Skip to content

README.md

Latest commit

 

History

History
108 lines (78 loc) · 8.93 KB

README.md

File metadata and controls

108 lines (78 loc) · 8.93 KB

Study Plan Generator with Chainlit & Microsoft Learn Docs MCP

Προαπαιτούμενα

  • Python 3.8 ή νεότερη έκδοση
  • pip (διαχειριστής πακέτων Python)
  • Πρόσβαση στο διαδίκτυο για σύνδεση με τον διακομιστή Microsoft Learn Docs MCP

Εγκατάσταση

  1. Κλωνοποιήστε αυτό το αποθετήριο ή κατεβάστε τα αρχεία του έργου.

  2. Εγκαταστήστε τις απαιτούμενες εξαρτήσεις:

    pip install -r requirements.txt

Χρήση

Σενάριο 1: Απλή Ερώτηση προς το Docs MCP

Ένας πελάτης γραμμής εντολών που συνδέεται με τον διακομιστή Docs MCP, στέλνει μια ερώτηση και εμφανίζει το αποτέλεσμα.

  1. Εκτελέστε το script: 
    python scenario1.py
  2. Πληκτρολογήστε την ερώτησή σας για την τεκμηρίωση στο prompt.

Σενάριο 2: Δημιουργός Σχεδίου Μελέτης (Chainlit Web App)

Μια διαδικτυακή διεπαφή (με χρήση Chainlit) που επιτρέπει στους χρήστες να δημιουργήσουν ένα εξατομικευμένο, εβδομαδιαίο σχέδιο μελέτης για οποιοδήποτε τεχνικό θέμα.

  1. Ξεκινήστε την εφαρμογή Chainlit: 
    chainlit run scenario2.py
  2. Ανοίξτε το τοπικό URL που εμφανίζεται στο τερματικό σας (π.χ., http://localhost:8000) στον περιηγητή σας.
  3. Στο παράθυρο συνομιλίας, εισάγετε το θέμα μελέτης και τον αριθμό εβδομάδων που θέλετε να μελετήσετε (π.χ., "AI-900 certification, 8 weeks").
  4. Η εφαρμογή θα απαντήσει με ένα εβδομαδιαίο σχέδιο μελέτης, συμπεριλαμβανομένων συνδέσμων προς σχετική τεκμηρίωση Microsoft Learn.

Απαιτούμενες Μεταβλητές Περιβάλλοντος:

Για να χρησιμοποιήσετε το Σενάριο 2 (την εφαρμογή Chainlit με Azure OpenAI), πρέπει να ορίσετε τις παρακάτω μεταβλητές περιβάλλοντος σε ένα αρχείο .env στον φάκελο python:

AZURE_OPENAI_CHAT_DEPLOYMENT_NAME=
AZURE_OPENAI_API_KEY=
AZURE_OPENAI_ENDPOINT=
AZURE_OPENAI_API_VERSION=

Συμπληρώστε αυτές τις τιμές με τα στοιχεία του πόρου Azure OpenAI πριν εκτελέσετε την εφαρμογή.

Tip: Μπορείτε εύκολα να αναπτύξετε τα δικά σας μοντέλα χρησιμοποιώντας το Azure AI Foundry.

Σενάριο 3: Τεκμηρίωση μέσα στον Επεξεργαστή με MCP Server στο VS Code

Αντί να αλλάζετε καρτέλες στον περιηγητή για να αναζητήσετε τεκμηρίωση, μπορείτε να φέρετε το Microsoft Learn Docs απευθείας στο VS Code χρησιμοποιώντας τον διακομιστή MCP. Αυτό σας επιτρέπει να:

  • Αναζητάτε και να διαβάζετε τεκμηρίωση μέσα στο VS Code χωρίς να εγκαταλείπετε το περιβάλλον κωδικοποίησης.
  • Αναφέρετε τεκμηρίωση και εισάγετε συνδέσμους απευθείας στα αρχεία README ή στα αρχεία μαθήματος.
  • Χρησιμοποιείτε το GitHub Copilot και το MCP μαζί για μια ομαλή ροή εργασίας με τεκμηρίωση που υποστηρίζεται από AI.

Παραδείγματα Χρήσης:

  • Προσθέστε γρήγορα συνδέσμους αναφοράς σε ένα README ενώ γράφετε τεκμηρίωση μαθήματος ή έργου.
  • Χρησιμοποιήστε το Copilot για να δημιουργήσετε κώδικα και το MCP για να βρείτε και να παραθέσετε άμεσα σχετική τεκμηρίωση.
  • Παραμείνετε συγκεντρωμένοι στον επεξεργαστή σας και αυξήστε την παραγωγικότητα.

Important

Βεβαιωθείτε ότι έχετε μια έγκυρη διαμόρφωση mcp.json στον χώρο εργασίας σας (η θέση είναι .vscode/mcp.json).

Γιατί Chainlit για το Σενάριο 2;

Το Chainlit είναι ένα σύγχρονο ανοιχτού κώδικα πλαίσιο για τη δημιουργία συνομιλιακών διαδικτυακών εφαρμογών. Διευκολύνει τη δημιουργία διεπαφών χρήστη βασισμένων σε συνομιλίες που συνδέονται με υπηρεσίες backend όπως ο διακομιστής Microsoft Learn Docs MCP. Αυτό το έργο χρησιμοποιεί το Chainlit για να προσφέρει έναν απλό, διαδραστικό τρόπο δημιουργίας εξατομικευμένων σχεδίων μελέτης σε πραγματικό χρόνο. Με το Chainlit, μπορείτε γρήγορα να δημιουργήσετε και να αναπτύξετε εργαλεία συνομιλίας που βελτιώνουν την παραγωγικότητα και τη μάθηση.

Τι Κάνει Αυτό

Αυτή η εφαρμογή επιτρέπει στους χρήστες να δημιουργήσουν ένα εξατομικευμένο σχέδιο μελέτης απλά εισάγοντας ένα θέμα και μια διάρκεια. Η εφαρμογή αναλύει την είσοδό σας, στέλνει ερώτηση στον διακομιστή Microsoft Learn Docs MCP για σχετικό περιεχόμενο και οργανώνει τα αποτελέσματα σε ένα δομημένο, εβδομαδιαίο σχέδιο. Οι προτάσεις κάθε εβδομάδας εμφανίζονται στη συνομιλία, καθιστώντας εύκολη την παρακολούθηση και την πρόοδο. Η ενσωμάτωση εξασφαλίζει ότι λαμβάνετε πάντα τους πιο πρόσφατους και σχετικούς πόρους μάθησης.

Παραδείγματα Ερωτήσεων

Δοκιμάστε αυτές τις ερωτήσεις στο παράθυρο συνομιλίας για να δείτε πώς ανταποκρίνεται η εφαρμογή:

  • AI-900 certification, 8 weeks
  • Learn Azure Functions, 4 weeks
  • Azure DevOps, 6 weeks
  • Data engineering on Azure, 10 weeks
  • Microsoft security fundamentals, 5 weeks
  • Power Platform, 7 weeks
  • Azure AI services, 12 weeks
  • Cloud architecture, 9 weeks

Αυτά τα παραδείγματα δείχνουν την ευελιξία της εφαρμογής για διαφορετικούς στόχους μάθησης και χρονικά πλαίσια.

Αναφορές

Αποποίηση ευθυνών:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης AI Co-op Translator. Παρόλο που επιδιώκουμε την ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη γλώσσα του θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.