השיעור הזה ילמד כיצד להריץ את דוגמאות הקוד של הקורס.

לפני שתתחילו לשכפל את המאגר שלכם, הצטרפו אל ערוץ הדיסקורד AI Agents For Beginners כדי לקבל עזרה בהתקנה, לשאול שאלות לגבי הקורס, או להתחבר עם לומדים אחרים.

כדי להתחיל, אנא שכפלו או שמרו עותק של מאגר ה-GitHub. כך תוכלו לקבל גרסה משלכם של חומרי הקורס ולהריץ, לבדוק ולשנות את הקוד!

ניתן לעשות זאת ע"י לחיצה על הקישור ל- שמירת עותק של המאגר

כעת יש לכם עותק שמור משלכם של הקורס בקישור הבא:

מאגר מלא עלול להיות גדול (~3 ג'יגה-בייט) בעת הורדת ההיסטוריה המלאה וכל הקבצים. אם אתם משתתפים רק בסדנה או צריכים רק כמה תיקיות של שיעורים, שכפול רדוד (או שכפול חסר) ימנע את רוב ההורדה ע"י קיצור ההיסטוריה ו/או דילוג על blobs.

החליפו את <your-username> בפקודות למטה עם כתובת ה-fork שלכם (או את כתובת ה-upstream אם אתם מעדיפים).

שכפול רק היסטוריית ההתחייבויות העדכנית ביותר (הורדה קטנה):

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

לשכפל סניף ספציפי:

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

זה משתמש בשכפול חלקי וב-sparse-checkout (דורש Git 2.25+ ומומלץ להשתמש ב-Git מודרני עם תמיכה בשכפול חלקי):

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

נווטו לתיקיית המאגר:

cd ai-agents-for-beginners

ואז ציינו אילו תיקיות אתם רוצים (בדוגמה למטה שתי תיקיות):

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

לאחר השכפול ובדיקת הקבצים, אם אתם צריכים רק את הקבצים ורוצים לפנות מקום (ללא היסטוריית git), אנא מחקו את המידע המטא של המאגר (💀בלתי הפיך — תאבדו את כל פונקציות Git: אין התחייבויות, משיכות, דחיפות או גישה להיסטוריה).

# זש/בש
rm -rf .git

# פאוורשֶל
Remove-Item -Recurse -Force .git

• צרו Codespace חדש עבור מאגר זה דרך ממשק GitHub.

• בטרמינל של ה-Codespace שנוצר הריצו אחת מהפקודות לשכפול רדוד/חסר שלמעלה כדי להביא רק את תיקיות השיעורים שאתם צריכים לחלל העבודה של Codespace.

• אופציונלי: לאחר השכפול בתוך Codespaces, מחקו את הקבצים .git כדי לפנות מקום נוסף (ראו פקודות המחיקה למעלה).

• שימו לב: אם אתם מעדיפים לפתוח את המאגר ישירות ב-Codespaces (בלי שכפול נוסף), קחו בחשבון ש-Codespaces יבנה את סביבת devcontainer ואולי יספק יותר ממה שאתם צריכים. שכפול רדוד בתוך Codespace חדש נותן לכם יותר שליטה על שימוש בדיסק.

• תמיד החליפו את כתובת השכפול לכתובת ה-fork שלכם אם אתם רוצים לערוך או להתחייב.
• אם תצטרכו בהמשך היסטוריה או קבצים נוספים, תוכלו להביא אותם או להתאים את sparse-checkout לכלול תיקיות נוספות.

הקורס מציע סדרת Jupyter Notebooks שניתן להריץ כדי לקבל ניסיון מעשי בבניית סוכני AI.

דוגמאות הקוד משתמשות ב-Microsoft Agent Framework (MAF) עם AzureAIProjectAgentProvider, שמתחבר ל-Azure AI Agent Service V2 (ממשק Responses API) דרך Microsoft Foundry.

כל מחברות הפייתון מסומנות כ-*-python-agent-framework.ipynb.

• Python 3.12+

  • הערה: אם אין ברשותכם Python3.12 מותקן, וודאו להתקין אותו. לאחר מכן צרו סביבה וירטואלית (venv) באמצעות python3.12 כדי להבטיח טעמים נכונים מותקנים מקובץ requirements.txt.

    דוגמה

    יצירת תיקיית venv לפייתון:

    python -m venv venv
    

    לאחר מכן הפעלת סביבה וירטואלית עבור:

    # זש/באש
    source venv/bin/activate
    

    # Command Prompt for Windows
    venv\Scripts\activate
    

• .NET 10+: לדוגמאות הקוד שמשתמשות ב-.NET, ודאו שתקינו את SDK של .NET 10 או גרסה מאוחרת יותר. לאחר מכן בדקו את גרסת ה-SDK שלכם:

  dotnet --list-sdks
  

• Azure CLI — נדרש לאימות. התקינו מ-aka.ms/installazurecli.

• מנוי Azure — לגישה ל-Microsoft Foundry ושירות Azure AI Agent.

• פרויקט Microsoft Foundry — פרויקט עם דגם פרוס (למשל, gpt-4o). ראו שלב 1 למטה.

כלול קובץ requirements.txt בשורש המאגר שמכיל את כל הספריות הנדרשות של פייתון כדי להריץ את דוגמאות הקוד.

ניתן להתקין אותם ע"י הרצת הפקודה הבאה בטרמינל שלכם בשורש המאגר:

pip install -r requirements.txt

אנו ממליצים ליצור סביבה וירטואלית בפייתון כדי למנוע קונפליקטים ובעיות.

ודאו שאתם משתמשים בגרסת הפייתון הנכונה ב-VSCode.

אתם צריכים hub ו-project ב-Azure AI Foundry עם דגם פרוס כדי להריץ את המחברות.

1. עברו ל-ai.azure.com והתחברו עם חשבון Azure שלכם.
2. צרו hub (או השתמשו בקיים). ראו: סקירת משאבי Hub.
3. בתוך ה-hub, צרו project.
4. פרסמו דגם (למשל, gpt-4o) מ-Models + Endpoints → Deploy model.

מהפרויקט שלכם בפורטל Microsoft Foundry:

• Project Endpoint — עברו לדף Overview והעתיקו את כתובת ה-URL של ה-endpoint.

• Model Deployment Name — עברו ל-Models + Endpoints, בחרו בדגם הפרוס שלכם, ורשמו את שם הפריסה (למשל, gpt-4o).

כל המחברות משתמשות ב-AzureCliCredential לאימות — אין צורך במפתחות API. זה דורש שתהיו מחוברים דרך Azure CLI.

1. התקינו את Azure CLI אם עדיין לא עשיתם זאת: aka.ms/installazurecli

2. התחברו באמצעות הרצת:

   az login
   

   או, אם אתם בסביבה מרוחקת/Codespace ללא דפדפן:

   az login --use-device-code
   

3. בחרו את המנוי במקרה שמבקשים — בחרו זה שמכיל את פרויקט Foundry שלכם.

4. וודאו שאתם מחוברים:

   az account show
   

למה az login? המחברות מאמתות באמצעות AzureCliCredential מחבילת azure-identity. משמעות הדבר היא שהסשן שלכם ב-Azure CLI מספק את האישורים — ללא מפתחות API או סודות בקובץ .env. זהו נהוג אבטחה מומלץ.

העתיקו את קובץ הדוגמה:

# זש/bash
cp .env.example .env

# פאוורשל
Copy-Item .env.example .env

פתחו את .env ומלאו את שני הערכים הבאים:

AZURE_AI_PROJECT_ENDPOINT=https://<your-project>.services.ai.azure.com/api/projects/<your-project-id>
AZURE_AI_MODEL_DEPLOYMENT_NAME=gpt-4o

משתנה	היכן למצוא
AZURE_AI_PROJECT_ENDPOINT	פורטל Foundry → הפרויקט שלכם → דף Overview
AZURE_AI_MODEL_DEPLOYMENT_NAME	פורטל Foundry → Models + Endpoints → שם הדגם שפורסמתם

זהו! עבור רוב השיעורים המחברות יאמתו אוטומטית דרך סשן ה-az login שלכם.

pip install -r requirements.txt

מומלץ להריץ זאת בתוך סביבה וירטואלית שיצרתם קודם לכן.

השיעור 5 משתמש ב-Azure AI Search ליצירת תוכן משופר ע"י אחזור. אם אתם מתכננים להריץ את השיעור הזה, הוסיפו את המשתנים האלה לקובץ .env שלכם:

משתנה	היכן למצוא
AZURE_SEARCH_SERVICE_ENDPOINT	פורטל Azure → משאב Azure AI Search שלכם → Overview → URL
AZURE_SEARCH_API_KEY	פורטל Azure → משאב Azure AI Search שלכם → Settings → Keys → מפתח מנהל ראשי

כמה מחברות בשיעורים 6 ו-8 משתמשות ב-GitHub Models במקום Azure AI Foundry. אם אתם מתכננים להריץ דוגמאות אלה, הוסיפו את המשתנים האלו ל-.env שלכם:

משתנה	היכן למצוא
GITHUB_TOKEN	GitHub → Settings → Developer settings → Personal access tokens
GITHUB_ENDPOINT	השתמשו ב-https://models.inference.ai.azure.com (הערך ברירת מחדל)
GITHUB_MODEL_ID	שם הדגם לשימוש (למשל gpt-4o-mini)

מחברת זרימת העבודה המותנית בשיעור 8 משתמשת ב-Bing grounding דרך Azure AI Foundry. אם אתם מתכננים להריץ דוגמא זו, הוסיפו משתנה זה ל-.env שלכם:

משתנה	היכן למצוא
BING_CONNECTION_ID	פורטל Azure AI Foundry → הפרויקט שלכם → Management → Connected resources → החיבור שלכם ל-Bing → העתיקו את מזהה החיבור

אם אתם במערכת macOS ומקבלים שגיאה כמו:

ssl.SSLCertVerificationError: [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed: self-signed certificate in certificate chain

זו בעיה ידועה בפייתון על macOS שבה תעודות ה-SSL של המערכת אינן מהימנות אוטומטית. נסו את הפתרונות הבאים בסדר:

אפשרות 1: הריצו את סקריפט התקנת התעודות של פייתון (מומלץ)

# החלף את 3.XX בגרסת הפייתון המותקנת שלך (למשל, 3.12 או 3.13):
/Applications/Python\ 3.XX/Install\ Certificates.command

אפשרות 2: השתמשו ב-connection_verify=False במחברת שלכם (רק למחברות GitHub Models)

במחברת של שיעור 6 (06-building-trustworthy-agents/code_samples/06-system-message-framework.ipynb), יש כבר פיתרון מוסבר עם הערה. הסירו את ההערה מ-connection_verify=False כשהלקוח נוצר:

client = ChatCompletionsClient(
    endpoint=endpoint,
    credential=AzureKeyCredential(token),
    connection_verify=False,  # ביטול אימות SSL אם אתה נתקל בשגיאות בתעודה
)

⚠️ אזהרה: השבתת אימות SSL (connection_verify=False) מפחיתה את האבטחה בכך שמדלגת על אימות התעודה. השתמשו בזה רק כפתרון זמני בסביבות פיתוח, לעולם לא בייצור.

אפשרות 3: התקינו והשתמשו ב-truststore

pip install truststore

ואז הוסיפו את השורה הבאה בתחילת המחברת או הסקריפט לפני כל קריאות רשת:

import truststore
truststore.inject_into_ssl()

אם יש לכם בעיות בהרצת ההתקנה הזו, הצטרפו אלינו ב-Azure AI Community Discord או צרו בעיה חדשה.

כעת אתם מוכנים להריץ את הקוד של הקורס הזה. לימוד מוצלח על עולם סוכני ה-AI!

מבוא לסוכני AI ושימושי סוכנים

---

כתב ויתור:
מסמך זה תורגם באמצעות שירות תרגום בינה מלאכותית Co-op Translator. אף שאנו שואפים לדייק, יש לקחת בחשבון שתרגומים אוטומטיים עלולים להכיל שגיאות או אי-דיוקים. המסמך המקורי בשפת המקור מהווה את המקור המוסמך. עבור מידע קריטי מומלץ להיעזר בתרגום מקצועי של אדם. אנו לא נישא באחריות לכל אי-הבנה או פרשנות שגויה הנובעת מהשימוש בתרגום זה.