README.md

🚀 Modul 1: Grundlæggende om AI Toolkit

📋 Læringsmål

Når du er færdig med dette modul, vil du kunne:

• ✅ Installere og konfigurere AI Toolkit til Visual Studio Code
• ✅ Navigere i Modelkataloget og forstå forskellige modelkilder
• ✅ Bruge Playground til modeltest og eksperimenter
• ✅ Oprette brugerdefinerede AI-agenter med Agent Builder
• ✅ Sammenligne modelpræstationer på tværs af forskellige leverandører
• ✅ Anvende bedste praksis inden for prompt engineering

🧠 Introduktion til AI Toolkit (AITK)

AI Toolkit til Visual Studio Code er Microsofts flagskibsudvidelse, der forvandler VS Code til et komplet AI-udviklingsmiljø. Det bygger bro mellem AI-forskning og praktisk applikationsudvikling, og gør generativ AI tilgængelig for udviklere på alle niveauer.

🌟 Vigtige funktioner

Funktion	Beskrivelse	Anvendelse
🗂️ Modelkatalog	Adgang til 100+ modeller fra GitHub, ONNX, OpenAI, Anthropic, Google	Modelopdagelse og valg
🔌 BYOM Support	Integrer dine egne modeller (lokale/fjern)	Tilpasning og udrulning af egne modeller
🎮 Interaktiv Playground	Real-time modeltest med chat-interface	Hurtig prototyping og test
📎 Multi-modal support	Håndter tekst, billeder og vedhæftninger	Komplekse AI-applikationer
⚡ Batchbehandling	Kør flere prompts samtidigt	Effektive testarbejdsgange
📊 Modellevaluering	Indbyggede metrikker (F1, relevans, lighed, sammenhæng)	Vurdering af præstation

🎯 Hvorfor AI Toolkit er vigtigt

• 🚀 Hurtigere udvikling: Fra idé til prototype på få minutter
• 🔄 Samlet arbejdsgang: Én grænseflade til flere AI-leverandører
• 🧪 Nem eksperimentering: Sammenlign modeller uden kompliceret opsætning
• 📈 Klar til produktion: Glidende overgang fra prototype til implementering

🛠️ Forudsætninger & Opsætning

📦 Installer AI Toolkit-udvidelsen

Trin 1: Åbn Extensions Marketplace

1. Start Visual Studio Code
2. Gå til Extensions-visningen (Ctrl+Shift+X eller Cmd+Shift+X)
3. Søg efter "AI Toolkit"

Trin 2: Vælg din version

• 🟢 Release: Anbefalet til produktion
• 🔶 Pre-release: Tidlig adgang til nye funktioner

Trin 3: Installer og aktiver

✅ Tjekliste for verifikation

• AI Toolkit-ikon vises i VS Code-sidebar
• Udvidelsen er aktiveret og kører
• Ingen installationsfejl i output-panelet

🧪 Praktisk øvelse 1: Udforsk GitHub-modeller

🎯 Mål: Bliv fortrolig med Modelkataloget og test din første AI-model

📊 Trin 1: Naviger i Modelkataloget

Modelkataloget er din adgang til AI-økosystemet. Det samler modeller fra flere leverandører, så det er nemt at finde og sammenligne muligheder.

🔍 Navigationsvejledning:

Klik på MODELS - Catalog i AI Toolkit-sidebar

💡 Pro-tip: Kig efter modeller med specifikke egenskaber, der passer til dit brugsscenarie (f.eks. kodegenerering, kreativ skrivning, analyse).

⚠️ Note: GitHub-hostede modeller (dvs. GitHub Models) er gratis at bruge, men er underlagt begrænsninger på antal forespørgsler og tokens. Hvis du vil tilgå ikke-GitHub-modeller (dvs. eksterne modeller hostet via Azure AI eller andre endpoints), skal du bruge den relevante API-nøgle eller autentificering.

🚀 Trin 2: Tilføj og konfigurer din første model

Modelvalg-strategi:

• GPT-4.1: Bedst til kompleks ræsonnering og analyse
• Phi-4-mini: Letvægtsmodel, hurtige svar til simple opgaver

🔧 Konfigurationsproces:

1. Vælg OpenAI GPT-4.1 i kataloget
2. Klik på Add to My Models - registrerer modellen til brug
3. Vælg Try in Playground for at åbne testmiljøet
4. Vent på modelinitialisering (første gang kan tage lidt tid)

⚙️ Forstå modelparametre:

• Temperature: Styrer kreativitet (0 = deterministisk, 1 = kreativ)
• Max Tokens: Maksimal svarlængde
• Top-p: Nucleus sampling for svarvariation

🎯 Trin 3: Bliv mester i Playground-interface

Playground er dit eksperimentlaboratorium for AI. Sådan får du mest ud af det:

🎨 Bedste praksis for prompt engineering:

1. Vær specifik: Klare, detaljerede instruktioner giver bedre resultater
2. Giv kontekst: Inkluder relevant baggrundsinformation
3. Brug eksempler: Vis modellen, hvad du ønsker med eksempler
4. Iterér: Forfin prompts baseret på de første resultater

🧪 Testscenarier:

# 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."

🏆 Udfordringsøvelse: Sammenligning af modelpræstationer

🎯 Mål: Sammenlign forskellige modeller ved hjælp af de samme prompts for at forstå deres styrker

📋 Instruktioner:

1. Tilføj Phi-4-mini til dit workspace
2. Brug den samme prompt til både GPT-4.1 og Phi-4-mini

3. Sammenlign svarenes kvalitet, hastighed og nøjagtighed
4. Dokumentér dine resultater i resultatsektionen

💡 Vigtige indsigtspunkter:

• Hvornår man skal bruge LLM vs SLM
• Omkostninger vs. præstationsafvejninger
• Specialiserede egenskaber ved forskellige modeller

🤖 Praktisk øvelse 2: Byg brugerdefinerede agenter med Agent Builder

🎯 Mål: Skab specialiserede AI-agenter tilpasset specifikke opgaver og arbejdsgange

🏗️ Trin 1: Forstå Agent Builder

Agent Builder er, hvor AI Toolkit virkelig skinner. Det giver dig mulighed for at skabe målrettede AI-assistenter, der kombinerer kraften fra store sprogmodeller med brugerdefinerede instruktioner, specifikke parametre og specialiseret viden.

🧠 Agentens arkitekturkomponenter:

• Core Model: Grundlæggende LLM (GPT-4, Groks, Phi osv.)
• System Prompt: Definerer agentens personlighed og adfærd
• Parametre: Finjusterede indstillinger for optimal ydelse
• Værktøjsintegration: Forbind til eksterne API’er og MCP-tjenester
• Hukommelse: Samtalekontekst og sessionspersistens

⚙️ Trin 2: Dybdegående agentkonfiguration

🎨 Skab effektive systemprompter:

# 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

Du kan selvfølgelig også bruge Generate System Prompt til at få AI til at hjælpe med at generere og optimere prompts

🔧 Parameteroptimering:

Parameter	Anbefalet interval	Anvendelse
Temperature	0.1-0.3	Tekniske/faktuelle svar
Temperature	0.7-0.9	Kreative/brainstorming opgaver
Max Tokens	500-1000	Kortfattede svar
Max Tokens	2000-4000	Detaljerede forklaringer

🐍 Trin 3: Praktisk øvelse - Python programmeringsagent

🎯 Mission: Skab en specialiseret Python-kodeassistent

📋 Konfigurationssteg:

1. Modelvalg: Vælg Claude 3.5 Sonnet (fremragende til kode)

2. System Prompt-design:

# 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. Parameterkonfiguration:
   • Temperature: 0.2 (for konsistent og pålidelig kode)
   • Max Tokens: 2000 (detaljerede forklaringer)
   • Top-p: 0.9 (balanceret kreativitet)

🧪 Trin 4: Test din Python-agent

Testscenarier:

1. Grundlæggende funktion: "Lav en funktion til at finde primtal"
2. Kompleks algoritme: "Implementer et binært søgetræ med indsæt, slet og søg-metoder"
3. Virkelighedsnært problem: "Byg en web-scraper, der håndterer rate limiting og genforsøg"
4. Fejlfinding: "Ret denne kode [indsæt buggy kode]"

🏆 Succeskriterier:

• ✅ Koden kører uden fejl
• ✅ Indeholder korrekt dokumentation
• ✅ Følger Python bedste praksis
• ✅ Giver klare forklaringer
• ✅ Foreslår forbedringer

🎓 Modul 1 opsummering & næste skridt

📊 Videnstest

Test din forståelse:

• Kan du forklare forskellen mellem modellerne i kataloget?
• Har du med succes oprettet og testet en brugerdefineret agent?
• Forstår du, hvordan man optimerer parametre til forskellige brugsscenarier?
• Kan du designe effektive systemprompter?

📚 Yderligere ressourcer

• AI Toolkit Dokumentation: Official Microsoft Docs
• Prompt Engineering Guide: Best Practices
• Modeller i AI Toolkit: Models in Develpment

🎉 Tillykke! Du har mestret grundlæggende AI Toolkit og er klar til at bygge mere avancerede AI-applikationer!

🔜 Fortsæt til næste modul

Klar til mere avancerede funktioner? Fortsæt til Modul 2: MCP med AI Toolkit Fundamentals, hvor du lærer at:

• Forbinde dine agenter til eksterne værktøjer via Model Context Protocol (MCP)
• Bygge browserautomatiseringsagenter med Playwright
• Integrere MCP-servere med dine AI Toolkit-agenter
• Boost dine agenter med eksterne data og funktioner

Ansvarsfraskrivelse:
Dette dokument er oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator. Selvom vi bestræber os på nøjagtighed, bedes du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det oprindelige dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der opstår som følge af brugen af denne oversættelse.