Skip to content

README.md

Latest commit

 

History

History
324 lines (187 loc) · 15.6 KB

README.md

File metadata and controls

324 lines (187 loc) · 15.6 KB

Configuración del Curso

Introducción

Esta lección cubrirá cómo ejecutar los ejemplos de código de este curso.

Únete a otros estudiantes y obtén ayuda

Antes de comenzar a clonar tu repositorio, únete al canal de Discord AI Agents For Beginners para obtener ayuda con la configuración, resolver cualquier duda sobre el curso o conectarte con otros estudiantes.

Clona o haz un fork de este repositorio

Para comenzar, por favor clona o haz un fork del repositorio de GitHub. Esto te permitirá tener tu propia versión del material del curso para que puedas ejecutar, probar y modificar el código.

Esto se puede hacer haciendo clic en el enlace para hacer un fork del repositorio.

Ahora deberías tener tu propia versión del curso en el siguiente enlace:

Repositorio con fork

Clonación superficial (recomendada para talleres / Codespaces)

El repositorio completo puede ser grande (~3 GB) cuando descargas todo el historial y los archivos. Si solo estás asistiendo al taller o necesitas solo algunas carpetas de lecciones, una clonación superficial (o una clonación parcial) evita la mayor parte de esa descarga truncando el historial y/o omitiendo blobs.

Clonación superficial rápida — historial mínimo, todos los archivos

Reemplaza <your-username> en los siguientes comandos con la URL de tu fork (o la URL original si lo prefieres).

Para clonar solo el historial del último commit (descarga pequeña):

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

Para clonar una rama específica:

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

Clonación parcial (sparse) — blobs mínimos + solo carpetas seleccionadas

Esto utiliza clonación parcial y sparse-checkout (requiere Git 2.25+ y se recomienda una versión moderna de Git con soporte para clonación parcial):

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

Accede a la carpeta del repositorio:

Para bash:

cd ai-agents-for-beginners

Para Powershell:

Set-Location ai-agents-for-beginners

Luego especifica qué carpetas necesitas (el ejemplo a continuación muestra dos carpetas):

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

Después de clonar y verificar los archivos, si solo necesitas los archivos y quieres liberar espacio (sin historial de git), por favor elimina los metadatos del repositorio (💀irreversible — perderás toda la funcionalidad de Git: no habrá commits, pulls, pushes ni acceso al historial).

Para Linux/macOS:

rm -rf .git

Para Windows:

Remove-Item -Recurse -Force .git

Usar GitHub Codespaces (recomendado para evitar descargas locales grandes)

  • Crea un nuevo Codespace para este repositorio a través de la interfaz de GitHub.

  • En la terminal del Codespace recién creado, ejecuta uno de los comandos de clonación superficial/parcial mencionados anteriormente para traer solo las carpetas de lecciones que necesites al espacio de trabajo de Codespaces.

  • Opcional: después de clonar dentro de Codespaces, elimina .git para recuperar espacio adicional (consulta los comandos de eliminación anteriores).

  • Nota: Si prefieres abrir el repositorio directamente en Codespaces (sin una clonación adicional), ten en cuenta que Codespaces construirá el entorno devcontainer y aún puede provisionar más de lo que necesitas. Clonar una copia superficial dentro de un Codespace nuevo te da más control sobre el uso del disco.

Consejos

  • Siempre reemplaza la URL de clonación con tu fork si deseas editar/realizar commits.
  • Si más adelante necesitas más historial o archivos, puedes obtenerlos o ajustar el sparse-checkout para incluir carpetas adicionales.

Ejecutar el código

Este curso ofrece una serie de Jupyter Notebooks que puedes ejecutar para obtener experiencia práctica construyendo Agentes de IA.

Los ejemplos de código utilizan:

Requiere cuenta de GitHub - Gratis:

  1. Marco de trabajo Semantic Kernel Agent + GitHub Models Marketplace. Etiquetado como (semantic-kernel.ipynb)
  2. Marco de trabajo AutoGen + GitHub Models Marketplace. Etiquetado como (autogen.ipynb)

Requiere suscripción a Azure: 3) Azure AI Foundry + Azure AI Agent Service. Etiquetado como (azureaiagent.ipynb)

Te animamos a probar los tres tipos de ejemplos para ver cuál funciona mejor para ti.

La opción que elijas determinará los pasos de configuración que necesitas seguir a continuación:

Requisitos

  • Python 3.12+

    • NOTA: Si no tienes Python 3.12 instalado, asegúrate de instalarlo. Luego crea tu entorno virtual usando python3.12 para garantizar que se instalen las versiones correctas desde el archivo requirements.txt.

      Ejemplo

      Crear directorio de entorno virtual de Python:

      python3 -m venv venv

      Luego activa el entorno virtual para:

      macOS y Linux

      source venv/bin/activate

      Windows

      venv\Scripts\activate

  • Una cuenta de GitHub - Para acceder al GitHub Models Marketplace

  • Suscripción a Azure - Para acceder a Azure AI Foundry

  • Cuenta de Azure AI Foundry - Para acceder al Azure AI Agent Service

Hemos incluido un archivo requirements.txt en la raíz de este repositorio que contiene todos los paquetes de Python necesarios para ejecutar los ejemplos de código.

Puedes instalarlos ejecutando el siguiente comando en tu terminal en la raíz del repositorio:

pip install -r requirements.txt

Recomendamos crear un entorno virtual de Python para evitar conflictos y problemas.

Configuración de VSCode

Asegúrate de estar utilizando la versión correcta de Python en VSCode.

image

Configuración para ejemplos usando GitHub Models

Paso 1: Obtén tu token de acceso personal (PAT) de GitHub

Este curso utiliza el GitHub Models Marketplace, que proporciona acceso gratuito a modelos de lenguaje grande (LLMs) que usarás para construir Agentes de IA.

Para usar los modelos de GitHub, necesitarás crear un token de acceso personal de GitHub.

Esto se puede hacer yendo a la configuración de tokens de acceso personal en tu cuenta de GitHub.

Por favor, sigue el Principio de Mínimos Privilegios al crear tu token. Esto significa que solo debes otorgar al token los permisos necesarios para ejecutar los ejemplos de código de este curso.

  1. Selecciona la opción Fine-grained tokens en el lado izquierdo de tu pantalla navegando a la Configuración de desarrollador.

    Luego selecciona Generate new token.

    Generar Token

  2. Ingresa un nombre descriptivo para tu token que refleje su propósito, facilitando su identificación más adelante.

    🔐 Recomendación de duración del token

    Duración recomendada: 30 días Para una postura más segura, puedes optar por un período más corto, como 7 días 🛡️ Es una excelente manera de establecer un objetivo personal y completar el curso mientras tu impulso de aprendizaje está alto 🚀.

    Nombre y expiración del token

  3. Limita el alcance del token a tu fork de este repositorio.

    Limitar alcance al repositorio con fork

  4. Restringe los permisos del token: En la pestaña Permissions, haz clic en la pestaña Account y luego en el botón "+ Add permissions". Aparecerá un menú desplegable. Busca Models y marca la casilla correspondiente. Agregar permiso de modelos

  5. Verifica los permisos requeridos antes de generar el token. Verificar permisos

  6. Antes de generar el token, asegúrate de estar listo para almacenarlo en un lugar seguro como un gestor de contraseñas, ya que no se mostrará nuevamente después de crearlo. Almacenar token de forma segura

Copia tu nuevo token que acabas de crear. Ahora lo agregarás a tu archivo .env incluido en este curso.

Paso 2: Crea tu archivo .env

Para crear tu archivo .env, ejecuta el siguiente comando en tu terminal.

cp .env.example .env

Esto copiará el archivo de ejemplo y creará un .env en tu directorio donde llenarás los valores de las variables de entorno.

Con tu token copiado, abre el archivo .env en tu editor de texto favorito y pega tu token en el campo GITHUB_TOKEN. Campo de token de GitHub

Ahora deberías poder ejecutar los ejemplos de código de este curso.

Configuración para ejemplos usando Azure AI Foundry y Azure AI Agent Service

Paso 1: Obtén el punto de conexión de tu proyecto de Azure

Sigue los pasos para crear un hub y un proyecto en Azure AI Foundry que se encuentran aquí: Descripción general de recursos del hub

Una vez que hayas creado tu proyecto, necesitarás obtener la cadena de conexión para tu proyecto.

Esto se puede hacer yendo a la página Overview de tu proyecto en el portal de Azure AI Foundry.

Cadena de conexión del proyecto

Paso 2: Crea tu archivo .env

Para crear tu archivo .env, ejecuta el siguiente comando en tu terminal.

cp .env.example .env

Esto copiará el archivo de ejemplo y creará un .env en tu directorio donde llenarás los valores de las variables de entorno.

Con tu token copiado, abre el archivo .env en tu editor de texto favorito y pega tu token en el campo PROJECT_ENDPOINT.

Paso 3: Inicia sesión en Azure

Como mejor práctica de seguridad, utilizaremos autenticación sin claves para autenticarte en Azure OpenAI con Microsoft Entra ID.

A continuación, abre una terminal y ejecuta az login --use-device-code para iniciar sesión en tu cuenta de Azure.

Una vez que hayas iniciado sesión, selecciona tu suscripción en la terminal.

Variables de entorno adicionales - Azure Search y Azure OpenAI

Para la lección Agentic RAG - Lección 5 - hay ejemplos que utilizan Azure Search y Azure OpenAI.

Si deseas ejecutar estos ejemplos, necesitarás agregar las siguientes variables de entorno a tu archivo .env:

Página de descripción general (Proyecto)

  • AZURE_SUBSCRIPTION_ID - Consulta Detalles del proyecto en la página Overview de tu proyecto.

  • AZURE_AI_PROJECT_NAME - Mira la parte superior de la página Overview de tu proyecto.

  • AZURE_OPENAI_SERVICE - Encuentra esto en la pestaña Included capabilities para Azure OpenAI Service en la página Overview.

Centro de gestión

  • AZURE_OPENAI_RESOURCE_GROUP - Ve a Propiedades del proyecto en la página Overview del Centro de gestión.

  • GLOBAL_LLM_SERVICE - En Recursos conectados, encuentra el nombre de conexión de Azure AI Services. Si no está listado, consulta el portal de Azure en tu grupo de recursos para el nombre del recurso de AI Services.

Página de modelos + puntos de conexión

  • AZURE_OPENAI_EMBEDDING_DEPLOYMENT_NAME - Selecciona tu modelo de incrustación (por ejemplo, text-embedding-ada-002) y toma nota del Nombre de implementación de los detalles del modelo.

  • AZURE_OPENAI_CHAT_DEPLOYMENT_NAME - Selecciona tu modelo de chat (por ejemplo, gpt-4o-mini) y toma nota del Nombre de implementación de los detalles del modelo.

Portal de Azure

  • AZURE_OPENAI_ENDPOINT - Busca Azure AI services, haz clic en él, luego ve a Resource Management, Keys and Endpoint, desplázate hacia abajo hasta "Azure OpenAI endpoints" y copia el que dice "Language APIs".

  • AZURE_OPENAI_API_KEY - Desde la misma pantalla, copia la CLAVE 1 o la CLAVE 2.

  • AZURE_SEARCH_SERVICE_ENDPOINT - Encuentra tu recurso de Azure AI Search, haz clic en él y consulta Overview.

  • AZURE_SEARCH_API_KEY - Luego ve a Settings y luego a Keys para copiar la clave de administrador principal o secundaria.

Página externa

Configuración de autenticación sin claves

En lugar de codificar tus credenciales, utilizaremos una conexión sin claves con Azure OpenAI. Para hacerlo, importaremos DefaultAzureCredential y luego llamaremos a la función DefaultAzureCredential para obtener la credencial.

from azure.identity import DefaultAzureCredential, InteractiveBrowserCredential

¿Atascado en algún lugar?

Si tienes algún problema al ejecutar esta configuración, únete a nuestro Discord de la Comunidad Azure AI o crea un problema.

Próxima Lección

Ahora estás listo para ejecutar el código de este curso. ¡Disfruta aprendiendo más sobre el mundo de los Agentes de IA!

Introducción a los Agentes de IA y Casos de Uso de Agentes

Descargo de responsabilidad:
Este documento ha sido traducido utilizando el servicio de traducción automática Co-op Translator. Aunque nos esforzamos por garantizar la precisión, tenga en cuenta que las traducciones automatizadas pueden contener errores o imprecisiones. El documento original en su idioma nativo debe considerarse como la fuente autorizada. Para información crítica, se recomienda una traducción profesional realizada por humanos. No nos hacemos responsables de malentendidos o interpretaciones erróneas que puedan surgir del uso de esta traducción.