README.md

🚀 Modul 1: Osnove AI Toolkit-a

📋 Ciljevi učenja

Do kraja ovog modula moći ćete:

• ✅ Instalirati i konfigurirati AI Toolkit za Visual Studio Code
• ✅ Pregledavati Model Catalog i razumjeti različite izvore modela
• ✅ Koristiti Playground za testiranje i eksperimentiranje s modelima
• ✅ Kreirati prilagođene AI agente pomoću Agent Builder-a
• ✅ Usporediti performanse modela različitih pružatelja
• ✅ Primijeniti najbolje prakse za prompt inženjering

🧠 Uvod u AI Toolkit (AITK)

AI Toolkit za Visual Studio Code je glavna Microsoftova ekstenzija koja pretvara VS Code u sveobuhvatno razvojno okruženje za AI. Povezuje AI istraživanja s praktičnim razvojem aplikacija, čineći generativnu AI dostupnom developerima svih razina.

🌟 Ključne mogućnosti

Značajka	Opis	Primjena
🗂️ Model Catalog	Pristup 100+ modela s GitHub, ONNX, OpenAI, Anthropic, Google	Otkriće i odabir modela
🔌 BYOM Support	Integracija vlastitih modela (lokalno/udaljeno)	Prilagođeno postavljanje modela
🎮 Interaktivni Playground	Testiranje modela u stvarnom vremenu s chat sučeljem	Brzi prototipovi i testiranje
📎 Podrška za više modaliteta	Rad s tekstom, slikama i privicima	Složene AI aplikacije
⚡ Obrada u seriji	Pokretanje više promptova istovremeno	Efikasni testni procesi
📊 Evaluacija modela	Ugrađene metrike (F1, relevantnost, sličnost, koherencija)	Procjena performansi

🎯 Zašto je AI Toolkit važan

• 🚀 Brži razvoj: Od ideje do prototipa u nekoliko minuta
• 🔄 Jedinstveni tijek rada: Jedno sučelje za više AI pružatelja
• 🧪 Jednostavno eksperimentiranje: Usporedba modela bez složenih postavki
• 📈 Spreman za produkciju: Glatki prijelaz s prototipa na implementaciju

🛠️ Preduvjeti i postavljanje

📦 Instalacija AI Toolkit ekstenzije

Korak 1: Otvorite Marketplace za ekstenzije

1. Pokrenite Visual Studio Code
2. Otvorite pogled Extensions (Ctrl+Shift+X ili Cmd+Shift+X)
3. Pretražite "AI Toolkit"

Korak 2: Odaberite verziju

• 🟢 Release: Preporučeno za produkciju
• 🔶 Pre-release: Rani pristup najnovijim značajkama

Korak 3: Instalirajte i aktivirajte

✅ Provjera instalacije

• Ikona AI Toolkit-a se pojavljuje u bočnoj traci VS Code-a
• Ekstenzija je omogućena i aktivirana
• Nema grešaka pri instalaciji u output panelu

🧪 Praktični zadatak 1: Istraživanje GitHub modela

🎯 Cilj: Savladati Model Catalog i testirati prvi AI model

📊 Korak 1: Pregled Model Catalog-a

Model Catalog je vaš ulaz u AI ekosustav. Okuplja modele od različitih pružatelja, što olakšava pronalazak i usporedbu opcija.

🔍 Vodič za navigaciju:

Kliknite na MODELS - Catalog u AI Toolkit bočnoj traci

💡 Koristan savjet: Potražite modele sa specifičnim sposobnostima koje odgovaraju vašem slučaju upotrebe (npr. generiranje koda, kreativno pisanje, analiza).

⚠️ Napomena: GitHub modeli su besplatni za korištenje, ali imaju ograničenja u broju zahtjeva i tokena. Za pristup modelima izvan GitHub-a (npr. oni hostani preko Azure AI ili drugih endpointa), potrebno je osigurati odgovarajući API ključ ili autentikaciju.

🚀 Korak 2: Dodavanje i konfiguracija prvog modela

Strategija odabira modela:

• GPT-4.1: Najbolji za složeno zaključivanje i analizu
• Phi-4-mini: Lagani i brzi odgovori za jednostavne zadatke

🔧 Proces konfiguracije:

1. Odaberite OpenAI GPT-4.1 iz kataloga
2. Kliknite Add to My Models - model se registrira za korištenje
3. Odaberite Try in Playground za pokretanje testnog okruženja
4. Pričekajte inicijalizaciju modela (prvo pokretanje može potrajati)

⚙️ Razumijevanje parametara modela:

• Temperature: Kontrola kreativnosti (0 = deterministički, 1 = kreativan)
• Max Tokens: Maksimalna duljina odgovora
• Top-p: Nucleus sampling za raznolikost odgovora

🎯 Korak 3: Ovladavanje sučeljem Playground-a

Playground je vaš laboratorij za AI eksperimente. Evo kako maksimalno iskoristiti njegove mogućnosti:

🎨 Najbolje prakse za prompt inženjering:

1. Budite precizni: Jasne i detaljne upute daju bolje rezultate
2. Dajte kontekst: Uključite relevantne informacije
3. Koristite primjere: Pokažite modelu što želite pomoću primjera
4. Iterirajte: Usavršavajte promptove na temelju prvih rezultata

🧪 Scenariji testiranja:

# 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."

🏆 Izazov: Usporedba performansi modela

🎯 Cilj: Usporediti različite modele koristeći iste promptove kako biste razumjeli njihove prednosti

📋 Upute:

1. Dodajte Phi-4-mini u radni prostor
2. Koristite isti prompt za GPT-4.1 i Phi-4-mini

3. Usporedite kvalitetu odgovora, brzinu i točnost
4. Zabilježite svoja zapažanja u odjeljak s rezultatima

💡 Ključni uvidi koje treba otkriti:

• Kada koristiti LLM naspram SLM
• Odnos troškova i performansi
• Specijalizirane sposobnosti različitih modela

🤖 Praktični zadatak 2: Izrada prilagođenih agenata s Agent Builder-om

🎯 Cilj: Kreirati specijalizirane AI agente prilagođene određenim zadacima i procesima

🏗️ Korak 1: Upoznavanje s Agent Builder-om

Agent Builder je mjesto gdje AI Toolkit zaista dolazi do izražaja. Omogućuje vam stvaranje AI asistenata s namjenom, koji kombiniraju moć velikih jezičnih modela s prilagođenim uputama, specifičnim parametrima i stručnim znanjem.

🧠 Komponente arhitekture agenta:

• Core Model: Temeljni LLM (GPT-4, Groks, Phi itd.)
• System Prompt: Definira osobnost i ponašanje agenta
• Parametri: Podešavanja za optimalne performanse
• Integracija alata: Povezivanje s vanjskim API-jima i MCP servisima
• Memorija: Kontekst razgovora i trajanje sesije

⚙️ Korak 2: Detaljna konfiguracija agenta

🎨 Kreiranje učinkovitih system promptova:

# 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

Naravno, možete koristiti i Generate System Prompt da AI pomogne u generiranju i optimizaciji promptova

🔧 Optimizacija parametara:

Parametar	Preporučeni raspon	Primjena
Temperature	0.1-0.3	Tehnički/faktički odgovori
Temperature	0.7-0.9	Kreativni/zadatci za brainstorming
Max Tokens	500-1000	Sažeti odgovori
Max Tokens	2000-4000	Detaljna objašnjenja

🐍 Korak 3: Praktični zadatak - Python programerski agent

🎯 Misija: Izraditi specijaliziranog asistenta za Python kodiranje

📋 Koraci konfiguracije:

1. Odabir modela: Izaberite Claude 3.5 Sonnet (izvrsno za kod)

2. Dizajn system prompta:

# 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. Konfiguracija parametara:
   • Temperature: 0.2 (za dosljedan, pouzdan kod)
   • Max Tokens: 2000 (detaljna objašnjenja)
   • Top-p: 0.9 (uravnotežena kreativnost)

🧪 Korak 4: Testiranje vašeg Python agenta

Scenariji testiranja:

1. Osnovna funkcija: "Napravi funkciju za pronalazak prostih brojeva"
2. Složen algoritam: "Implementiraj binarno stablo pretraživanja s metodama insert, delete i search"
3. Problem iz stvarnog svijeta: "Napravi web scraper koji upravlja ograničenjem zahtjeva i ponovnim pokušajima"
4. Debugging: "Ispravi ovaj kod [zalijepi buggy kod]"

🏆 Kriteriji uspjeha:

• ✅ Kod se izvršava bez grešaka
• ✅ Sadrži odgovarajuću dokumentaciju
• ✅ Pridržava se Python najboljih praksi
• ✅ Pruža jasna objašnjenja
• ✅ Predlaže poboljšanja

🎓 Zaključak modula 1 i sljedeći koraci

📊 Provjera znanja

Testirajte svoje razumijevanje:

• Možete li objasniti razlike između modela u katalogu?
• Jeste li uspješno kreirali i testirali prilagođenog agenta?
• Razumijete li kako optimizirati parametre za različite slučajeve upotrebe?
• Možete li dizajnirati učinkovite system promptove?

📚 Dodatni resursi

• AI Toolkit Dokumentacija: Official Microsoft Docs
• Vodič za prompt inženjering: Best Practices
• Modeli u AI Toolkit-u: Models in Development

🎉 Čestitamo! Savladali ste osnove AI Toolkit-a i spremni ste za izradu naprednijih AI aplikacija!

🔜 Nastavite na sljedeći modul

Spremni za naprednije mogućnosti? Nastavite na Module 2: MCP with AI Toolkit Fundamentals gdje ćete naučiti kako:

• Povezati svoje agente s vanjskim alatima koristeći Model Context Protocol (MCP)
• Izraditi agente za automatizaciju preglednika pomoću Playwrighta
• Integrirati MCP servere s vašim AI Toolkit agentima
• Pojačati agente vanjskim podacima i sposobnostima

Odricanje od odgovornosti:
Ovaj dokument preveden je korištenjem AI prevoditeljskog servisa Co-op Translator. Iako težimo točnosti, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati službenim i autoritativnim izvorom. Za važne informacije preporučuje se profesionalni ljudski prijevod. Ne odgovaramo za bilo kakva nesporazumevanja ili kriva tumačenja koja proizlaze iz korištenja ovog prijevoda.