README.md

🚀 Modul 1: Základy AI Toolkit

📋 Výukové cíle

Na konci tohoto modulu budete umět:

• ✅ Nainstalovat a nakonfigurovat AI Toolkit pro Visual Studio Code
• ✅ Procházet Model Catalog a porozumět různým zdrojům modelů
• ✅ Používat Playground pro testování a experimentování s modely
• ✅ Vytvářet vlastní AI agenty pomocí Agent Builderu
• ✅ Porovnávat výkon modelů napříč různými poskytovateli
• ✅ Aplikovat osvědčené postupy pro prompt engineering

🧠 Úvod do AI Toolkit (AITK)

AI Toolkit pro Visual Studio Code je vlajkovým rozšířením Microsoftu, které proměňuje VS Code v komplexní vývojové prostředí pro AI. Překonává propast mezi výzkumem AI a praktickým vývojem aplikací, díky čemuž je generativní AI dostupná vývojářům všech úrovní.

🌟 Klíčové funkce

Funkce	Popis	Použití
🗂️ Model Catalog	Přístup k více než 100 modelům z GitHubu, ONNX, OpenAI, Anthropic, Google	Objevování a výběr modelů
🔌 BYOM Support	Integrace vlastních modelů (lokálních nebo vzdálených)	Nasazení vlastních modelů
🎮 Interaktivní Playground	Testování modelů v reálném čase s chatovacím rozhraním	Rychlé prototypování a testování
📎 Podpora multimodálních vstupů	Práce s textem, obrázky a přílohami	Složitější AI aplikace
⚡ Hromadné zpracování	Spouštění více promptů současně	Efektivní testovací workflow
📊 Hodnocení modelů	Vestavěné metriky (F1, relevance, podobnost, koherence)	Posouzení výkonu

🎯 Proč je AI Toolkit důležitý

• 🚀 Rychlejší vývoj: Od nápadu k prototypu během minut
• 🔄 Jednotné prostředí: Jedno rozhraní pro více AI poskytovatelů
• 🧪 Snadné experimentování: Porovnání modelů bez složitého nastavení
• 📈 Připravený na produkci: Plynulý přechod od prototypu k nasazení

🛠️ Požadavky a nastavení

📦 Instalace rozšíření AI Toolkit

Krok 1: Otevřete Marketplace rozšíření

1. Spusťte Visual Studio Code
2. Přejděte do zobrazení rozšíření (Ctrl+Shift+X nebo Cmd+Shift+X)
3. Vyhledejte "AI Toolkit"

Krok 2: Vyberte verzi

• 🟢 Release: Doporučeno pro produkční použití
• 🔶 Pre-release: Předběžný přístup k nejnovějším funkcím

Krok 3: Instalujte a aktivujte

✅ Kontrolní seznam ověření

• Ikona AI Toolkit se zobrazuje v postranním panelu VS Code
• Rozšíření je povoleno a aktivováno
• V panelu výstupu nejsou chyby instalace

🧪 Praktické cvičení 1: Prozkoumání modelů na GitHubu

🎯 Cíl: Ovládnout Model Catalog a otestovat svůj první AI model

📊 Krok 1: Procházení Model Catalog

Model Catalog je vaše brána do AI ekosystému. Sbírá modely od různých poskytovatelů, což usnadňuje jejich objevování a porovnávání.

🔍 Navigační návod:

Klikněte na MODELS - Catalog v postranním panelu AI Toolkit

💡 Tip: Hledejte modely s konkrétními schopnostmi, které odpovídají vašemu použití (např. generování kódu, kreativní psaní, analýza).

⚠️ Poznámka: Modely hostované na GitHubu (GitHub Models) jsou zdarma, ale podléhají omezením počtu požadavků a tokenů. Pokud chcete přistupovat k modelům mimo GitHub (např. externí modely přes Azure AI nebo jiné endpointy), budete potřebovat příslušný API klíč nebo autentizaci.

🚀 Krok 2: Přidání a konfigurace prvního modelu

Strategie výběru modelu:

• GPT-4.1: Nejlepší pro složité uvažování a analýzu
• Phi-4-mini: Lehký, rychlé odpovědi pro jednoduché úkoly

🔧 Postup konfigurace:

1. Vyberte OpenAI GPT-4.1 z katalogu
2. Klikněte na Add to My Models – tím model zaregistrujete k použití
3. Zvolte Try in Playground pro spuštění testovacího prostředí
4. Počkejte na inicializaci modelu (první spuštění může chvíli trvat)

⚙️ Vysvětlení parametrů modelu:

• Temperature: Řídí kreativitu (0 = deterministické, 1 = kreativní)
• Max Tokens: Maximální délka odpovědi
• Top-p: Nucleus sampling pro rozmanitost odpovědí

🎯 Krok 3: Ovládnutí rozhraní Playground

Playground je vaše laboratoř pro experimenty s AI. Jak ho co nejlépe využít:

🎨 Osvědčené postupy pro prompt engineering:

1. Buďte konkrétní: Jasné a detailní instrukce přinášejí lepší výsledky
2. Poskytněte kontext: Přidejte relevantní informace na pozadí
3. Používejte příklady: Ukažte modelu, co chcete, na příkladech
4. Iterujte: Vylepšujte prompt podle prvních výsledků

🧪 Testovací scénáře:

# Example 1: Code Generation
"Write a Python function that calculates the factorial of a number using recursion. Include error handling and docstrings."

# Example 2: Creative Writing
"Write a professional email to a client explaining a project delay, maintaining a positive tone while being transparent about challenges."

# Example 3: Data Analysis
"Analyze this sales data and provide insights: [paste your data]. Focus on trends, anomalies, and actionable recommendations."

🏆 Výzva: Porovnání výkonu modelů

🎯 Cíl: Porovnat různé modely pomocí stejných promptů a pochopit jejich silné stránky

📋 Instrukce:

1. Přidejte Phi-4-mini do svého pracovního prostoru
2. Použijte stejný prompt pro GPT-4.1 i Phi-4-mini

3. Porovnejte kvalitu odpovědí, rychlost a přesnost
4. Zaznamenejte své poznatky v sekci výsledků

💡 Klíčové poznatky k objevení:

• Kdy použít LLM vs SLM
• Poměr cena/výkon
• Specializované schopnosti různých modelů

🤖 Praktické cvičení 2: Vytváření vlastních agentů pomocí Agent Builder

🎯 Cíl: Vytvořit specializované AI agenty přizpůsobené konkrétním úkolům a pracovním postupům

🏗️ Krok 1: Seznámení s Agent Builderem

Agent Builder je místo, kde AI Toolkit opravdu vyniká. Umožňuje vytvářet na míru šité AI asistenty, kteří kombinují sílu velkých jazykových modelů s vlastními instrukcemi, specifickými parametry a specializovanými znalostmi.

🧠 Komponenty architektury agenta:

• Core Model: Základní LLM (GPT-4, Groks, Phi atd.)
• System Prompt: Definuje osobnost a chování agenta
• Parametry: Jemně laděná nastavení pro optimální výkon
• Integrace nástrojů: Připojení k externím API a MCP službám
• Paměť: Kontext konverzace a uchování relace

⚙️ Krok 2: Hloubková konfigurace agenta

🎨 Tvorba efektivních systémových promptů:

# Template Structure:
## Role Definition
You are a [specific role] with expertise in [domain].

## Capabilities
- List specific abilities
- Define scope of knowledge
- Clarify limitations

## Behavior Guidelines
- Response style (formal, casual, technical)
- Output format preferences
- Error handling approach

## Examples
Provide 2-3 examples of ideal interactions

Samozřejmě můžete také použít Generate System Prompt, aby vám AI pomohla prompt vytvořit a optimalizovat

🔧 Optimalizace parametrů:

Parametr	Doporučený rozsah	Použití
Temperature	0.1-0.3	Technické/faktické odpovědi
Temperature	0.7-0.9	Kreativní/brainstormingové úkoly
Max Tokens	500-1000	Stručné odpovědi
Max Tokens	2000-4000	Podrobné vysvětlení

🐍 Krok 3: Praktické cvičení – Python programovací agent

🎯 Mise: Vytvořit specializovaného asistenta pro Python kódování

📋 Konfigurační kroky:

1. Výběr modelu: Zvolte Claude 3.5 Sonnet (vynikající pro kód)

2. Návrh systémového promptu:

# Python Programming Expert Agent

## Role
You are a senior Python developer with 10+ years of experience. You excel at writing clean, efficient, and well-documented Python code.

## Capabilities
- Write production-ready Python code
- Debug complex issues
- Explain code concepts clearly
- Suggest best practices and optimizations
- Provide complete working examples

## Response Format
- Always include docstrings
- Add inline comments for complex logic
- Suggest testing approaches
- Mention relevant libraries when applicable

## Code Quality Standards
- Follow PEP 8 style guidelines
- Use type hints where appropriate
- Handle exceptions gracefully
- Write readable, maintainable code

3. Nastavení parametrů:
   • Temperature: 0.2 (pro konzistentní a spolehlivý kód)
   • Max Tokens: 2000 (podrobné vysvětlení)
   • Top-p: 0.9 (vyvážená kreativita)

🧪 Krok 4: Testování vašeho Python agenta

Testovací scénáře:

1. Základní funkce: "Vytvoř funkci pro hledání prvočísel"
2. Složitý algoritmus: "Implementuj binární vyhledávací strom s metodami insert, delete a search"
3. Reálný problém: "Postav web scraper, který zvládá omezení počtu požadavků a opakování"
4. Ladění: "Oprav tento kód [vložit chybný kód]"

🏆 Kritéria úspěchu:

• ✅ Kód běží bez chyb
• ✅ Obsahuje správnou dokumentaci
• ✅ Dodržuje nejlepší praktiky Pythonu
• ✅ Poskytuje jasná vysvětlení
• ✅ Navrhuje vylepšení

🎓 Shrnutí modulu 1 a další kroky

📊 Kontrola znalostí

Otestujte své porozumění:

• Dokážete vysvětlit rozdíly mezi modely v katalogu?
• Úspěšně jste vytvořili a otestovali vlastního agenta?
• Rozumíte, jak optimalizovat parametry pro různé scénáře?
• Umíte navrhnout efektivní systémové prompty?

📚 Další zdroje

• Dokumentace AI Toolkit: Oficiální Microsoft Docs
• Průvodce prompt engineeringem: Osvědčené postupy
• Modely v AI Toolkit: Modely ve vývoji

🎉 Gratulujeme! Ovládli jste základy AI Toolkit a jste připraveni vytvářet pokročilejší AI aplikace!

🔜 Pokračujte do dalšího modulu

Chcete-li se naučit pokročilejší funkce, pokračujte do Modulu 2: MCP s AI Toolkit základy, kde se naučíte:

• Připojovat agenty k externím nástrojům pomocí Model Context Protocol (MCP)
• Vytvářet agenty pro automatizaci prohlížeče s Playwright
• Integrovat MCP servery s vašimi AI Toolkit agenty
• Posílit své agenty externími daty a schopnostmi

Prohlášení o vyloučení odpovědnosti:
Tento dokument byl přeložen pomocí AI překladatelské služby Co-op Translator. I když usilujeme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho mateřském jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za jakékoliv nedorozumění nebo nesprávné výklady vyplývající z použití tohoto překladu.