ai-agents-for-beginners

Pagsasaayos ng Kurso

Panimula

Tatalakayin ng araling ito kung paano patakbuhin ang mga halimbawa ng code ng kursong ito.

Sumali sa Iba pang mga Nag-aaral at Humingi ng Tulong

Bago ka magsimulang i-clone ang iyong repo, sumali sa Discord channel ng AI Agents For Beginners upang makakuha ng tulong sa setup, magtanong tungkol sa kurso, o makipag-ugnayan sa ibang mga nag-aaral.

I-clone o I-fork ang Repo na ito

Upang magsimula, i-clone o i-fork muna ang GitHub Repository. Gagawa ito ng sarili mong bersyon ng materyal ng kurso upang maaari mong patakbuhin, subukan, at baguhin ang code!

This can be done by clicking the link to i-fork ang repo

Dapat mayroon ka na ngayong sarili mong na-fork na bersyon ng kursong ito sa sumusunod na link:

Na-fork na Repo

Shallow Clone (inirerekomenda para sa workshop / Codespaces)

Ang buong repository ay maaaring maging malaki (~3 GB) kapag dina-download mo ang buong kasaysayan at lahat ng file. Kung pupunta ka lamang sa workshop o kailangan mo lang ng ilang lesson folder, ang shallow clone (o sparse clone) ay makakaiwas sa karamihan ng pag-download na iyon sa pamamagitan ng pagpapaikli ng kasaysayan at/o pag-skip sa mga blobs.

Mabilis na shallow clone — minimal na historya, lahat ng mga file

Palitan ang <your-username> sa mga utos sa ibaba ng iyong fork URL (o ang upstream URL kung mas gusto mo).

To clone only the latest commit history (small download):

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

To clone a specific branch:

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

Partial (sparse) clone — minimal blobs + only selected folders

This uses partial clone and sparse-checkout (requires Git 2.25+ and recommended modern Git with partial clone support):

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

Traverse into the repo folder:

cd ai-agents-for-beginners

Then specify which folders you want (example below shows two folders):

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

After cloning and verifying the files, if you only need files and want to free space (no git history), please delete the repository metadata (💀irreversible — you will lose all Git functionality: no commits, pulls, pushes, or history access).

# zsh/bash
rm -rf .git

# PowerShell
Remove-Item -Recurse -Force .git

Mga Tip

Pagpapatakbo ng Code

Nag-aalok ang kursong ito ng serye ng mga Jupyter Notebooks na maaari mong patakbuhin upang magkaroon ng hands-on na karanasan sa pagbubuo ng AI Agents.

Gumagamit ang mga halimbawa ng code ng Microsoft Agent Framework (MAF) kasama ang AzureAIProjectAgentProvider, na kumokonekta sa Azure AI Agent Service V2 (ang Responses API) sa pamamagitan ng Microsoft Foundry.

Lahat ng mga Python notebook ay may label na *-python-agent-framework.ipynb.

Mga Kinakailangan

Naka-include ang isang requirements.txt file sa root ng repository na ito na naglalaman ng lahat ng kinakailangang Python package upang patakbuhin ang mga halimbawa ng code.

Maaari mong i-install ang mga ito sa pamamagitan ng pagpapatakbo ng sumusunod na utos sa iyong terminal sa root ng repository:

pip install -r requirements.txt

Inirerekomenda naming gumawa ng Python virtual environment upang maiwasan ang anumang conflict at isyu.

I-setup ang VSCode

Siguraduhin na ginagamit mo ang tamang bersyon ng Python sa VSCode.

larawan

I-set up ang Microsoft Foundry at Azure AI Agent Service

Hakbang 1: Gumawa ng Microsoft Foundry Project

Kailangan mo ng Azure AI Foundry hub at project na may naka-deploy na modelo upang patakbuhin ang mga notebook.

  1. Pumunta sa ai.azure.com at mag-sign in gamit ang iyong Azure account.
  2. Gumawa ng hub (o gumamit ng umiiral na). Tingnan: Hub resources overview.
  3. Sa loob ng hub, gumawa ng project.
  4. I-deploy ang isang modelo (hal., gpt-4o) mula sa Models + Endpoints → Deploy model.

Hakbang 2: Kunin ang Endpoint ng Iyong Project at Pangalan ng Model Deployment

Mula sa iyong proyekto sa Microsoft Foundry portal:

String ng Koneksyon ng Proyekto

Hakbang 3: Mag-sign in sa Azure gamit ang az login

Lahat ng notebook ay gumagamit ng AzureCliCredential para sa authentication — walang API keys na kailangan i-manage. Nangangailangan ito na naka-sign in ka sa pamamagitan ng Azure CLI.

  1. I-install ang Azure CLI kung hindi mo pa ito nai-install: aka.ms/installazurecli

  2. Mag-sign in sa pamamagitan ng pagpapatakbo:

     az login

    Or if you’re in a remote/Codespace environment without a browser:

     az login --use-device-code

  3. Piliin ang iyong subscription kung pinaprompt — piliin ang subscription na naglalaman ng iyong Foundry project.

  4. Beripikahin na naka-sign in ka:

     az account show

Bakit az login? Nag-a-authenticate ang mga notebook gamit ang AzureCliCredential mula sa azure-identity package. Nangangahulugan ito na ang iyong Azure CLI session ang nagbibigay ng mga kredensyal — walang API keys o secrets sa iyong .env file. Ito ay isang security best practice.

Hakbang 4: Gumawa ng Iyong .env File

Kopyahin ang example file:

# zsh/bash
cp .env.example .env

# PowerShell
Copy-Item .env.example .env

Buksan ang .env at punan ang dalawang halagang ito:

AZURE_AI_PROJECT_ENDPOINT=https://<your-project>.services.ai.azure.com/api/projects/<your-project-id>
AZURE_AI_MODEL_DEPLOYMENT_NAME=gpt-4o
Variable Saan ito mahahanap
AZURE_AI_PROJECT_ENDPOINT Foundry portal → iyong proyekto → Overview page
AZURE_AI_MODEL_DEPLOYMENT_NAME Foundry portal → Models + Endpoints → ang pangalan ng iyong na-deploy na modelo

Tapos na! Para sa karamihan ng mga aralin, mag-a-authenticate nang awtomatiko ang mga notebook sa pamamagitan ng iyong az login session.

Hakbang 5: I-install ang mga Depedensiya ng Python

pip install -r requirements.txt

Inirerekomenda naming patakbuhin ito sa loob ng virtual environment na ginawa mo kanina.

Karagdagang Setup para sa Lesson 5 (Agentic RAG)

Gumagamit ang Lesson 5 ng Azure AI Search para sa retrieval-augmented generation. Kung balak mong patakbuhin ang araling iyon, idagdag ang mga variable na ito sa iyong .env file:

Variable Saan ito mahahanap
AZURE_SEARCH_SERVICE_ENDPOINT Azure portal → iyong Azure AI Search resource → Overview → URL
AZURE_SEARCH_API_KEY Azure portal → iyong Azure AI Search resource → Settings → Keys → primary admin key

Karagdagang Setup para sa Lesson 6 at Lesson 8 (GitHub Models)

Ang ilang notebook sa mga lesson 6 at 8 ay gumagamit ng GitHub Models sa halip na Azure AI Foundry. Kung plano mong patakbuhin ang mga sample na iyon, idagdag ang mga variable na ito sa iyong .env file:

Variable Saan ito mahahanap
GITHUB_TOKEN GitHub → Settings → Developer settings → Personal access tokens
GITHUB_ENDPOINT Use https://models.inference.ai.azure.com (default na halaga)
GITHUB_MODEL_ID Pangalan ng modelong gagamitin (hal., gpt-4o-mini)

Karagdagang Setup para sa Lesson 8 (Bing Grounding Workflow)

Ang conditional workflow notebook sa lesson 8 ay gumagamit ng Bing grounding via Azure AI Foundry. Kung balak mong patakbuhin ang sample na iyon, idagdag ang variable na ito sa iyong .env file:

Variable Saan ito mahahanap
BING_CONNECTION_ID Azure AI Foundry portal → iyong proyekto → Management → Connected resources → ang iyong Bing connection → kopyahin ang connection ID

Pag-aayos ng Problema

Mga Error sa Pag-verify ng SSL Certificate sa macOS

Kung nasa macOS ka at naka-encounter ng error na tulad nito:

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

Ito ay isang kilalang isyu sa Python sa macOS kung saan hindi awtomatikong tinatanggap ang mga system SSL certificate. Subukan ang mga sumusunod na solusyon ayon sa pagkakasunod:

Opsyon 1: Patakbuhin ang Install Certificates script ng Python (inirerekomenda)

# Palitan ang 3.XX ng naka-install mong bersyon ng Python (hal., 3.12 o 3.13):
/Applications/Python\ 3.XX/Install\ Certificates.command

Opsyon 2: Gamitin ang connection_verify=False sa iyong notebook (para lamang sa mga GitHub Models notebooks)

Sa Lesson 6 notebook (06-building-trustworthy-agents/code_samples/06-system-message-framework.ipynb), mayroon nang naka-komentong workaround. I-uncomment ang connection_verify=False kapag lumilikha ng client:

client = ChatCompletionsClient(
    endpoint=endpoint,
    credential=AzureKeyCredential(token),
    connection_verify=False,  # I-disable ang pag-verify ng SSL kung makaranas ka ng mga error sa sertipiko
)

⚠️ Babala: Ang pag-disable ng SSL verification (connection_verify=False) ay nagpapababa ng seguridad sa pamamagitan ng pag-skip ng certificate validation. Gamitin ito lamang bilang pansamantalang workaround sa mga development environment, hindi sa production.

Opsyon 3: I-install at gamitin ang truststore

pip install truststore

Pagkatapos idagdag ang sumusunod sa itaas ng iyong notebook o script bago gumawa ng anumang network calls:

import truststore
truststore.inject_into_ssl()

Natigil Ka Ba?

Kung may anumang isyu sa pagpapatakbo ng setup na ito, sumali sa aming Azure AI Community Discord o gumawa ng isyu.

Susunod na Aralin

Handa ka nang patakbuhin ang code para sa kursong ito. Maligayang pag-aaral pa tungkol sa mundo ng AI Agents!

Panimula sa AI Agents at Mga Use Case

Paunawa: Ang dokumentong ito ay isinalin gamit ang AI translation service na Co-op Translator. Bagaman nagsusumikap kami para sa pagiging tumpak, pakitandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa katutubong wika nito ang dapat ituring na awtoritatibong sanggunian. Para sa mahahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin na ginawa ng tao. Hindi kami mananagot para sa anumang hindi pagkakaunawaan o maling interpretasyon na maaaring magmula sa paggamit ng pagsasaling ito.

This site is open source. Improve this page.