wehub-resource-sync🚀 Модуль 1: Основи Microsoft Foundry Toolkit
📋 Навчальні цілі
Наприкінці цього модуля ви зможете:
- ✅ Встановити та налаштувати розширення Microsoft Foundry Toolkit для VS Code
- ✅ Орієнтуватися у Каталозі моделей і розуміти різні джерела моделей
- ✅ Використовувати Пісочницю для тестування моделей та експериментів
- ✅ Створювати власних агентів ШІ за допомогою Agent Builder
- ✅ Порівнювати продуктивність моделей від різних провайдерів
- ✅ Застосовувати найкращі практики інженерії запитів
🧠 Вступ до Microsoft Foundry Toolkit
Microsoft Foundry Toolkit Extension for VS Code — провідне розширення Microsoft, яке перетворює VS Code на комплексне середовище розробки ШІ. Воно з’єднує дослідження ШІ з практичною розробкою, роблячи генеративний ШІ доступним для розробників будь-якого рівня.
🌟 Ключові можливості
| Функція | Опис | Випадок використання |
|---|---|---|
| 🗂️ Каталог моделей | Доступ до 100+ моделей з GitHub, ONNX, OpenAI, Anthropic, Google | Відкриття і вибір моделей |
| 🔌 Підтримка BYOM | Інтеграція власних моделей (локальних/віддалених) | Власне розгортання моделей |
| 🎮 Інтерактивна Пісочниця | Тестування моделей у реальному часі з чат-інтерфейсом | Швидке прототипування та тестування |
| 📎 Підтримка мульти-модальності | Робота з текстом, зображеннями та вкладеннями | Складні AI-застосунки |
| ⚡ Пакетна обробка | Запуск кількох запитів одночасно | Ефективний робочий процес тестування |
| 📊 Оцінка моделей | Вбудовані метрики (F1, релевантність, подібність, когерентність) | Оцінка продуктивності |
🎯 Чому Microsoft Foundry Toolkit має значення
- 🚀 Прискорена розробка: Від ідеї до прототипу за лічені хвилини
- 🔄 Єдиний робочий процес: Один інтерфейс для кількох провайдерів ШІ
- 🧪 Легке експериментування: Порівнюйте моделі без складного налаштування
- 📈 Готовність до виробництва: Безшовний перехід від прототипу до розгортання
🛠️ Вимоги та налаштування
📦 Встановлення розширення Microsoft Foundry Toolkit
Крок 1: Перейдіть до магазину розширень
- Відкрийте Visual Studio Code
- Перейдіть у подання Розширень (
Ctrl+Shift+XабоCmd+Shift+X) - Знайдіть "Microsoft Foundry Toolkit"
Крок 2: Оберіть вашу версію
- 🟢 Випуск: Рекомендовано для виробничого використання
- 🔶 Передвипуск: Ранній доступ до найновіших функцій
Крок 3: Встановіть та активуйте
✅ Перевірочний список
- Іконка Microsoft Foundry Toolkit відображається у боковій панелі VS Code
- Розширення ввімкнено та активовано
- Відсутні помилки встановлення у панелі виводу
🧪 Практичне завдання 1: Дослідження моделей GitHub
🎯 Мета: Оволодіти Каталогом моделей і протестувати вашу першу модель ШІ
📊 Крок 1: Навігація Каталогом моделей
Каталог моделей — ваш вхід до екосистеми ШІ. Він агрегує моделі від різних провайдерів, полегшуючи пошук і порівняння варіантів.
🔍 Керівництво з навігації:
Натисніть MODELS - Catalog у боковій панелі Microsoft Foundry Toolkit
💡 Порада: Шукайте моделі зі специфічними можливостями, які відповідають вашому випадку використання (наприклад, генерація коду, креативне письмо, аналіз).
⚠️ Примітка: Моделі, розміщені на GitHub (GitHub Models), безкоштовні для використання, але мають обмеження за кількістю запитів і токенів. Якщо ви хочете отримати доступ до моделей поза GitHub (зазвичай через Azure AI або інші кінцеві точки), потрібно надати відповідний API-ключ або пройти аутентифікацію.
🚀 Крок 2: Додайте та налаштуйте вашу першу модель
Стратегія вибору моделі:
- GPT-4.1: Найкращий для складного аналізу і розумових операцій
- Phi-4-mini: Легка модель, швидкі відповіді для простих завдань
🔧 Процес налаштування:
- Оберіть OpenAI GPT-4.1 у каталозі
- Натисніть Add to My Models — модель зареєстрована для використання
- Оберіть Try in Playground для запуску тестового середовища
- Почекайте на ініціалізацію моделі (перший запуск може зайняти кілька секунд)
⚙️ Розуміння параметрів моделі:
- Temperature: Контролює креативність (0 = детермінований, 1 = креативний)
- Max Tokens: Максимальна довжина відповіді
- Top-p: Виїмковий відбір для різноманітності відповідей
🎯 Крок 3: Опановуйте інтерфейс Пісочниці
Пісочниця — ваша лабораторія експериментів з ШІ. Ось як максимізувати її потенціал:
🎨 Найкращі практики інженерії запитів:
- Будьте конкретними: Чіткі, докладні інструкції дають кращі результати
- Надавайте контекст: Включайте релевантну фонову інформацію
- Використовуйте приклади: Покажіть моделі, чого ви хочете, на прикладах
- Ітерація: Покращуйте запити на основі перших результатів
🧪 Тестові сценарії:
# 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."
🏆 Виклик: Порівняння продуктивності моделей
🎯 Мета: Порівняти різні моделі на однакових запитах, щоб зрозуміти їхні переваги
📋 Інструкції:
- Додайте Phi-4-mini до вашого робочого простору
- Використовуйте той самий запит для GPT-4.1 та Phi-4-mini
- Порівняйте якість відповідей, швидкість та точність
- Задокументуйте свої висновки у розділі результатів
💡 Ключові висновки:
- Коли використовувати LLM проти SLM
- Вартість проти продуктивності
- Спеціалізовані можливості різних моделей
🤖 Практичне завдання 2: Створення користувацьких агентів за допомогою Agent Builder
🎯 Мета: Створити спеціалізованих агентів ШІ для конкретних завдань і робочих процесів
🏗️ Крок 1: Ознайомлення з Agent Builder
Agent Builder — це справжнє серце Microsoft Foundry Toolkit. Він дозволяє створювати AI-асистентів, заточених під конкретні цілі, об’єднуючи потужність великих мовних моделей із власними інструкціями, параметрами та спеціалізованими знаннями.
🧠 Архітектурні компоненти агента:
- Основна модель: Базова LLM (GPT-4, Groks, Phi тощо)
- Системний запит: Визначає особистість і поведінку агента
- Параметри: Тонке налаштування для оптимальної продуктивності
- Інтеграція інструментів: Підключення до зовнішніх API та MCP сервісів
- Пам’ять: Контекст розмови і збереження сесій
⚙️ Крок 2: Деталі налаштування агента
🎨 Створення ефективних системних запитів:
# 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
Звісно, ви також можете скористатися Generate System Prompt, щоб допомогти AI згенерувати та оптимізувати запити
🔧 Оптимізація параметрів:
| Параметр | Рекомендований діапазон | Випадок використання |
|---|---|---|
| Temperature | 0.1-0.3 | Технічні/фактичні відповіді |
| Temperature | 0.7-0.9 | Креативні/мозкові задачі |
| Max Tokens | 500-1000 | Короткі відповіді |
| Max Tokens | 2000-4000 | Детальні пояснення |
🐍 Крок 3: Практичне завдання — агент для програмування на Python
🎯 Завдання: Створити спеціалізованого асистента з програмування на Python
📋 Кроки налаштування:
-
Вибір моделі: Оберіть Claude 3.5 Sonnet (відмінно підходить для коду)
-
Проєктування системного запиту:
# 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
- Налаштування параметрів:
- Temperature: 0.2 (для послідовного & надійного коду)
- Max Tokens: 2000 (детальні пояснення)
- Top-p: 0.9 (збалансована креативність)
🧪 Крок 4: Тестування вашого агента Python
Тестові сценарії:
- Базова функція: "Створити функцію для пошуку простих чисел"
- Складний алгоритм: "Реалізувати бінарне дерево пошуку з методами вставки, видалення та пошуку"
- Реальна задача: "Створити веб-скрепер, який враховує обмеження по швидкості та повторні спроби"
- Налагодження: "Виправити цей код [вставте проблемний код]"
🏆 Критерії успіху:
- ✅ Код виконується без помилок
- ✅ Містить відповідну документацію
- ✅ Дотримується найкращих практик Python
- ✅ Надає зрозумілі пояснення
- ✅ Пропонує покращення
🎓 Підсумок Модуля 1 та подальші кроки
📊 Перевірка знань
Перевірте свої знання:
- Чи можете ви пояснити різницю між моделями в каталозі?
- Чи створили та протестували ви власного агента?
- Чи розумієте ви, як оптимізувати параметри для різних випадків використання?
- Чи можете ви створювати ефективні системні запити?
📚 Додаткові ресурси
- Документація Microsoft Foundry Toolkit: Офіційна документація Microsoft
- Посібник з інженерії запитів: Найкращі практики
- Моделі в Microsoft Foundry Toolkit: Моделі в розробці
🎉 Вітаємо! Ви опанували основи Microsoft Foundry Toolkit і готові до створення більш складних AI-застосунків!
🔜 Перейти до наступного модуля
Готові до більш просунутих функцій? Продовжуйте з Модуль 2: Основи MCP з Microsoft Foundry Toolkit, де ви навчитеся:
- Підключати ваших агентів до зовнішніх інструментів за допомогою Model Context Protocol (MCP)
- Створювати агенти для автоматизації браузера з Playwright
- Інтегрувати MCP сервери з агентами Microsoft Foundry Toolkit
- Посилювати агентів зовнішніми даними та можливостями
Відмова від відповідальності: Цей документ було перекладено за допомогою сервісу штучного інтелекту для перекладу Co-op Translator. Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ рідною мовою слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу.