wehub-resource-sync🚀 Moduł 1: Podstawy Microsoft Foundry Toolkit
📋 Cele nauczania
Na koniec tego modułu będziesz potrafić:
- ✅ Zainstalować i skonfigurować rozszerzenie Microsoft Foundry Toolkit dla VS Code
- ✅ Poruszać się po katalogu modeli i rozumieć różne źródła modeli
- ✅ Korzystać z Playground do testowania i eksperymentowania z modelami
- ✅ Tworzyć własnych agentów AI za pomocą Agent Builder
- ✅ Porównywać wydajność modeli różnych dostawców
- ✅ Stosować najlepsze praktyki inżynierii promptów
🧠 Wprowadzenie do Microsoft Foundry Toolkit
Microsoft Foundry Toolkit Extension for VS Code to flagowe rozszerzenie Microsoft, które przekształca VS Code w kompleksowe środowisko do tworzenia AI. Łączy badania AI z praktycznym tworzeniem aplikacji, czyniąc generatywną AI dostępną dla programistów na każdym poziomie zaawansowania.
🌟 Kluczowe możliwości
| Funkcja | Opis | Przykład użycia |
|---|---|---|
| 🗂️ Katalog modeli | Dostęp do ponad 100 modeli z GitHub, ONNX, OpenAI, Anthropic, Google | Odkrywanie i wybór modeli |
| 🔌 Obsługa BYOM | Integracja własnych modeli (lokalnych/zdalnych) | Wdrażanie własnych modeli |
| 🎮 Interaktywny Playground | Testowanie modeli w czasie rzeczywistym z interfejsem czatu | Szybkie prototypowanie i testowanie |
| 📎 Obsługa multimodalna | Przetwarzanie tekstu, obrazów i załączników | Złożone aplikacje AI |
| ⚡ Przetwarzanie wsadowe | Uruchamianie wielu promptów jednocześnie | Efektywne przepływy pracy testowania |
| 📊 Ocena modeli | Wbudowane metryki (F1, trafność, podobieństwo, spójność) | Ocena wydajności |
🎯 Dlaczego Microsoft Foundry Toolkit jest ważny
- 🚀 Przyspieszenie rozwoju: Od pomysłu do prototypu w kilka minut
- 🔄 Zunifikowany przepływ pracy: Jeden interfejs dla wielu dostawców AI
- 🧪 Łatwa eksperymentacja: Porównaj modele bez skomplikowanej konfiguracji
- 📈 Gotowość do produkcji: Płynne przejście od prototypu do wdrożenia
🛠️ Wymagania wstępne i konfiguracja
📦 Instalacja rozszerzenia Microsoft Foundry Toolkit
Krok 1: Otwórz Marketplace rozszerzeń
- Otwórz Visual Studio Code
- Przejdź do widoku rozszerzeń (
Ctrl+Shift+XlubCmd+Shift+X) - Wyszukaj "Microsoft Foundry Toolkit"
Krok 2: Wybierz swoją wersję
- 🟢 Wersja stabilna: Rekomendowana do użytku produkcyjnego
- 🔶 Wersja przedpremierowa: Wczesny dostęp do najnowszych funkcji
Krok 3: Zainstaluj i aktywuj
✅ Lista kontrolna weryfikacji
- Ikona Microsoft Foundry Toolkit widoczna w pasku bocznym VS Code
- Rozszerzenie jest włączone i aktywne
- Brak błędów instalacji w panelu wyjścia
🧪 Ćwiczenie praktyczne 1: Eksploracja modeli GitHub
🎯 Cel: Opanuj katalog modeli i przetestuj swój pierwszy model AI
📊 Krok 1: Poruszanie się po katalogu modeli
Katalog modeli to twoja brama do ekosystemu AI. Agreguje modele od wielu dostawców, ułatwiając odkrywanie i porównywanie opcji.
🔍 Przewodnik po nawigacji:
Kliknij MODELS - Catalog w pasku Microsoft Foundry Toolkit
💡 Przydatna wskazówka: Szukaj modeli z konkretnymi możliwościami pasującymi do twojego przypadku użycia (np. generowanie kodu, twórcze pisanie, analiza).
⚠️ Uwaga: Modele hostowane na GitHub (tzw. modele GitHub) są bezpłatne, ale obowiązują ograniczenia liczby zapytań i tokenów. Aby uzyskać dostęp do modeli spoza GitHub (np. modeli z Azure AI lub innych punktów końcowych), musisz podać odpowiedni klucz API lub uwierzytelnienie.
🚀 Krok 2: Dodaj i skonfiguruj swój pierwszy model
Strategia wyboru modelu:
- GPT-4.1: Najlepszy do złożonych rozumowań i analiz
- Phi-4-mini: Lekki, szybkie odpowiedzi dla prostych zadań
🔧 Proces konfiguracji:
- Wybierz OpenAI GPT-4.1 z katalogu
- Kliknij Add to My Models - dodaje model do twoich modeli
- Wybierz Try in Playground, aby uruchomić środowisko testowe
- Poczekaj na inicjalizację modelu (pierwsze uruchomienie może chwilę potrwać)
⚙️ Parametry modelu:
- Temperature: Kontroluje kreatywność (0 = deterministyczny, 1 = kreatywny)
- Max Tokens: Maksymalna długość odpowiedzi
- Top-p: Próbkowanie jądrowe dla różnorodności odpowiedzi
🎯 Krok 3: Opanuj interfejs Playground
Playground to twoje laboratorium eksperymentów AI. Oto jak maksymalnie wykorzystać jego możliwości:
🎨 Najlepsze praktyki inżynierii promptów:
- Bądź konkretny: Jasne, szczegółowe instrukcje dają lepsze efekty
- Dostarczaj kontekst: Uwzględnij istotne informacje tła
- Używaj przykładów: Pokaż modelowi, czego oczekujesz na przykładach
- Iteruj: Ulepszaj prompt na podstawie pierwszych wyników
🧪 Scenariusze testowe:
# 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."
🏆 Wyzwanie: Porównanie wydajności modeli
🎯 Cel: Porównaj różne modele z identycznymi promptami, aby zrozumieć ich mocne strony
📋 Instrukcje:
- Dodaj Phi-4-mini do swojego środowiska pracy
- Użyj tego samego promptu zarówno dla GPT-4.1, jak i Phi-4-mini
- Porównaj jakość odpowiedzi, szybkość i dokładność
- Zanotuj swoje obserwacje w sekcji wyników
💡 Kluczowe wnioski do odkrycia:
- Kiedy używać LLM vs SLM
- Koszt vs wydajność
- Specjalistyczne możliwości różnych modeli
🤖 Ćwiczenie praktyczne 2: Tworzenie własnych agentów z Agent Builder
🎯 Cel: Twórz wyspecjalizowanych agentów AI dopasowanych do konkretnych zadań i przepływów pracy
🏗️ Krok 1: Poznaj Agent Builder
Agent Builder to miejsce, gdzie Microsoft Foundry Toolkit naprawdę błyszczy. Pozwala tworzyć dedykowanych asystentów AI, którzy łączą moc dużych modeli językowych z indywidualnymi instrukcjami, konkretnymi parametrami i specjalistyczną wiedzą.
🧠 Komponenty architektury agenta:
- Model bazowy: podstawowy LLM (GPT-4, Groks, Phi itd.)
- Systemowy prompt: definiuje osobowość i zachowanie agenta
- Parametry: ustawienia dostrojone dla optymalnej wydajności
- Integracja narzędzi: łączenie z zewnętrznymi API i usługami MCP
- Pamięć: kontekst rozmowy i utrzymanie sesji
⚙️ Krok 2: Głębokie zanurzenie w konfigurację agenta
🎨 Tworzenie skutecznych systemowych promptów:
# 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
Oczywiście, możesz też użyć Generate System Prompt, by AI pomógł wygenerować i zoptymalizować prompt
🔧 Optymalizacja parametrów:
| Parametr | Zalecany zakres | Przypadek użycia |
|---|---|---|
| Temperature | 0.1-0.3 | Odpowiedzi techniczne/faktyczne |
| Temperature | 0.7-0.9 | Kreatywne/zadania burzy mózgów |
| Max Tokens | 500-1000 | Konkretne odpowiedzi |
| Max Tokens | 2000-4000 | Szczegółowe wyjaśnienia |
🐍 Krok 3: Ćwiczenie praktyczne - agent programujący w Pythonie
🎯 Misja: Stwórz wyspecjalizowanego asystenta kodowania w Pythonie
📋 Kroki konfiguracji:
-
Wybór modelu: Wybierz Claude 3.5 Sonnet (świetny do kodu)
-
Projekt systemowego promptu:
# 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
- Konfiguracja parametrów:
- Temperature: 0.2 (dla spójnego i niezawodnego kodu)
- Max Tokens: 2000 (szczegółowe wyjaśnienia)
- Top-p: 0.9 (równowaga kreatywności)
🧪 Krok 4: Testowanie agenta Python
Scenariusze testowe:
- Prosta funkcja: "Utwórz funkcję do znajdowania liczb pierwszych"
- Złożony algorytm: "Zaimplementuj drzewo wyszukiwań binarnych z metodami wstawiania, usuwania i wyszukiwania"
- Problem z prawdziwego świata: "Zbuduj scraper internetowy obsługujący ograniczenia liczby zapytań i ponawianie"
- Debugowanie: "Napraw ten kod [wklej błędny kod]"
🏆 Kryteria sukcesu:
- ✅ Kod działa bez błędów
- ✅ Zawiera odpowiednią dokumentację
- ✅ Stosuje najlepsze praktyki Pythona
- ✅ Daje klarowne wyjaśnienia
- ✅ Proponuje ulepszenia
🎓 Podsumowanie modułu 1 i dalsze kroki
📊 Sprawdzenie wiedzy
Sprawdź swoje zrozumienie:
- Czy potrafisz wyjaśnić różnice między modelami w katalogu?
- Czy udało ci się stworzyć i przetestować własnego agenta?
- Czy rozumiesz, jak optymalizować parametry dla różnych zastosowań?
- Czy potrafisz zaprojektować efektywne systemowe prompty?
📚 Dodatkowe materiały
- Dokumentacja Microsoft Foundry Toolkit: Oficjalne Microsoft Docs
- Przewodnik po inżynierii promptów: Najlepsze praktyki
- Modele w Microsoft Foundry Toolkit: Modele w trakcie rozwoju
🎉 Gratulacje! Opanowałeś podstawy Microsoft Foundry Toolkit i jesteś gotów tworzyć bardziej zaawansowane aplikacje AI!
🔜 Kontynuuj do kolejnego modułu
Gotowy na bardziej zaawansowane funkcje? Przejdź do Moduł 2: MCP z Microsoft Foundry Toolkit – podstawy, gdzie nauczysz się:
- Łączenia agentów z zewnętrznymi narzędziami za pomocą Model Context Protocol (MCP)
- Tworzenia agentów automatyzacji przeglądarki z Playwright
- Integracji serwerów MCP z agentami Microsoft Foundry Toolkit
- Zasilania agentów zewnętrznymi danymi i możliwościami
Zastrzeżenie: Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Choć dążymy do dokładności, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub niedokładności. Oryginalny dokument w jego języku źródłowym należy uznawać za autorytatywne źródło. W przypadku informacji krytycznych zalecane jest skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.