Skip to content

Latest commit

 

History

History
 
 

lab1

Folders and files

NameName
Last commit message
Last commit date

parent directory

..
README.md
README.md
 
 

README.md

🚀 模組 1：AI 工具組基礎

Duration Difficulty Prerequisites

📋 學習目標

完成本模組後，你將能夠：

  • ✅ 安裝並設定 Visual Studio Code 的 AI Toolkit
  • ✅ 瀏覽模型目錄並了解不同模型來源
  • ✅ 使用 Playground 進行模型測試與實驗
  • ✅ 利用 Agent Builder 創建自訂 AI 代理
  • ✅ 比較不同供應商的模型效能
  • ✅ 應用提示工程的最佳實踐

🧠 AI Toolkit (AITK) 簡介

Visual Studio Code 的 AI Toolkit 是微軟的旗艦擴充套件，將 VS Code 轉變為完整的 AI 開發環境。它連結 AI 研究與實務應用，讓各種技能層級的開發者都能輕鬆使用生成式 AI。

🌟 主要功能

功能 說明 使用情境
🗂️ 模型目錄 存取來自 GitHub、ONNX、OpenAI、Anthropic、Google 的 100 多款模型 模型探索與選擇
🔌 BYOM 支援 整合自有模型（本地或遠端） 自訂模型部署
🎮 互動式 Playground 透過聊天介面即時測試模型 快速原型與測試
📎 多模態支援 處理文字、圖片與附件 複雜 AI 應用
⚡ 批次處理 同時執行多個提示 高效測試流程
📊 模型評估 內建指標（F1、相關性、相似度、一致性） 效能評估

🎯 AI Toolkit 的重要性

  • 🚀 加速開發：從構想到原型只需數分鐘
  • 🔄 統一工作流程：一個介面管理多家 AI 供應商
  • 🧪 簡易實驗：無需複雜設定即可比較模型
  • 📈 生產就緒：原型到部署無縫銜接

🛠️ 前置條件與設定

📦 安裝 AI Toolkit 擴充套件

步驟 1：進入擴充套件市集

  1. 開啟 Visual Studio Code
  2. 前往擴充套件視窗（Ctrl+Shift+X 或 Cmd+Shift+X）
  3. 搜尋 "AI Toolkit"

步驟 2：選擇版本

  • 🟢 正式版：建議用於生產環境
  • 🔶 預覽版：搶先體驗最新功能

步驟 3：安裝並啟用

AI Toolkit Extension

✅ 驗證清單

  • AI Toolkit 圖示出現在 VS Code 側邊欄
  • 擴充套件已啟用並運作中
  • 輸出面板無安裝錯誤訊息

🧪 實作練習 1：探索 GitHub 模型

🎯 目標：熟悉模型目錄並測試你的第一個 AI 模型

📊 步驟 1：瀏覽模型目錄

模型目錄是你進入 AI 生態系的入口。它整合多家供應商的模型，方便你發現並比較選項。

🔍 導覽指南：

點擊 AI Toolkit 側邊欄的 MODELS - Catalog

Model Catalog

💡 小技巧：尋找具備符合你需求的特定功能的模型（例如程式碼生成、創意寫作、分析）。

⚠️ 注意：GitHub 托管的模型（即 GitHub Models）免費使用，但請注意請求與令牌的速率限制。若要使用非 GitHub 模型（例如透過 Azure AI 或其他端點的外部模型），需提供相應的 API 金鑰或認證。

🚀 步驟 2：新增並設定你的第一個模型

模型選擇策略：

  • GPT-4.1：適合複雜推理與分析
  • Phi-4-mini：輕量快速，適合簡單任務

🔧 設定流程：

  1. 從目錄中選擇 OpenAI GPT-4.1
  2. 點擊 Add to My Models，將模型註冊至你的清單
  3. 選擇 Try in Playground 進入測試環境
  4. 等待模型初始化（首次設定可能需稍候）

Playground Setup

⚙️ 了解模型參數：

  • Temperature：控制創意程度（0 = 確定性，1 = 創意）
  • Max Tokens：回應最大長度
  • Top-p：核取樣，提升回應多樣性

🎯 步驟 3：掌握 Playground 介面

Playground 是你的 AI 實驗室。以下是最大化使用效益的方法：

🎨 提示工程最佳實踐：

  1. 具體明確：清楚且詳盡的指令效果更佳
  2. 提供背景：包含相關上下文資訊
  3. 使用範例：用範例示範你想要的結果
  4. 反覆調整：根據初步結果優化提示

🧪 測試情境：

# Example 1: Code Generation
"Write a Python function that calculates the factorial of a number using recursion. Include error handling and docstrings."

# Example 2: Creative Writing
"Write a professional email to a client explaining a project delay, maintaining a positive tone while being transparent about challenges."

# Example 3: Data Analysis
"Analyze this sales data and provide insights: [paste your data]. Focus on trends, anomalies, and actionable recommendations."

Testing Results

🏆 挑戰練習：模型效能比較

🎯 目標：使用相同提示比較不同模型，了解各自優勢

📋 操作說明：

  1. 將 Phi-4-mini 新增至工作區
  2. 對 GPT-4.1 與 Phi-4-mini 使用相同提示

set

  1. 比較回應品質、速度與準確度
  2. 將結果記錄於成果區

Model Comparison

💡 重要洞見：

  • 何時使用大型語言模型（LLM）或小型語言模型（SLM）
  • 成本與效能的權衡
  • 不同模型的專長功能

🤖 實作練習 2：使用 Agent Builder 建立自訂代理

🎯 目標：打造專門針對特定任務與工作流程的 AI 代理

🏗️ 步驟 1：認識 Agent Builder

Agent Builder 是 AI Toolkit 的核心亮點。它讓你能創建專用的 AI 助手，結合大型語言模型的強大能力與自訂指令、特定參數及專業知識。

🧠 代理架構組成：

  • 核心模型：基礎 LLM（GPT-4、Groks、Phi 等）
  • 系統提示：定義代理個性與行為
  • 參數：微調設定以達最佳效能
  • 工具整合：連接外部 API 與 MCP 服務
  • 記憶：對話上下文與會話持續性

Agent Builder Interface

⚙️ 步驟 2：深入代理設定

🎨 創建有效的系統提示：

# Template Structure:
## Role Definition
You are a [specific role] with expertise in [domain].

## Capabilities
- List specific abilities
- Define scope of knowledge
- Clarify limitations

## Behavior Guidelines
- Response style (formal, casual, technical)
- Output format preferences
- Error handling approach

## Examples
Provide 2-3 examples of ideal interactions

當然，你也可以使用 Generate System Prompt 讓 AI 幫助你生成與優化提示

🔧 參數優化：

參數 建議範圍 使用情境
Temperature 0.1-0.3 技術性/事實性回應
Temperature 0.7-0.9 創意/腦力激盪任務
Max Tokens 500-1000 簡潔回應
Max Tokens 2000-4000 詳細說明

🐍 步驟 3：實作練習 - Python 程式代理

🎯 任務：打造專門的 Python 程式碼助理

📋 設定步驟：

  1. 模型選擇：選擇 Claude 3.5 Sonnet（擅長程式碼）

  2. 系統提示設計：

# Python Programming Expert Agent

## Role
You are a senior Python developer with 10+ years of experience. You excel at writing clean, efficient, and well-documented Python code.

## Capabilities
- Write production-ready Python code
- Debug complex issues
- Explain code concepts clearly
- Suggest best practices and optimizations
- Provide complete working examples

## Response Format
- Always include docstrings
- Add inline comments for complex logic
- Suggest testing approaches
- Mention relevant libraries when applicable

## Code Quality Standards
- Follow PEP 8 style guidelines
- Use type hints where appropriate
- Handle exceptions gracefully
- Write readable, maintainable code
  1. 參數設定：
    • Temperature：0.2（保持穩定且可靠的程式碼）
    • Max Tokens：2000（詳細說明）
    • Top-p：0.9（平衡創意）

Python Agent Configuration

🧪 步驟 4：測試你的 Python 代理

測試情境：

  1. 基本功能：「建立一個尋找質數的函式」
  2. 複雜演算法：「實作包含插入、刪除與搜尋方法的二元搜尋樹」
  3. 實務問題：「建立一個能處理速率限制與重試的網頁爬蟲」
  4. 除錯：「修正這段程式碼 [貼上有錯誤的程式碼]」

🏆 成功標準：

  • ✅ 程式碼能正常執行
  • ✅ 包含適當註解
  • ✅ 遵循 Python 最佳實踐
  • ✅ 提供清楚解釋
  • ✅ 建議改進方案

🎓 模組 1 總結與後續步驟

📊 知識檢核

測試你的理解：

  • 你能解釋模型目錄中模型的差異嗎？
  • 你是否成功建立並測試過自訂代理？
  • 你了解如何針對不同使用情境優化參數嗎？
  • 你能設計有效的系統提示嗎？

📚 延伸資源

🎉 恭喜你！ 你已掌握 AI Toolkit 的基礎，準備好打造更進階的 AI 應用！

🔜 繼續下一模組

準備好挑戰更高階功能了嗎？請繼續前往 模組 2：MCP 與 AI Toolkit 基礎，你將學習如何：

  • 使用 Model Context Protocol (MCP) 連接代理與外部工具
  • 建立 Playwright 瀏覽器自動化代理
  • 將 MCP 伺服器整合至你的 AI Toolkit 代理
  • 利用外部資料與功能強化你的代理

免責聲明：
本文件係使用 AI 翻譯服務 Co-op Translator 進行翻譯。雖然我們致力於確保翻譯的準確性，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應視為權威來源。對於重要資訊，建議採用專業人工翻譯。我們不對因使用本翻譯而產生的任何誤解或誤釋負責。