wehub-resource-sync
279 lines
12 KiB
Markdown
279 lines
12 KiB
Markdown
# 🚀 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**
|
||
1. Otwórz Visual Studio Code
|
||
2. Przejdź do widoku rozszerzeń (`Ctrl+Shift+X` lub `Cmd+Shift+X`)
|
||
3. 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:**
|
||
1. Wybierz **OpenAI GPT-4.1** z katalogu
|
||
2. Kliknij **Add to My Models** - dodaje model do twoich modeli
|
||
3. Wybierz **Try in Playground**, aby uruchomić środowisko testowe
|
||
4. 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:**
|
||
1. **Bądź konkretny**: Jasne, szczegółowe instrukcje dają lepsze efekty
|
||
2. **Dostarczaj kontekst**: Uwzględnij istotne informacje tła
|
||
3. **Używaj przykładów**: Pokaż modelowi, czego oczekujesz na przykładach
|
||
4. **Iteruj**: Ulepszaj prompt na podstawie pierwszych wyników
|
||
|
||
**🧪 Scenariusze testowe:**
|
||
```markdown
|
||
# 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:**
|
||
1. Dodaj **Phi-4-mini** do swojego środowiska pracy
|
||
2. Użyj tego samego promptu zarówno dla GPT-4.1, jak i Phi-4-mini
|
||
|
||
|
||
|
||
3. Porównaj jakość odpowiedzi, szybkość i dokładność
|
||
4. 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:**
|
||
```markdown
|
||
# 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:**
|
||
|
||
1. **Wybór modelu**: Wybierz **Claude 3.5 Sonnet** (świetny do kodu)
|
||
|
||
2. **Projekt systemowego promptu:**
|
||
```markdown
|
||
# 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. **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:**
|
||
1. **Prosta funkcja**: "Utwórz funkcję do znajdowania liczb pierwszych"
|
||
2. **Złożony algorytm**: "Zaimplementuj drzewo wyszukiwań binarnych z metodami wstawiania, usuwania i wyszukiwania"
|
||
3. **Problem z prawdziwego świata**: "Zbuduj scraper internetowy obsługujący ograniczenia liczby zapytań i ponawianie"
|
||
4. **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](https://github.com/microsoft/vscode-ai-toolkit)
|
||
- **Przewodnik po inżynierii promptów**: [Najlepsze praktyki](https://platform.openai.com/docs/guides/prompt-engineering)
|
||
- **Modele w Microsoft Foundry Toolkit**: [Modele w trakcie rozwoju](https://github.com/microsoft/vscode-ai-toolkit/blob/main/doc/models.md)
|
||
|
||
**🎉 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](../lab2/README.md)**, 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
|
||
|
||
---
|
||
|
||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||
**Zastrzeżenie**:
|
||
Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/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.
|
||
<!-- CO-OP TRANSLATOR DISCLAIMER END --> |