我们非常期待你开始这门课程，看看你会被生成式 AI 激发出什么创意！
为了确保你的学习顺利，本页将介绍设置步骤、技术要求以及遇到问题时的求助途径。
开始学习本课程前，你需要完成以下步骤。
将整个仓库 Fork到你自己的 GitHub 账号，这样你才能修改代码并完成挑战。你也可以给这个仓库加星标 (🌟)，方便以后找到它和相关仓库。
为了避免运行代码时出现依赖问题，我们建议在GitHub Codespaces中运行本课程。
你可以在 Fork 后的仓库中选择 Code 选项，然后选择 Codespaces 来创建。
在构建任何应用时，保护好你的 API 密钥非常重要。我们建议不要将 API 密钥直接写入代码。将密钥提交到公共仓库可能导致安全风险，甚至被恶意使用产生不必要的费用。
以下是为 Python 创建 .env 文件并添加 GITHUB_TOKEN 的分步指南：
-
进入项目目录：打开终端或命令行，切换到你想创建
.env文件的项目根目录。cd path/to/your/project -
创建
.env文件：用你喜欢的文本编辑器新建一个名为.env的文件。如果用命令行，可以使用touch（Unix 系统）或echo（Windows）：Unix 系统：
touch .env
Windows：
echo . > .env
-
编辑
.env文件：用文本编辑器打开.env文件（如 VS Code、Notepad++ 等），添加以下内容，将your_github_token_here替换为你的真实 GitHub 令牌：GITHUB_TOKEN=your_github_token_here
-
保存文件：保存并关闭编辑器。
-
安装
python-dotenv：如果还没安装，需要用pip安装python-dotenv，以便从.env文件加载环境变量：pip install python-dotenv
-
在 Python 脚本中加载环境变量：在你的 Python 脚本中，使用
python-dotenv加载.env文件中的环境变量：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)
完成以上步骤后，你就成功创建了 .env 文件，添加了 GitHub 令牌，并在 Python 应用中加载了它。
要在本地运行代码，你需要先安装某个版本的Python。
然后，克隆仓库：
git clone https://github.com/microsoft/generative-ai-for-beginners
cd generative-ai-for-beginners确认所有内容都准备好后，就可以开始学习了！
Miniconda 是一个轻量级安装器，用于安装 Conda、Python 以及一些包。Conda 是一个包管理器，方便你设置和切换不同的 Python 虚拟环境和包。它也适合安装那些无法通过 pip 获取的包。
你可以参考Miniconda 安装指南进行安装。
安装好 Miniconda 后，如果还没克隆仓库，请先克隆仓库。
接下来需要创建虚拟环境。使用 Conda，可以创建一个环境配置文件（environment.yml）。如果你使用 Codespaces，请在 .devcontainer 目录下创建，即 .devcontainer/environment.yml。
将下面的内容填入你的环境文件：
name: <environment-name>
channels:
- defaults
- microsoft
dependencies:
- python=<python-version>
- openai
- python-dotenv
- pip
- pip:
- azure-ai-ml如果使用 Conda 时遇到错误，可以在终端手动安装 Microsoft AI 库，命令如下：
conda install -c microsoft azure-ai-ml
环境文件中指定了所需依赖。<environment-name> 是你想给 Conda 环境起的名字，<python-version> 是你想用的 Python 版本，比如 3 表示最新的主版本。
完成后，在命令行/终端运行以下命令创建 Conda 环境：
conda env create --name ai4beg --file .devcontainer/environment.yml # .devcontainer sub path applies to only Codespace setups
conda activate ai4beg如果遇到问题，请参考Conda 环境指南。
我们推荐使用Visual Studio Code (VS Code)编辑器，并安装Python 支持扩展来学习本课程。不过这只是建议，并非强制要求。
注意：在 VS Code 中打开课程仓库时，你可以选择在容器中设置项目。这是因为课程仓库中包含了特殊的
.devcontainer目录。后面会详细介绍。
注意：克隆并打开目录后，VS Code 会自动建议你安装 Python 支持扩展。
注意：如果 VS Code 提示你重新在容器中打开仓库，请拒绝此请求，以便使用本地安装的 Python 版本。
你也可以直接在浏览器中使用Jupyter 环境进行项目开发。经典 Jupyter 和Jupyter Hub都提供了自动补全、代码高亮等良好开发体验。
要在本地启动 Jupyter，打开终端/命令行，切换到课程目录，执行：
jupyter notebook或者
jupyterhub这会启动一个 Jupyter 实例，访问地址会显示在命令行窗口中。
访问该地址后，你会看到课程大纲，并能打开任何 *.ipynb 文件，例如 08-building-search-applications/python/oai-solution.ipynb。
除了在本地电脑或 Codespace 设置环境外，你还可以使用容器。课程仓库中的特殊 .devcontainer 文件夹使 VS Code 能够在容器中搭建项目。若不使用 Codespaces，则需要安装 Docker。说实话，这需要一定的操作经验，我们建议只有有容器使用经验的同学尝试。
使用 GitHub Codespaces 时，保护 API 密钥的最佳方式之一是使用 Codespace Secrets。请参考Codespaces 秘密管理指南了解详情。
本课程包含 6 个概念课和 6 个编程课。
编程课使用 Azure OpenAI 服务。你需要拥有 Azure OpenAI 服务的访问权限和 API 密钥才能运行代码。你可以通过填写申请来获取访问权限。
在等待申请审批期间，每个编程课也包含一个 README.md 文件，你可以查看代码和输出结果。
如果你是第一次使用 Azure OpenAI 服务，请参考本指南，了解如何创建和部署 Azure OpenAI 服务资源。
如果你是第一次使用 OpenAI API，请参考本指南，了解如何创建和使用接口。
我们在官方的AI Community Discord 服务器中创建了频道，方便你结识其他学习者。这是与志同道合的创业者、开发者、学生以及所有想提升生成式 AI 技能的人交流的好地方。
项目团队也会在该 Discord 服务器上帮助学习者。
本课程是一个开源项目。如果你发现改进点或问题，请创建Pull Request或提交GitHub issue。
项目团队会跟踪所有贡献。参与开源是构建生成式 AI 职业生涯的绝佳方式。
大多数贡献需要你同意贡献者许可协议（CLA），声明你有权且确实授予我们使用你贡献的权利。详情请访问CLA，贡献者许可协议网站。
重要提示：翻译本仓库内容时，请确保不要使用机器翻译。我们会通过社区核实翻译质量，请仅在你熟练掌握该语言时自愿参与翻译。
提交 Pull Request 时，CLA 机器人会自动判断你是否需要提供 CLA，并相应标注（如标签、评论）。只需按照机器人提示操作即可。你只需在所有使用我们 CLA 的仓库中完成一次。
本项目采用了微软开源行为准则。更多信息请阅读行为准则常见问题，或通过邮箱 opencode@microsoft.com 联系我们，提出任何问题或建议。
既然你已经完成了学习本课程所需的准备步骤，接下来就从生成式 AI 和大语言模型简介开始吧。
免责声明：
本文件使用 AI 翻译服务 Co-op Translator 进行翻译。虽然我们力求准确，但请注意，自动翻译可能包含错误或不准确之处。原始语言的原文应被视为权威来源。对于重要信息，建议使用专业人工翻译。对于因使用本翻译而产生的任何误解或误释，我们不承担任何责任。