no

Imported from willhama/md-file-study (corpus_full/microsoft__ai-agents-for-beginners/files/translations/no/AGENTS.md). Install upstream with npx skills add willhama/md-file-study --skill no. Copyright stays with the author.

AGENTS.md

Prosjektoversikt

Dette depotet inneholder "AI-agenter for nybegynnere" - et omfattende utdanningskurs som lærer alt som trengs for å bygge AI-agenter. Kurset består av 18 leksjoner (nummerert 00-18) som dekker grunnleggende konsepter, designmønstre, rammeverk, produksjonsutrulling, lokale/enhetsbaserte agenter, og sikkerhet for AI-agenter.

Nøkkelteknologier:

• Python 3.12+
• Jupyter Notebooks for interaktiv læring
• AI-rammeverk: Microsoft Agent Framework (MAF)
• Azure AI-tjenester: Microsoft Foundry, Microsoft Foundry Agent Service V2

Arkitektur:

• Leksjonsbasert struktur (mapper 00-15+)
• Hver leksjon inneholder: README-dokumentasjon, kodeeksempler (Jupyter-notebooks), og bilder
• Flerspråklig støtte via automatisert oversettelsessystem
• En Python-notebook per leksjon som bruker Microsoft Agent Framework

Oppsettskommandoer

Forutsetninger

• Python 3.12 eller nyere
• Azure-abonnement (for Microsoft Foundry)
• Azure CLI installert og autentisert (az login)

Første oppsett

1. Klon eller fork depotet:

   gh repo fork microsoft/ai-agents-for-beginners --clone
   # ELLER
   git clone https://github.com/microsoft/ai-agents-for-beginners.git
   cd ai-agents-for-beginners

2. Opprett og aktiver Python virtuell miljø:

   python3 -m venv venv
   source venv/bin/activate  # På Windows: venv\Scripts\activate

3. Installer avhengigheter:

   pip install -r requirements.txt

4. Sett opp miljøvariabler:

   cp .env.example .env
   # Rediger .env med dine API-nøkler og endepunkter

Nødvendige miljøvariabler

For Microsoft Foundry (nødvendig):

• AZURE_AI_PROJECT_ENDPOINT - Endepunktet for Microsoft Foundry-prosjektet
• AZURE_AI_MODEL_DEPLOYMENT_NAME - Modellutrullingsnavn (f.eks. gpt-5-mini)

For Azure AI Search (Leksjon 05 - RAG):

• AZURE_SEARCH_SERVICE_ENDPOINT - Azure AI Search-endepunkt
• AZURE_SEARCH_API_KEY - Azure AI Search API-nøkkel

Autentisering: Kjør az login før du kjører notatbøkene (bruker AzureCliCredential).

Utviklingsflyt

Kjøring av Jupyter Notebooks

Hver leksjon inneholder flere Jupyter-notebooks for forskjellige rammeverk:

1. Start Jupyter:

   jupyter notebook

2. Naviger til en leksjonsmappe (f.eks. 01-intro-to-ai-agents/code_samples/)

3. Åpne og kjør notatbøker:

   • *-python-agent-framework.ipynb - Bruker Microsoft Agent Framework (Python)
   • *-dotnet-agent-framework.ipynb - Bruker Microsoft Agent Framework (.NET)

Arbeid med Microsoft Agent Framework

Microsoft Agent Framework + Microsoft Foundry:

• Krever Azure-abonnement
• Bruker FoundryChatClient for Agent Service V2 (agenter synlige i Foundry-portalen)
• Produksjonsklar med innebygd observasjon
• Filnavnmønster: *-python-agent-framework.ipynb

Testinstruksjoner

Dette er et utdanningsdepot med eksempel-kode, ikke produksjonskode med automatiske tester. For å verifisere oppsett og endringer:

Manuell testing

1. Test Python-miljø:

   python --version  # Bør være 3.12+
   pip list | grep -E "(agent-framework|azure-ai|azure-identity)"

2. Test kjøring av notatbok:

   # Konverter notatbok til skript og kjør (tester import)
   jupyter nbconvert --to script <lesson-folder>/code_samples/<notebook>.ipynb --stdout | python

3. Verifiser miljøvariabler:

   python -c "import os; from dotenv import load_dotenv; load_dotenv(); print('✓ AZURE_AI_PROJECT_ENDPOINT' if os.getenv('AZURE_AI_PROJECT_ENDPOINT') else '✗ AZURE_AI_PROJECT_ENDPOINT missing')"

Kjøre individuelle notatbøker

Åpne notatbøker i Jupyter og kjør celler sekvensielt. Hver notatbok er selvstendig og inkluderer:

• Import-setninger
• Konfigurasjonslasting
• Eksempelimplementasjoner av agenter
• Forventede utganger i markdown-celler

Røyk-testing av utrullede agenter

For leksjoner der en agent er utrullet som Microsoft Foundry-hostet agent (01, 04, 05, 16), leverer repoet røyk-testkataloger under tests/ som kjøres av .github/workflows/smoke-test.yml-arbeidsflyten via AI Smoke Test-handlingen. Dette er et lettvekts post-utrullingsfilter (er agenten tilgjengelig og følger grunnleggende promptforventninger?), som kompletterer evalueringsrøret i leksjonene 10 og 16. Se tests/README.md for kartleggingen katalog → leksjon → agent. Leksjon 17 kjøres lokalt med Foundry Local og har ikke et hostet endepunkt, så den valideres ved å kjøre sin notebook direkte.

Kodepraksis

Python-konvensjoner

• Python-versjon: 3.12+
• Kodepraksis: Følg standard Python PEP 8-konvensjoner
• Notebooks: Bruk klare markdown-celler for å forklare konsepter
• Imports: Grupper etter standardbibliotek, tredjepartsbiblioteker, lokale imports

Jupyter Notebook-konvensjoner

• Inkluder beskrivende markdown-celler før kodeceller
• Legg til utgangseksempler i notatbøker som referanse
• Bruk klare variabelnavn som samsvarer med leksjonskonsepter
• Oppretthold lineær kjøringsrekkefølge (celle 1 → 2 → 3 ...)

Filorganisering

<lesson-number>-<lesson-name>/
├── README.md                     # Lesson documentation
├── code_samples/
│   ├── <number>-python-agent-framework.ipynb
│   └── <number>-dotnet-agent-framework.ipynb  (optional)
└── images/
    └── *.png

Bygging og Utrulling

Bygge dokumentasjonen

Dette depotet bruker Markdown for dokumentasjon:

• README.md-filer i hver leksjonsmappe
• Hoved-README.md i depotets rotmappe
• Automatisert oversettelsessystem via GitHub Actions

CI/CD-rørledning

Ligger i .github/workflows/:

1. co-op-translator.yml - Automatisk oversettelse til 50+ språk
2. welcome-issue.yml - Ønsker nye issues velkommen
3. welcome-pr.yml - Ønsker nye pull request-bidragsytere velkommen

Utrulling

Dette er et utdanningsdepot - ingen utrullingsprosess. Brukere:

1. Fork eller klon depotet
2. Kjør notatbøker lokalt eller i GitHub Codespaces
3. Lær ved å modifisere og eksperimentere med eksemplene

Retningslinjer for Pull Requests

Før innsending

1. Test endringene dine:

   • Kjør berørte notatbøker fullstendig
   • Verifiser at alle celler kjører uten feil
   • Sjekk at utganger er passende

2. Oppdater dokumentasjon:

   • Oppdater README.md hvis nye konsepter legges til
   • Legg til kommentarer i notatbøker for kompleks kode
   • Sørg for at markdown-celler forklarer formålet

3. Filendringer:

   • Unngå å committe .env-filer (bruk .env.example)
   • Ikke commit venv/ eller __pycache__/ mapper
   • Behold notatbok-utganger når de demonstrerer konsepter
   • Fjern midlertidige filer og backup-notebooks (*-backup.ipynb)

PR Tittel-format

Bruk beskrivende titler:

• [Lesson-XX] Legg til nytt eksempel for <konsept>
• [Fix] Rett skrivefeil i lesson-XX README
• [Update] Forbedre kodeeksempel i lesson-XX
• [Docs] Oppdater oppsettsinstruksjoner

Obligatoriske sjekker

• Notatbøker skal kjøre uten feil
• README-filer skal være klare og nøyaktige
• Følg eksisterende kode-mønstre i depotet
• Oppretthold konsistens med andre leksjoner

Ytterligere notater

Vanlige fallgruver

1. Python-versjonsfeil:

   • Sørg for at Python 3.12+ brukes
   • Noen pakker fungerer kanskje ikke med eldre versjoner
   • Bruk python3 -m venv for å angi Python-versjon eksplisitt

2. Miljøvariabler:

   • Lag alltid .env fra .env.example
   • Ikke commit .env-filen (den er i .gitignore)
   • Logg inn med az login for nøkkelfri Entra ID-autentisering

3. Pakke-konflikter:

   • Bruk et nytt virtuelt miljø
   • Installer fra requirements.txt i stedet for individuelle pakker
   • Noen notatbøker kan kreve ekstra pakker nevnt i markdown-cellene sine

4. Azure-tjenester:

   • Azure AI-tjenester krever aktivt abonnement
   • Noen funksjoner er regionspesifikke
   • Sørg for at Azure OpenAI-modellutrullingen din støtter Responses API

Læringsvei

Anbefalt progresjon gjennom leksjonene:

1. 00-course-setup - Start her for oppsett av miljø
2. 01-intro-to-ai-agents - Forstå grunnleggende AI-agentkonsepter
3. 02-explore-agentic-frameworks - Lær om ulike rammeverk
4. 03-agentic-design-patterns - Kjerne-designmønstre
5. Fortsett gjennom nummererte leksjoner sekvensielt

Rammeverksvalg

Velg rammeverk basert på dine mål:

• Alle leksjoner: Microsoft Agent Framework (MAF) med FoundryChatClient
• Agenter registreres serverside i Microsoft Foundry Agent Service V2 og er synlige i Foundry-portalen

Få hjelp

• Bli med i Microsoft Foundry Community Discord
• Gå gjennom leksjons-README-filer for spesifikk veiledning
• Sjekk hoved-README.md for kursoversikt
• Referer til Course Setup for detaljerte oppsettsinstruksjoner

Bidra

Dette er et åpent utdanningsprosjekt. Bidrag er velkomne:

• Forbedre kodeeksempler
• Rett skrivefeil eller feil
• Legg til klargjørende kommentarer
• Foreslå nye leksjonstemaer
• Oversett til flere språk

Se GitHub Issues for nåværende behov.

Prosjektspesifikk kontekst

Flerspråklig støtte

Dette depotet bruker et automatisert oversettelsessystem:

• 50+ språk støttes
• Oversettelser i /translations/<lang-code>/ mapper
• GitHub Actions-arbeidsflyt håndterer oppdatering av oversettelser
• Kildefiler er på engelsk i depotets rotmappe

Leksjonsstruktur

Hver leksjon følger et konsekvent mønster:

1. Videominiatyr med lenke
2. Skriftlig leksjonsinnhold (README.md)
3. Kodeeksempler i flere rammeverk
4. Læringsmål og forutsetninger
5. Ekstra læringsressurser lenket

Navngivning av kodeeksempler

Format: <lesson-number>-python-agent-framework.ipynb

• 01-python-agent-framework.ipynb - Leksjon 1, MAF Python
• 14-sequential.ipynb - Leksjon 14, MAF avanserte mønstre
• 16-python-agent-framework.ipynb - Leksjon 16, produksjonsagent for kundesupport
• 17-local-agent-foundry-local.ipynb - Leksjon 17, lokal agent med Foundry Local + Qwen

Spesielle mapper

• translated_images/ - Lokalt oversatte bilder for oversettelser
• images/ - Originalbilder for engelsk innhold
• .devcontainer/ - VS Code utviklingscontainer-konfigurasjon
• .github/ - GitHub Actions-arbeidsflyter og maler

Avhengigheter

Nøkkelpakkene fra requirements.txt:

• agent-framework - Microsoft Agent Framework
• a2a-sdk - Agent-til-Agent protokollstøtte
• azure-ai-inference, azure-ai-projects - Azure AI-tjenester
• azure-identity - Azure-autentisering (AzureCliCredential)
• azure-search-documents - Azure AI Search-integrasjon
• mcp[cli] - Model Context Protocol-støtte

Ansvarsfraskrivelse: Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten Co-op Translator. Selv om vi streber etter nøyaktighet, vær oppmerksom på at automatiske oversettelser kan inneholde feil eller unøyaktigheter. Det opprinnelige dokumentet på originalspråket skal betraktes som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for eventuelle misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.