microsoft--mcp-for-beginners/translations/no/10-StreamliningAIWorkflowsBuildingAnMCPServerWithAIToolkit/lab1

🚀 Modul 1: Grunnleggende om Microsoft Foundry Toolkit

📋 Læringsmål

Ved slutten av denne modulen vil du kunne:

• ✅ Installere og konfigurere Microsoft Foundry Toolkit Extension for VS Code
• ✅ Navigere i Modellkatalogen og forstå ulike modellkilder
• ✅ Bruke Playground for modelltesting og eksperimentering
• ✅ Lage tilpassede AI-agenter med Agent Builder
• ✅ Sammenligne modellprestasjoner på tvers av forskjellige tilbydere
• ✅ Anvende beste praksis for prompt engineering

🧠 Introduksjon til Microsoft Foundry Toolkit

Microsoft Foundry Toolkit Extension for VS Code er Microsofts flaggskip-utvidelse som forvandler VS Code til et komplett AI-utviklingsmiljø. Den bygger bro mellom AI-forskning og praktisk applikasjonsutvikling, og gjør generativ AI tilgjengelig for utviklere på alle ferdighetsnivåer.

🌟 Nøkkelfunksjoner

Funksjon	Beskrivelse	Bruksområde
🗂️ Modellkatalog	Tilgang til 100+ modeller fra GitHub, ONNX, OpenAI, Anthropic, Google	Modelloppdagelse og -valg
🔌 BYOM-støtte	Integrer dine egne modeller (lokal/fjern)	Tilpasset modellutrulling
🎮 Interaktiv Playground	Sanntidstesting av modeller med chattegrensesnitt	Rask prototyping og testing
📎 Multimodal støtte	Håndter tekst, bilder og vedlegg	Komplekse AI-applikasjoner
⚡ Batch-prosessering	Kjør flere prompts samtidig	Effektive testarbeidsflyter
📊 Modellevaluering	Innebygde metrikker (F1, relevans, likhet, sammenheng)	Prestasjonsvurdering

🎯 Hvorfor Microsoft Foundry Toolkit er viktig

• 🚀 Raskere utvikling: Fra idé til prototype på minutter
• 🔄 Enhetlig arbeidsflyt: Én grensesnitt for flere AI-leverandører
• 🧪 Enkel eksperimentering: Sammenlign modeller uten kompleks oppsett
• 📈 Klar for produksjon: Sømløs overgang fra prototype til utrulling

🛠️ Forutsetninger og oppsett

📦 Installer Microsoft Foundry Toolkit Extension

Steg 1: Gå til Extensions Marketplace

1. Åpne Visual Studio Code
2. Naviger til Extensions-visningen (Ctrl+Shift+X eller Cmd+Shift+X)
3. Søk etter "Microsoft Foundry Toolkit"

Steg 2: Velg din versjon

• 🟢 Release: Anbefalt for produksjon
• 🔶 Pre-release: Tidlig tilgang til banebrytende funksjoner

Steg 3: Installer og aktiver

✅ Sjekkliste for verifisering

• Microsoft Foundry Toolkit-ikon vises i VS Code-sidemeny
• Utvidelsen er aktivert og fungerer
• Ingen installasjonsfeil i output-panelet

🧪 Praktisk øvelse 1: Utforske GitHub-modeller

🎯 Mål: Mestre Modellkatalogen og teste din første AI-modell

📊 Steg 1: Naviger i Modellkatalogen

Modellkatalogen er din gateway til AI-økosystemet. Den samler modeller fra flere tilbydere og gjør det enkelt å oppdage og sammenligne alternativer.

🔍 Navigasjonsguide:

Klikk på MODELS - Catalog i Microsoft Foundry Toolkit-sidemenyen

💡 Profftips: Se etter modeller med spesifikke egenskaper som matcher ditt bruksområde (f.eks. kodegenerering, kreativ skriving, analyse).

⚠️ Merk: Modeller hostet på GitHub (dvs. GitHub-modeller) er gratis å bruke, men underlagt begrensninger på forespørsler og tokens. For tilgang til ikke-GitHub-modeller (dvs. eksterne modeller hostet via Azure AI eller andre endepunkter), må du oppgi riktig API-nøkkel eller autentisering.

🚀 Steg 2: Legg til og konfigurer din første modell

Valgstrategi for modell:

• GPT-4.1: Best for kompleks resonnering og analyse
• Phi-4-mini: Lettvekts, raske svar for enkle oppgaver

🔧 Konfigurasjonsprosess:

1. Velg OpenAI GPT-4.1 fra katalogen
2. Klikk Add to My Models – dette registrerer modellen for bruk
3. Velg Try in Playground for å starte testmiljøet
4. Vent på initialisering av modellen (første gangs oppsett kan ta litt tid)

⚙️ Forståelse av modellparametere:

• Temperature: Kontrollerer kreativitet (0 = deterministisk, 1 = kreativ)
• Max Tokens: Maksimal svarlengde
• Top-p: Nucleus sampling for svarvariasjon

🎯 Steg 3: Mestre Playground-grensesnittet

Playground er ditt AI-eksperimentlaboratorium. Slik maksimerer du potensialet:

🎨 Beste praksis for prompt engineering:

1. Vær spesifikk: Klare, detaljerte instruksjoner gir bedre resultater
2. Gi kontekst: Inkluder relevant bakgrunnsinformasjon
3. Bruk eksempler: Vis modellen hva du ønsker med eksempler
4. Iterer: Forbedre prompts basert på 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."

🏆 Utfordringsøvelse: Sammenligning av modellprestasjon

🎯 Mål: Sammenlign forskjellige modeller med identiske prompts for å forstå deres styrker

📋 Instruksjoner:

1. Legg til Phi-4-mini i arbeidsområdet ditt
2. Bruk samme prompt for både GPT-4.1 og Phi-4-mini

3. Sammenlign svarenes kvalitet, hastighet og nøyaktighet
4. Dokumenter funnene i resultatdelen

💡 Viktige innsikter å oppdage:

• Når bruke LLM vs SLM
• Kostnad kontra ytelse
• Spesialiserte egenskaper ved ulike modeller

🤖 Praktisk øvelse 2: Bygg tilpassede agenter med Agent Builder

🎯 Mål: Lag spesialiserte AI-agenter tilpasset bestemte oppgaver og arbeidsflyter

🏗️ Steg 1: Forstå Agent Builder

Agent Builder er hvor Microsoft Foundry Toolkit virkelig utmerker seg. Den lar deg lage formålbygde AI-assistenter som kombinerer kraften i store språkmodeller med tilpassede instruksjoner, spesifikke parametere og spesialisert kunnskap.

🧠 Komponenter i agentarkitekturen:

• Kjernemodell: Grunnleggende LLM (GPT-4, Groks, Phi, osv.)
• Systemprompt: Definerer agentens personlighet og atferd
• Parametere: Finjusterte innstillinger for optimal ytelse
• Verktøyintegrasjon: Koble til eksterne API-er og MCP-tjenester
• Minne: Samtale-kontekst og sesjonspersistens

⚙️ Steg 2: Dykk i agentkonfigurasjon

🎨 Lage 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

Selvfølgelig kan du også bruke Generate System Prompt for å la AI hjelpe deg med å generere og optimalisere prompter

🔧 Parameteroptimalisering:

Parameter	Anbefalt område	Bruksområde
Temperature	0.1-0.3	Tekniske/faktuelle svar
Temperature	0.7-0.9	Kreative/idemyldringsoppgaver
Max Tokens	500-1000	Konsise svar
Max Tokens	2000-4000	Detaljerte forklaringer

🐍 Steg 3: Praktisk øvelse – Python-programmeringsagent

🎯 Oppdrag: Lag en spesialisert Python-kodingsassistent

📋 Konfigurasjonstrinn:

1. Modellvalg: Velg Claude 3.5 Sonnet (utmerket for koding)

2. Systemprompt-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. Parameterkonfigurasjon:
   • Temperature: 0.2 (for konsistent, pålitelig kode)
   • Max Tokens: 2000 (detaljerte forklaringer)
   • Top-p: 0.9 (balansert kreativitet)

🧪 Steg 4: Test din Python-agent

Testscenarier:

1. Grunnleggende funksjon: "Lag en funksjon for å finne primtall"
2. Komplekst algoritme: "Implementer et binært søketre med sett inn, slett og søk metoder"
3. Virkelig problem: "Lag en web-scraper som håndterer rate limiting og gjentakelser"
4. Feilsøking: "Fiks denne koden [lim inn buggy kode]"

🏆 Suksesskriterier:

• ✅ Koden kjører uten feil
• ✅ Inkluderer korrekt dokumentasjon
• ✅ Følger beste praksis for Python
• ✅ Gir klare forklaringer
• ✅ Foreslår forbedringer

🎓 Avslutning av Modul 1 & Videre steg

📊 Kunnskapssjekk

Test din forståelse:

• Kan du forklare forskjellen mellom modellene i katalogen?
• Har du laget og testet en tilpasset agent med hell?
• Forstår du hvordan du optimaliserer parametere for ulike bruksområder?
• Kan du designe effektive systemprompter?

📚 Ekstra ressurser

• Microsoft Foundry Toolkit Dokumentasjon: Offisielle Microsoft Docs
• Guide til prompt engineering: Beste praksis
• Modeller i Microsoft Foundry Toolkit: Modeller under utvikling

🎉 Gratulerer! Du har mestret grunnprinsippene i Microsoft Foundry Toolkit og er klar til å bygge mer avanserte AI-applikasjoner!

🔜 Fortsett til neste modul

Klar for mer avanserte funksjoner? Fortsett til Modul 2: MCP med Microsoft Foundry Toolkit Fundamentals hvor du lærer hvordan du kan:

• Koble agentene dine til eksterne verktøy med Model Context Protocol (MCP)
• Bygge nettleserautomatiseringsagenter med Playwright
• Integrere MCP-servere med dine Microsoft Foundry Toolkit-agenter
• Superlaste agentene dine med ekstern data og funksjoner

---

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.