AI_MODEL_DEPLOYMENT_NAME	พอร์ทัล Foundry → Models + Endpoints → ชื่อโมเดลที่คุณปรับใช้

แค่นี้สำหรับบทเรียนส่วนใหญ่! โน้ตบุ๊กจะยืนยันตัวตนโดยอัตโนมัติผ่านเซสชัน az login ของคุณ

ขั้นตอนที่ 5: ติดตั้ง dependencies ของ Python

pip install -r requirements.txt

แนะนำให้รันนี้ภายในสภาพแวดล้อมเสมือนที่คุณสร้างไว้ก่อนหน้า

การตั้งค่าเพิ่มเติมสำหรับบทเรียนที่ 5 (Agentic RAG)

บทเรียนที่ 5 ใช้ Azure AI Search สำหรับการสร้างแบบเสริมที่ดึงข้อมูล หากคุณวางแผนจะรันบทเรียนนั้น ให้เพิ่มตัวแปรเหล่านี้ไปยังไฟล์ .env ของคุณ:

ตัวแปร	ที่ที่หาได้
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 → คีย์ผู้ดูแลระบบหลัก

การตั้งค่าเพิ่มเติมสำหรับบทเรียนที่เรียกใช้ Azure OpenAI โดยตรง (บทเรียน 6 และ 8)

โน้ตบุ๊กบางส่วนในบทเรียน 6 และ 8 เรียกใช้ Azure OpenAI โดยตรง (ใช้ Responses API) แทนการผ่านโปรเจกต์ Microsoft Foundry ตัวอย่างเหล่านี้เคยใช้ GitHub Models ซึ่งเลิกใช้แล้ว (จะหยุดใช้ในกรกฎาคม 2026) และไม่รองรับ Responses API หากคุณวางแผนจะรันตัวอย่างเหล่านั้น ให้เพิ่มตัวแปรเหล่านี้ไปยังไฟล์ .env ของคุณ:

ตัวแปร	ที่ที่หาได้
AZURE_OPENAI_ENDPOINT	พอร์ทัล Azure → ทรัพยากร Azure OpenAI ของคุณ → Keys and Endpoint → Endpoint (เช่น https://<your-resource>.openai.azure.com)
AZURE_OPENAI_DEPLOYMENT	ชื่อโมเดลที่คุณปรับใช้ (เช่น gpt-5-mini) ที่รองรับ Responses API
AZURE_OPENAI_API_KEY	ทางเลือก — เฉพาะถ้าคุณใช้การยืนยันตัวตนแบบคีย์แทน az login / Entra ID

Responses API ใช้ endpoint /openai/v1/ ที่เสถียร จึงไม่จำเป็นต้องระบุ api-version เซ็นชื่อเข้าใช้ด้วย az login เพื่อใช้การยืนยันตัวตนแบบ Entra ID แบบไม่ต้องใช้คีย์

ผู้ให้บริการทางเลือก: MiniMax (เข้ากันได้กับ OpenAI)

MiniMax มีโมเดลที่รองรับบริบทขนาดใหญ่ (สูงสุด 204K tokens) ผ่าน API ที่เข้ากันได้กับ OpenAI เนื่องจาก Microsoft Agent Framework’s OpenAIChatClient ใช้กับ endpoint ที่รองรับ OpenAI-compatible ได้ คุณจึงสามารถใช้ MiniMax เป็นตัวเลือกแทน Azure OpenAI หรือ OpenAI ได้โดยตรง

เพิ่มตัวแปรเหล่านี้ไปยังไฟล์ .env ของคุณ:

ตัวแปร	ที่ที่หาได้
MINIMAX_API_KEY	MiniMax Platform → API Keys
MINIMAX_BASE_URL	ใช้ https://api.minimax.io/v1 (ค่าปกติ)
MINIMAX_MODEL_ID	ชื่อโมเดลที่จะใช้ (เช่น MiniMax-M3)

ตัวอย่างโมเดล: MiniMax-M3 (แนะนำ), MiniMax-M2.7, MiniMax-M2.7-highspeed (ตอบสนองเร็วกว่า) ชื่อและความพร้อมใช้งานของโมเดลอาจเปลี่ยนแปลงตามเวลา และการเข้าถึงโมเดลขึ้นอยู่กับบัญชีหรือภูมิภาคของคุณ — ตรวจสอบที่ MiniMax Platform สำหรับรายการล่าสุด หาก MiniMax-M3 ไม่พร้อมใช้งานสำหรับบัญชีของคุณ ให้ตั้งค่า MINIMAX_MODEL_ID เป็นโมเดลที่คุณเข้าถึงได้ (เช่น MiniMax-M2.7)

ตัวอย่างโค้ดที่ใช้ OpenAIChatClient (เช่น บทเรียน 14 workflow การจองโรงแรม) จะตรวจจับและใช้การตั้งค่า MiniMax ของคุณโดยอัตโนมัติเมื่อ MINIMAX_API_KEY ถูกตั้งค่า

ผู้ให้บริการทางเลือก: Foundry Local (รันโมเดลบนอุปกรณ์ของคุณ)

Foundry Local คือรันไทม์น้ำหนักเบาที่ดาวน์โหลด จัดการ และให้บริการโมเดลภาษา ทั้งหมดบนเครื่องของคุณเอง ผ่าน API ที่เข้ากันได้กับ OpenAI — ไม่มีคลาวด์ ไม่มีการสมัคร Azure และไม่มี API keys เป็นตัวเลือกที่ยอดเยี่ยมสำหรับการพัฒนาออฟไลน์ ทดลองโดยไม่เสียค่าใช้จ่ายคลาวด์ หรือเก็บข้อมูลในเครื่อง

เนื่องจาก Microsoft Agent Framework’s OpenAIChatClient ทำงานกับ endpoint ที่เข้ากันได้กับ OpenAI ได้ Foundry Local จึงเป็นตัวเลือกแทนแบบ local ที่ใช้งานได้แทน Azure OpenAI

1. ติดตั้ง Foundry Local

# วินโดวส์
winget install Microsoft.FoundryLocal

# แมคโอเอส
brew install foundrylocal

2. ดาวน์โหลดและรันโมเดล (นี่ยังเริ่มบริการ local ด้วย):

foundry model list          # ดูโมเดลที่มีอยู่
foundry model run phi-4-mini

3. ติดตั้ง Python SDK ที่ใช้ในการค้นหา endpoint local:

pip install foundry-local-sdk

4. ชี้ Microsoft Agent Framework ไปยังโมเดล local ของคุณ:

from foundry_local import FoundryLocalManager
from agent_framework.openai import OpenAIChatClient

# ดาวน์โหลด (ถ้าจำเป็น) และให้บริการโมเดลในเครื่อง จากนั้นค้นหา endpoint/port
manager = FoundryLocalManager("phi-4-mini")

chat_client = OpenAIChatClient(
    base_url=manager.endpoint,      # เช่น http://localhost:<port>/v1
    api_key=manager.api_key,        # เสมอ "ไม่จำเป็น" สำหรับ Foundry Local
    model_id=manager.get_model_info("phi-4-mini").id,
)

agent = chat_client.as_agent(
    name="LocalAgent",
    instructions="You are a helpful assistant running fully on-device.",
)

หมายเหตุ: Foundry Local เปิดเผย endpoint Chat Completions ที่เข้ากันได้กับ OpenAI ใช้สำหรับการพัฒนาท้องถิ่นและสถานการณ์ออฟไลน์ สำหรับชุดฟีเจอร์เต็มรูปแบบของ Responses API (สนทนาแบบรัฐ, การจัดการเครื่องมือที่ลึก, และการพัฒนาแบบ agent) ให้ใช้ Azure OpenAI หรือ โปรเจกต์ Microsoft Foundry ตามที่แสดงในบทเรียน ดู เอกสาร Foundry Local สำหรับแคตตาล็อกโมเดลและการสนับสนุนแพลตฟอร์มล่าสุด

การตั้งค่าเพิ่มเติมสำหรับบทเรียนที่ 8 (Bing Grounding Workflow)

โน้ตบุ๊กเวิร์กโฟลว์มีเงื่อนไขในบทเรียนที่ 8 ใช้ Bing grounding ผ่าน Microsoft Foundry หากคุณวางแผนจะรันตัวอย่างนั้น ให้เพิ่มตัวแปรนี้ลงในไฟล์ .env ของคุณ:

ตัวแปร	ที่หาได้จากที่ไหน
BING_CONNECTION_ID	พอร์ทัล Microsoft Foundry → โครงการของคุณ → การจัดการ → ทรัพยากรที่เชื่อมต่อ → การเชื่อมต่อ Bing ของคุณ → คัดลอกรหัสการเชื่อมต่อ

การแก้ไขปัญหา

ข้อผิดพลาดการยืนยันใบรับรอง SSL บน macOS

หากคุณใช้ macOS และพบข้อผิดพลาดเช่น:

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

นี่เป็นปัญหาที่ทราบกันใน Python บน macOS ซึ่งใบรับรอง SSL ของระบบไม่ได้รับความไว้วางใจโดยอัตโนมัติ ลองแก้ไขตามวิธีด้านล่างนี้เป็นลำดับ:

ตัวเลือกที่ 1: รันสคริปต์ติดตั้งใบรับรองของ Python (แนะนำ)

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

ตัวเลือกที่ 2: ใช้ connection_verify=False ในโน้ตบุ๊กของคุณ (เฉพาะโน้ตบุ๊ก GitHub Models)

ในโน้ตบุ๊กบทเรียนที่ 6 (06-building-trustworthy-agents/code_samples/06-system-message-framework.ipynb) มีวิธีแก้ไขที่ถูกคอมเมนต์ไว้แล้ว ยกเลิกการคอมเมนต์ connection_verify=False เมื่อสร้างไคลเอนต์:

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

⚠️ คำเตือน: การปิดการยืนยัน SSL (connection_verify=False) ลดระดับความปลอดภัยโดยข้ามการตรวจสอบใบรับรอง ใช้เฉพาะเป็นการแก้ไขชั่วคราวในสภาพแวดล้อมการพัฒนาเท่านั้น ห้ามใช้ในระบบจริง

ตัวเลือกที่ 3: ติดตั้งและใช้ truststore

pip install truststore

จากนั้นเพิ่มโค้ดต่อไปนี้ที่ด้านบนของโน้ตบุ๊กหรือสคริปต์ก่อนเรียกใช้งานเครือข่ายใดๆ:

import truststore
truststore.inject_into_ssl()

ติดขัดตรงไหนไหม?

หากคุณมีปัญหาในการรันการตั้งค่านี้ เข้าร่วมได้ที่ Azure AI Community Discord หรือ สร้างรายงานปัญหา.

บทเรียนถัดไป

ตอนนี้คุณพร้อมที่จะรันโค้ดสำหรับหลักสูตรนี้แล้ว ขอให้มีความสุขกับการเรียนรู้เพิ่มเติมเกี่ยวกับโลกของ AI Agents!

แนะนำ AI Agents และกรณีการใช้งาน Agent

---

ปฏิเสธความรับผิดชอบ: เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator ขณะที่เราพยายามให้ความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้การแปลโดยมนุษย์มืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดที่เกิดขึ้นจากการใช้การแปลนี้

This site is open source. Improve this page.