我們非常期待你開始這門課程，看看你會被生成式 AI 啟發創造出什麼！
為了確保你的學習順利，這頁面將說明設定步驟、技術需求，以及需要幫助時該去哪裡尋求協助。
要開始這門課程，你需要完成以下步驟。
將整個 repo fork到你自己的 GitHub 帳號，這樣你才能修改程式碼並完成挑戰。你也可以為這個 repo 加星號 (🌟)，方便日後找到它和相關的 repo。
為避免執行程式碼時出現相依性問題，我們建議你在GitHub Codespaces中執行這門課程。
你可以在 fork 後的 repo 中選擇 Code 選項，然後選擇 Codespaces 來建立。
在開發任何應用程式時，保護你的 API 金鑰安全非常重要。我們建議不要直接將 API 金鑰寫在程式碼中。若將這些資訊提交到公開的 repo，可能會造成安全風險，甚至被不法人士濫用導致額外費用。
以下是如何為 Python 建立 .env 檔案並加入 GITHUB_TOKEN 的逐步教學：
-
前往你的專案目錄：打開終端機或命令提示字元，切換到你想建立
.env檔案的專案根目錄。cd path/to/your/project -
建立
.env檔案：使用你喜歡的文字編輯器建立一個名為.env的新檔案。如果使用命令列，可以用touch（Unix 系統）或echo（Windows）：Unix 系統：
touch .env
Windows：
echo . > .env
-
編輯
.env檔案：用文字編輯器（例如 VS Code、Notepad++ 或其他）打開.env檔案，加入以下內容，將your_github_token_here替換成你的 GitHub token：GITHUB_TOKEN=your_github_token_here
-
儲存檔案：儲存並關閉文字編輯器。
-
安裝
python-dotenv：如果還沒安裝，你需要安裝python-dotenv套件，讓 Python 程式能從.env檔案讀取環境變數。可用pip安裝：pip install python-dotenv
-
在 Python 程式中載入環境變數：在你的 Python 程式碼中，使用
python-dotenv套件載入.env檔案的環境變數：from dotenv import load_dotenv import os # Load environment variables from .env file load_dotenv() # Access the GITHUB_TOKEN variable github_token = os.getenv("GITHUB_TOKEN") print(github_token)
完成以上步驟後，你就成功建立 .env 檔案，加入 GitHub token，並在 Python 應用程式中載入它。
要在本機執行程式碼，你需要先安裝某個版本的Python。
接著，你需要將這個 repo 複製(clone)到本機：
git clone https://github.com/microsoft/generative-ai-for-beginners
cd generative-ai-for-beginners完成檢出後，就可以開始學習了！
Miniconda 是一個輕量級的安裝器，用來安裝 Conda、Python 以及部分套件。
Conda 是一個套件管理工具，可以輕鬆建立和切換不同的 Python 虛擬環境 和套件。它也方便安裝無法用 pip 取得的套件。
你可以參考Miniconda 安裝指南來完成安裝。
安裝好 Miniconda 後，如果還沒複製此 repo，請先複製。
接著，你需要建立虛擬環境。使用 Conda 的話，請建立一個環境設定檔（environment.yml）。如果你使用 Codespaces，請在 .devcontainer 目錄下建立，也就是 .devcontainer/environment.yml。
請將以下內容填入你的環境設定檔：
name: <environment-name>
channels:
- defaults
- microsoft
dependencies:
- python=<python-version>
- openai
- python-dotenv
- pip
- pip:
- azure-ai-ml如果使用 conda 遇到錯誤，可以在終端機手動安裝 Microsoft AI 函式庫：
conda install -c microsoft azure-ai-ml
環境設定檔中列出我們需要的相依套件。<environment-name> 是你想命名的 Conda 環境名稱，<python-version> 是你想使用的 Python 版本，例如 3 是最新的主要版本。
完成後，請在命令列/終端機執行以下指令建立 Conda 環境：
conda env create --name ai4beg --file .devcontainer/environment.yml # .devcontainer sub path applies to only Codespace setups
conda activate ai4beg如果遇到問題，請參考Conda 環境管理指南。
我們建議使用Visual Studio Code (VS Code)編輯器，並安裝Python 支援擴充功能來學習這門課程。不過這只是建議，並非硬性要求。
注意：在 VS Code 中開啟課程 repo 時，你可以選擇在容器中設定專案。這是因為課程 repo 中有特殊的
.devcontainer目錄。後面會再說明。
注意：當你複製並在 VS Code 開啟目錄時，系統會自動建議你安裝 Python 支援擴充功能。
注意：如果 VS Code 建議你重新在容器中開啟 repo，請拒絕此請求，以便使用本機安裝的 Python 版本。
你也可以直接在瀏覽器中使用 Jupyter 環境來開發。無論是經典 Jupyter 或 Jupyter Hub，都提供了自動補全、程式碼高亮等良好開發體驗。
要在本機啟動 Jupyter，請打開終端機/命令列，切換到課程目錄，執行：
jupyter notebook或
jupyterhub這會啟動 Jupyter，並在命令列視窗中顯示存取的 URL。
打開該 URL 後，你會看到課程大綱，並能瀏覽任何 *.ipynb 檔案，例如 08-building-search-applications/python/oai-solution.ipynb。
另一種選擇是使用容器，而非在本機或 Codespace 設定環境。課程 repo 中的特殊 .devcontainer 資料夾讓 VS Code 可以在容器中設定專案。
如果不使用 Codespaces，則需要安裝 Docker。坦白說，這需要一些操作經驗，我們建議只有有容器使用經驗的人採用此方式。
使用 GitHub Codespaces 時，保護 API 金鑰安全的最佳方法之一是使用 Codespace Secrets。請參考Codespaces 秘密管理指南了解更多。
本課程包含 6 節概念課程與 6 節程式實作課程。
程式實作課程使用 Azure OpenAI Service。你需要有 Azure OpenAI 服務的存取權和 API 金鑰才能執行程式碼。你可以透過填寫申請表來申請存取權。
在等待申請審核期間，每堂程式課也包含一個 README.md 檔案，你可以在裡面查看程式碼和輸出結果。
如果你是第一次使用 Azure OpenAI 服務，請參考這份教學，了解如何建立並部署 Azure OpenAI Service 資源。
如果你是第一次使用 OpenAI API，請參考這份教學，了解如何建立並使用介面。
我們在官方的 AI Community Discord 伺服器中建立了頻道，方便你認識其他學員。這是與志同道合的創業家、開發者、學生，以及所有想在生成式 AI 領域提升自我的人交流的好地方。
專案團隊也會在這個 Discord 伺服器上協助學員。
這門課程是開源計畫。如果你發現改進空間或問題，請提出Pull Request或回報GitHub issue。
專案團隊會追蹤所有貢獻。參與開源是建立生成式 AI 職涯的絕佳方式。
大多數貢獻需要你同意一份貢獻者授權協議 (CLA)，聲明你有權利且確實授權我們使用你的貢獻。詳情請參考CLA，貢獻者授權協議網站。
重要提醒：翻譯此 repo 內容時，請勿使用機器翻譯。我們會透過社群驗證翻譯品質，請只在你熟悉的語言中自願參與翻譯。
當你提交 pull request 時，CLA-bot 會自動判斷你是否需要提供 CLA，並在 PR 上標示（例如標籤、留言）。請依照機器人的指示操作。你只需在所有使用我們 CLA 的 repo 中執行一次。
本專案已採用Microsoft 開源行為準則。更多資訊請參閱行為準則常見問題，或透過 Email opencode 聯絡我們。
既然你已完成所有必要步驟，現在就從生成式 AI 與大型語言模型的介紹開始吧！
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。