Skip to content

README.md

Latest commit

 

History

History
317 lines (187 loc) · 13.3 KB

README.md

File metadata and controls

317 lines (187 loc) · 13.3 KB

課程設置

簡介

本課程將介紹如何運行本課程的代碼示例。

加入其他學員並獲得幫助

在開始克隆您的倉庫之前，請加入 AI Agents For Beginners Discord 頻道，以獲得設置幫助、課程相關問題的解答，或與其他學員交流。

克隆或分叉此倉庫

首先，請克隆或分叉 GitHub 倉庫。這將創建您自己的課程材料版本，以便您可以運行、測試和調整代碼！

您可以通過點擊以下鏈接來 分叉倉庫

現在，您應該擁有此課程的分叉版本，鏈接如下：

分叉倉庫

淺克隆（建議用於工作坊 / Codespaces）

完整倉庫在下載完整歷史記錄和所有文件時可能會很大（約 3 GB）。如果您僅參加工作坊或僅需要一些課程文件夾，淺克隆（或稀疏克隆）可以通過截斷歷史記錄和/或跳過文件來避免大部分下載。

快速淺克隆 — 最小歷史記錄，所有文件

在以下命令中將 <your-username> 替換為您的分叉 URL（或您偏好的上游 URL）。

僅克隆最新提交歷史記錄（小型下載）：

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

克隆特定分支：

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

部分（稀疏）克隆 — 最小文件 + 僅選擇的文件夾

此方法使用部分克隆和稀疏檢出（需要 Git 2.25+，建議使用支持部分克隆的現代 Git）：

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

進入倉庫文件夾：

對於 bash：

cd ai-agents-for-beginners

對於 Powershell：

Set-Location ai-agents-for-beginners

然後指定您需要的文件夾（以下示例顯示兩個文件夾）：

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

在克隆並驗證文件後，如果您只需要文件並希望釋放空間（無 git 歷史記錄），請刪除倉庫元數據（💀不可逆 — 您將失去所有 Git 功能：無法提交、拉取、推送或訪問歷史記錄）。

對於 Linux/macOS：

rm -rf .git

對於 Windows：

Remove-Item -Recurse -Force .git

使用 GitHub Codespaces（建議避免本地大規模下載）

  • 通過 GitHub UI 為此倉庫創建新的 Codespace。

  • 在新創建的 Codespace 的終端中，運行上述淺克隆/稀疏克隆命令，僅將您需要的課程文件夾帶入 Codespace 工作區。

  • 可選：在 Codespaces 中克隆後，刪除 .git 以回收額外空間（請參閱上述刪除命令）。

  • 注意：如果您更喜歡直接在 Codespaces 中打開倉庫（無需額外克隆），請注意 Codespaces 將構建開發容器環境，可能仍然會配置超出您需求的內容。在新的 Codespace 中克隆淺副本可以更好地控制磁盤使用。

提示

  • 如果您想編輯/提交，請始終用您的分叉替換克隆 URL。
  • 如果您之後需要更多的歷史記錄或文件，可以提取它們或調整稀疏檢出以包含其他文件夾。

運行代碼

本課程提供了一系列 Jupyter Notebooks，您可以通過它們親身體驗如何構建 AI Agents。

代碼示例使用以下工具：

需要 GitHub 帳戶 - 免費：

  1. Semantic Kernel Agent Framework + GitHub Models Marketplace。標記為 (semantic-kernel.ipynb)
  2. AutoGen Framework + GitHub Models Marketplace。標記為 (autogen.ipynb)

需要 Azure 訂閱： 3) Azure AI Foundry + Azure AI Agent Service。標記為 (azureaiagent.ipynb)

我們鼓勵您嘗試所有三種類型的示例，以了解哪一種最適合您。

無論您選擇哪種選項，都將決定您需要遵循以下哪些設置步驟：

要求

  • Python 3.12+

    • 注意：如果您尚未安裝 Python3.12，請確保安裝它。然後使用 python3.12 創建您的 venv，以確保從 requirements.txt 文件中安裝正確的版本。

      示例

      創建 Python venv 目錄：

      python3 -m venv venv

      然後激活 venv 環境：

      macOS 和 Linux

      source venv/bin/activate

      Windows

      venv\Scripts\activate

  • GitHub 帳戶 - 用於訪問 GitHub Models Marketplace

  • Azure 訂閱 - 用於訪問 Azure AI Foundry

  • Azure AI Foundry 帳戶 - 用於訪問 Azure AI Agent Service

我們在此倉庫的根目錄中包含了一個 requirements.txt 文件，其中包含運行代碼示例所需的所有 Python 包。

您可以在倉庫根目錄的終端中運行以下命令來安裝它們：

pip install -r requirements.txt

我們建議創建 Python 虛擬環境以避免任何衝突和問題。

設置 VSCode

確保您在 VSCode 中使用正確版本的 Python。

image

使用 GitHub Models 的示例設置

步驟 1：獲取您的 GitHub 個人訪問令牌 (PAT)

本課程利用 GitHub Models Marketplace，提供免費訪問大型語言模型 (LLMs)，您將使用它們來構建 AI Agents。

要使用 GitHub Models，您需要創建一個 GitHub 個人訪問令牌。

您可以通過訪問您的 個人訪問令牌設置 在 GitHub 帳戶中完成此操作。

請遵循 最小特權原則 創建令牌。這意味著您應僅授予令牌運行本課程代碼示例所需的權限。

  1. 在屏幕左側選擇 開發者設置 中的 Fine-grained tokens 選項。

    然後選擇 生成新令牌。

    生成令牌

  2. 為您的令牌輸入一個描述性名稱，反映其用途，便於日後識別。

    🔐 令牌有效期建議

    建議有效期：30 天 為了更安全，您可以選擇更短的期限，例如 7 天 🛡️ 這是一個很好的方式來設置個人目標，並在學習動力高漲時完成課程 🚀。

    令牌名稱和到期日期

  3. 將令牌的範圍限制在此倉庫的分叉。

    限制範圍到分叉倉庫

  4. 限制令牌的權限：在 權限 下，點擊 帳戶 標籤，然後點擊 "+ 添加權限" 按鈕。將出現下拉菜單。請搜索 Models 並勾選它。 添加 Models 權限

  5. 在生成令牌之前，請驗證所需的權限。 驗證權限

  6. 在生成令牌之前，請確保您準備好將令牌存儲在安全的地方，例如密碼管理器保險庫，因為生成後將無法再次查看它。 安全存儲令牌

複製您剛剛創建的新令牌。現在，您需要將其添加到本課程包含的 .env 文件中。

步驟 2：創建您的 .env 文件

要創建 .env 文件，請在終端中運行以下命令。

cp .env.example .env

這將複製示例文件並在您的目錄中創建 .env，您可以在其中填寫環境變量的值。

複製您的令牌，打開您喜歡的文本編輯器中的 .env 文件，並將令牌粘貼到 GITHUB_TOKEN 字段中。 GitHub Token 字段

現在，您應該可以運行本課程的代碼示例。

使用 Azure AI Foundry 和 Azure AI Agent Service 的示例設置

步驟 1：獲取您的 Azure 項目端點

按照此處的步驟創建 Azure AI Foundry 中的 hub 和項目：Hub 資源概述

創建項目後，您需要獲取項目的連接字符串。

您可以通過訪問 Azure AI Foundry 入口網站中項目的 概述 頁面來完成此操作。

項目連接字符串

步驟 2：創建您的 .env 文件

要創建 .env 文件，請在終端中運行以下命令。

cp .env.example .env

這將複製示例文件並在您的目錄中創建 .env，您可以在其中填寫環境變量的值。

複製您的令牌，打開您喜歡的文本編輯器中的 .env 文件，並將令牌粘貼到 PROJECT_ENDPOINT 字段中。

步驟 3：登錄 Azure

作為安全最佳實踐，我們將使用 無密鑰身份驗證 通過 Microsoft Entra ID 驗證到 Azure OpenAI。

接下來，打開終端並運行 az login --use-device-code 登錄到您的 Azure 帳戶。

登錄後，在終端中選擇您的訂閱。

額外的環境變量 - Azure Search 和 Azure OpenAI

針對 Agentic RAG 課程 - 第五課 - 有使用 Azure Search 和 Azure OpenAI 的示例。

如果您想運行這些示例，您需要在 .env 文件中添加以下環境變量：

概述頁面（項目）

  • AZURE_SUBSCRIPTION_ID - 在項目 概述 頁面的 項目詳情 中查看。

  • AZURE_AI_PROJECT_NAME - 在項目 概述 頁面頂部查看。

  • AZURE_OPENAI_SERVICE - 在 概述 頁面的 包含的功能 標籤中找到 Azure OpenAI Service。

管理中心

  • AZURE_OPENAI_RESOURCE_GROUP - 在 管理中心 的 概述 頁面中查看 項目屬性。

  • GLOBAL_LLM_SERVICE - 在 連接的資源 下，找到 Azure AI Services 連接名稱。如果未列出，請檢查 Azure 入口網站 中資源組下的 AI Services 資源名稱。

模型 + 端點頁面

  • AZURE_OPENAI_EMBEDDING_DEPLOYMENT_NAME - 選擇您的嵌入模型（例如 text-embedding-ada-002），並記下模型詳情中的 部署名稱。

  • AZURE_OPENAI_CHAT_DEPLOYMENT_NAME - 選擇您的聊天模型（例如 gpt-4o-mini），並記下模型詳情中的 部署名稱。

Azure 入口網站

  • AZURE_OPENAI_ENDPOINT - 查找 Azure AI services，點擊它，然後進入 資源管理，密鑰和端點，向下滾動到 "Azure OpenAI endpoints"，並複製顯示為 "Language APIs" 的端點。

  • AZURE_OPENAI_API_KEY - 從同一屏幕中複製 KEY 1 或 KEY 2。

  • AZURE_SEARCH_SERVICE_ENDPOINT - 找到您的 Azure AI Search 資源，點擊它，然後查看 概述。

  • AZURE_SEARCH_API_KEY - 然後進入 設置，然後 密鑰，複製主密鑰或次要管理密鑰。

外部網頁

設置無密鑰身份驗證

為避免硬編碼您的憑據，我們將使用 Azure OpenAI 的無密鑰連接。為此，我們將導入 DefaultAzureCredential，稍後調用 DefaultAzureCredential 函數以獲取憑據。

from azure.identity import DefaultAzureCredential, InteractiveBrowserCredential

遇到困難了嗎？

如果您在執行此設置時遇到任何問題，請加入我們的 Azure AI 社群 Discord 或 建立問題。

下一課程

您現在已準備好執行本課程的程式碼。祝您在探索 AI Agents 的世界中學習愉快！

AI Agents 介紹及其使用案例

免責聲明：
本文件已使用 AI 翻譯服務 Co-op Translator 進行翻譯。儘管我們努力確保翻譯的準確性，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被視為權威來源。對於關鍵信息，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或誤釋不承擔責任。