README.md

Kurs-Setup

Einführung

Diese Lektion behandelt, wie Sie die Codebeispiele dieses Kurses ausführen.

Treten Sie anderen Lernenden bei und holen Sie sich Hilfe

Bevor Sie mit dem Klonen Ihres Repos beginnen, treten Sie dem Discord-Kanal „AI Agents For Beginners“ bei, um Hilfe beim Setup zu erhalten, Fragen zum Kurs zu stellen oder sich mit anderen Lernenden zu vernetzen.

Dieses Repo klonen oder forken

Um zu beginnen, klonen oder forken Sie bitte das GitHub-Repository. Dadurch erstellen Sie Ihre eigene Version des Kursmaterials, sodass Sie den Code ausführen, testen und anpassen können!

This can be done by clicking the link to das Repository forken

Sie sollten jetzt Ihre eigene geforkte Version dieses Kurses unter folgendem Link haben:

Flacher Clone (empfohlen für Workshop / Codespaces)

Das gesamte Repository kann groß sein (~3 GB), wenn Sie die komplette Historie und alle Dateien herunterladen. Wenn Sie nur am Workshop teilnehmen oder nur einige Lektionen benötigen, vermeidet ein flacher Clone (oder ein sparse clone) den größten Teil dieses Downloads, indem die Historie gekürzt und/oder Blobs übersprungen werden.

Schneller flacher Clone — minimale Historie, alle Dateien

Ersetzen Sie <your-username> in den folgenden Befehlen durch Ihre Fork-URL (oder die Upstream-URL, falls Sie diese bevorzugen).

Um nur die neueste Commit-Historie zu klonen (kleiner Download):

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

Um einen bestimmten Branch zu klonen:

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

Partieller (sparse) Clone — minimale Blobs + nur ausgewählte Ordner

Dies verwendet partial clone und sparse-checkout (erfordert Git 2.25+ und ein empfohlenes modernes Git mit Unterstützung für partial clone):

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

Wechseln Sie in den Repo-Ordner:

cd ai-agents-for-beginners

Geben Sie dann an, welche Ordner Sie möchten (Beispiel unten zeigt zwei Ordner):

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

Nachdem Sie geklont und die Dateien überprüft haben: Wenn Sie nur die Dateien benötigen und Speicherplatz freigeben möchten (keine Git-Historie), löschen Sie bitte die Repository-Metadaten (💀 irreversibel — Sie verlieren alle Git-Funktionalitäten: keine Commits, Pulls, Pushes oder Zugriff auf die Historie).

# zsh/bash
rm -rf .git

# PowerShell
Remove-Item -Recurse -Force .git

Verwendung von GitHub Codespaces (empfohlen, um große lokale Downloads zu vermeiden)

• Erstellen Sie über die GitHub UI einen neuen Codespace für dieses Repo.

• Führen Sie im Terminal des neu erstellten Codespace einen der oben genannten flachen/sparse Clone-Befehle aus, um nur die benötigten Lektionen in den Codespace-Arbeitsbereich zu holen.

• Optional: Entfernen Sie nach dem Klonen innerhalb von Codespaces .git, um zusätzlichen Speicherplatz zurückzugewinnen (siehe die oben genannten Entfernen-Befehle).

• Hinweis: Wenn Sie das Repo direkt in Codespaces öffnen möchten (ohne einen zusätzlichen Klon), beachten Sie, dass Codespaces die devcontainer-Umgebung erstellt und möglicherweise mehr bereitstellt, als Sie benötigen. Das Klonen einer flachen Kopie innerhalb eines frischen Codespace gibt Ihnen mehr Kontrolle über die Speichernutzung.

Tipps

• Ersetzen Sie immer die Clone-URL durch Ihre Fork, wenn Sie bearbeiten/committen möchten.
• Wenn Sie später mehr Historie oder Dateien benötigen, können Sie diese abrufen oder sparse-checkout anpassen, um zusätzliche Ordner einzuschließen.

Code ausführen

Dieser Kurs bietet eine Reihe von Jupyter-Notebooks, die Sie ausführen können, um praktische Erfahrungen beim Erstellen von KI-Agenten zu sammeln.

Die Codebeispiele verwenden eines der folgenden:

Benötigt GitHub-Konto - Kostenlos:

1. Semantic Kernel Agent Framework + GitHub Models Marketplace. Bezeichnet als (semantic-kernel.ipynb)
2. AutoGen Framework + GitHub Models Marketplace. Bezeichnet als (autogen.ipynb)

Benötigt Azure-Abonnement: 3) Azure AI Foundry + Azure AI Agent Service. Bezeichnet als (azureaiagent.ipynb)

Wir empfehlen Ihnen, alle drei Beispieltypen auszuprobieren, um herauszufinden, welcher am besten für Sie funktioniert.

Welche Option Sie auch wählen, sie bestimmt, welche Einrichtungsschritte Sie unten befolgen müssen:

Voraussetzungen

• Python 3.12+

  • HINWEIS: Wenn Sie Python 3.12 nicht installiert haben, installieren Sie es bitte. Erstellen Sie dann Ihr venv mit python3.12, um sicherzustellen, dass die korrekten Versionen aus der Datei requirements.txt installiert werden.

    Beispiel

    Create Python venv directory:

    python -m venv venv
    

    Aktivieren Sie dann die venv-Umgebung für:

    # zsh/bash
    source venv/bin/activate

    # Command Prompt for Windows
    venv\Scripts\activate
    

• .NET 10+: Für die Beispielcodes, die .NET verwenden, installieren Sie das .NET 10 SDK oder neuer. Überprüfen Sie anschließend Ihre installierte .NET SDK-Version:

  dotnet --list-sdks
  

• Ein GitHub-Konto - Für den Zugriff auf den GitHub Models Marketplace

• Azure-Abonnement - Für den Zugriff auf Microsoft Foundry

• Microsoft Foundry-Konto - Für den Zugriff auf den Azure AI Agent Service

Wir haben eine Datei requirements.txt im Root dieses Repositories hinzugefügt, die alle erforderlichen Python-Pakete enthält, um die Codebeispiele auszuführen.

Sie können diese installieren, indem Sie den folgenden Befehl im Terminal im Root des Repositories ausführen:

pip install -r requirements.txt

Wir empfehlen, eine Python-virtuelle Umgebung zu erstellen, um Konflikte und Probleme zu vermeiden.

VSCode einrichten

Stellen Sie sicher, dass Sie in VSCode die richtige Python-Version verwenden.

Einrichtung für Beispiele mit GitHub Models

Schritt 1: Abrufen Ihres GitHub Personal Access Token (PAT)

Dieser Kurs nutzt den GitHub Models Marketplace, der kostenlosen Zugriff auf Large Language Models (LLMs) bietet, die Sie zum Erstellen von AI Agents verwenden werden.

Um die GitHub Models zu nutzen, müssen Sie ein GitHub Personal Access Token erstellen.

This can be done by going to your Einstellungen für Personal Access Tokens in Ihrem GitHub-Konto.

Bitte befolgen Sie das Prinzip der geringsten Privilegien, wenn Sie Ihr Token erstellen. Das bedeutet, dass Sie dem Token nur die Berechtigungen geben sollten, die es benötigt, um die Codebeispiele in diesem Kurs auszuführen.

1. Wählen Sie die Option Fine-grained tokens auf der linken Seite Ihres Bildschirms, indem Sie zu den Developer settings navigieren

   

   Wählen Sie dann Generate new token.

   

2. Geben Sie einen beschreibenden Namen für Ihr Token ein, der seinen Zweck widerspiegelt und das spätere Identifizieren erleichtert.

   🔐 Empfehlung zur Token-Laufzeit

   Empfohlene Dauer: 30 Tage Für eine sicherere Vorgehensweise können Sie eine kürzere Periode wählen—z. B. 7 Tage 🛡️ Das ist eine gute Möglichkeit, ein persönliches Ziel zu setzen und den Kurs zu beenden, solange Ihre Lernmotivation hoch ist 🚀.

   

3. Beschränken Sie den Geltungsbereich des Tokens auf Ihren Fork dieses Repositories.

   

4. Beschränken Sie die Berechtigungen des Tokens: Unter Permissions klicken Sie auf die Registerkarte Account, und klicken Sie auf die Schaltfläche "+ Add permissions". Ein Dropdown-Menü erscheint. Bitte suchen Sie nach Models und aktivieren Sie das Kontrollkästchen dafür.

   

5. Überprüfen Sie die erforderlichen Berechtigungen, bevor Sie das Token erstellen.

6. Bevor Sie das Token erstellen, stellen Sie sicher, dass Sie es an einem sicheren Ort wie einem Passwort-Manager speichern können, da es nach der Erstellung nicht erneut angezeigt wird.

Kopieren Sie Ihr neu erstelltes Token. Fügen Sie es nun in die in diesem Kurs enthaltene Datei .env ein.

Schritt 2: Erstellen Sie Ihre .env-Datei

Um Ihre .env-Datei zu erstellen, führen Sie den folgenden Befehl in Ihrem Terminal aus.

# zsh/bash
cp .env.example .env

# PowerShell
Copy-Item .env.example .env

Dies kopiert die Beispieldatei und erstellt eine .env in Ihrem Verzeichnis, in der Sie die Werte für die Umgebungsvariablen eintragen.

Öffnen Sie mit kopiertem Token die .env-Datei in Ihrem bevorzugten Texteditor und fügen Sie Ihr Token in das Feld GITHUB_TOKEN ein.

Sie sollten nun in der Lage sein, die Codebeispiele dieses Kurses auszuführen.

Einrichtung für Beispiele mit Microsoft Foundry und Azure AI Agent Service

Schritt 1: Abrufen Ihres Azure-Projektendpunkts

Befolgen Sie die Schritte zur Erstellung eines Hubs und Projekts in Azure AI Foundry, die hier beschrieben sind: Übersicht zu Hub-Ressourcen

Nachdem Sie Ihr Projekt erstellt haben, müssen Sie die Verbindungszeichenfolge für Ihr Projekt abrufen.

Dies können Sie tun, indem Sie auf die Overview-Seite Ihres Projekts im Microsoft Foundry-Portal gehen.

Schritt 2: Erstellen Sie Ihre .env-Datei

Um Ihre .env-Datei zu erstellen, führen Sie den folgenden Befehl in Ihrem Terminal aus.

# zsh/bash
cp .env.example .env

# PowerShell
Copy-Item .env.example .env

Dies kopiert die Beispieldatei und erstellt eine .env in Ihrem Verzeichnis, in der Sie die Werte für die Umgebungsvariablen eintragen.

Öffnen Sie mit kopiertem Token die .env-Datei in Ihrem bevorzugten Texteditor und fügen Sie Ihr Token in das Feld PROJECT_ENDPOINT ein.

Schritt 3: Bei Azure anmelden

Als Best Practice für die Sicherheit verwenden wir keyless authentication, um uns mit Microsoft Entra ID bei Azure OpenAI zu authentifizieren.

Öffnen Sie als Nächstes ein Terminal und führen Sie az login --use-device-code aus, um sich bei Ihrem Azure-Konto anzumelden.

Nachdem Sie sich angemeldet haben, wählen Sie Ihr Abonnement im Terminal aus.

Zusätzliche Umgebungsvariablen - Azure Search und Azure OpenAI

Für die Agentic RAG-Lektion - Lektion 5 - gibt es Beispiele, die Azure Search und Azure OpenAI verwenden.

Wenn Sie diese Beispiele ausführen möchten, müssen Sie die folgenden Umgebungsvariablen zu Ihrer .env-Datei hinzufügen:

Übersicht-Seite (Projekt)

• AZURE_SUBSCRIPTION_ID - Überprüfen Sie die Project details auf der Overview-Seite Ihres Projekts.

• AZURE_AI_PROJECT_NAME - Sehen Sie oben auf der Overview-Seite Ihres Projekts nach.

• AZURE_OPENAI_SERVICE - Finden Sie dies auf der Included capabilities-Registerkarte für Azure OpenAI Service auf der Overview-Seite.

Management Center

• AZURE_OPENAI_RESOURCE_GROUP - Gehen Sie zu Project properties auf der Overview-Seite des Management Center.

• GLOBAL_LLM_SERVICE - Unter Connected resources finden Sie den Verbindungsnamen Azure AI Services. Falls nicht aufgeführt, prüfen Sie das Azure portal in Ihrer Ressourcengruppe nach dem Namen der AI Services-Ressource.

Models + Endpoints-Seite

• AZURE_OPENAI_EMBEDDING_DEPLOYMENT_NAME - Wählen Sie Ihr Embedding-Modell (z. B. text-embedding-ada-002) und notieren Sie den Deployment name aus den Modelldetails.

• AZURE_OPENAI_CHAT_DEPLOYMENT_NAME - Wählen Sie Ihr Chat-Modell (z. B. gpt-4o-mini) und notieren Sie den Deployment name aus den Modelldetails.

Azure-Portal

• AZURE_OPENAI_ENDPOINT - Suchen Sie nach Azure AI services, klicken Sie darauf, gehen Sie dann zu Resource Management, Keys and Endpoint, scrollen Sie zu den "Azure OpenAI endpoints" und kopieren Sie diejenige, die als "Language APIs" bezeichnet ist.

• AZURE_OPENAI_API_KEY - Kopieren Sie auf derselben Seite KEY 1 oder KEY 2.

• AZURE_SEARCH_SERVICE_ENDPOINT - Finden Sie Ihre Azure AI Search-Ressource, klicken Sie darauf und sehen Sie die Overview.

• AZURE_SEARCH_API_KEY - Gehen Sie dann zu Settings und anschließend zu Keys, um den primären oder sekundären Admin-Schlüssel zu kopieren.

Externe Webseite

• AZURE_OPENAI_API_VERSION - Besuchen Sie die Seite API version lifecycle unter Latest GA API release.

Keyless-Authentifizierung einrichten

Anstatt Ihre Anmeldeinformationen fest im Code zu hinterlegen, verwenden wir eine keyless-Verbindung mit Azure OpenAI. Dazu importieren wir DefaultAzureCredential und rufen später die Funktion DefaultAzureCredential auf, um die Anmeldeinformationen zu erhalten.

# Python
from azure.identity import DefaultAzureCredential, InteractiveBrowserCredential

Festgefahren?

Wenn Sie Probleme bei der Ausführung dieses Setups haben, treten Sie unserem Azure AI Community Discord bei oder erstellen Sie ein Issue.

Nächste Lektion

Sie sind jetzt bereit, den Code für diesen Kurs auszuführen. Viel Spaß beim weiteren Kennenlernen der Welt der KI-Agenten!

Einführung in KI-Agenten und Anwendungsfälle

---

Haftungsausschluss: Dieses Dokument wurde mit dem KI-Übersetzungsdienst Co-op Translator (https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir uns um Genauigkeit bemühen, beachten Sie bitte, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner Ausgangssprache ist als maßgebliche Quelle zu betrachten. Bei wichtigen Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die sich aus der Verwendung dieser Übersetzung ergeben.