generative-ai-for-beginners 课程环境配置指南Fork、Codespaces、本地运行与 API 密钥管理【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners本篇以课程仓库的入门文档 translations/it/00-course-setup/README.md其英文母版为 00-course-setup/README.md为主体完整梳理 generative-ai-for-beginners 课程的入门配置流程如何 Fork 仓库并创建 Codespaces、如何安全地添加 API 密钥Secrets 与.env两种方式、如何在本机克隆运行以及可选的 Miniconda、VS Code Dev Container、Jupyter 等替代方案。读完后你可以独立完成课程环境搭建并掌握课程配套的故障排查表与密钥管理机制的源码级实现原理。1. 配置目标与前置认知官方入门文档开宗明义为确保学习成功配置页说明了三个要点——配置步骤Setup Steps、技术要求Technical Requirements、遇到问题去哪里求助Where to get help。文档中给出的核心结论是为了避免运行课程代码时出现依赖问题推荐使用 GitHub Codespaces 运行整个课程如果偏好离线/本地开发可以走setup-local路线见 00-course-setup/02-setup-local.md各编程课依赖 Azure OpenAI Service现已并入 Microsoft Foundry运行代码需要服务访问权限与 API 密钥各编程课都附带README.md在等待密钥审批期间可以先阅读其中的代码与输出示例。说明入门文档的原文表述为课程包含 6 个概念课与 6 个编程课从当前仓库目录结构看课程已扩展为01至21共 21 个编号章节外加00-course-setup配置章如04-prompt-engineering-fundamentals、08-building-search-applications、18-fine-tuning等其中编程课普遍提供 Python/JavaScript/.NET 多种实现。下文流程对两种规模均适用。2. 配置步骤一Fork 仓库第一步是把整个仓库Fork到你自己的账号这样你才能自由修改任意代码并完成课程挑战Challenge。文档同时建议给仓库加星以便日后快速找到它与关联仓库。在仓库页面使用 Fork 按钮完成后续所有 Codespaces 操作都基于你 Fork 后的副本进行。3. 配置步骤二创建 Codespace在你 Fork 的仓库中按路径操作Code ➜ Codespaces ➜ New on main新界面中为 Create codespace on main。这会基于仓库根目录的 .devcontainer/devcontainer.json 启动一个浏览器内 VS Code 实例所有依赖预装完毕。3.1 Dev Container 到底做了什么源码级佐证.devcontainer/devcontainer.json 定义了 Codespaces/Dev Container 的完整行为几个关键字段值得理解image: mcr.microsoft.com/devcontainers/universal:2.13采用通用运行时镜像从源码结构看一个容器内同时支持 Python、Node.js、.NET、Java 等课程各语言方向的代码hostRequirements: { cpus: 4 }声明至少 4 核的宿主要求updateContentCommand: python3 -m pip install -r requirements.txt每次内容更新后自动安装 Python 依赖postCreateCommand: bash .devcontainer/post-create.sh容器创建后执行 .devcontainer/post-create.sh。.devcontainer/post-create.sh 会补充安装python-dotenv、openai以及ruff black mypy pytest等本地质量工具与 CI 检查保持一致。而 requirements.txt 固定了课程核心依赖包括openai1.12.0、python-dotenv1.2.2、azure-ai-inference、tiktoken、numpy、pandas等——这也解释了为什么文档反复强调在 Codespaces 里跑可以避免依赖问题依赖清单被锁定并由容器命令自动安装。3.2 添加 Secret推荐的密钥方式文档 2.1 节给出了精确路径⚙️ 齿轮图标 ➜ Command Palette ➜ 输入Codespaces : Manage user secret➜Add a new secret名称填OPENAI_API_KEY粘贴你的密钥保存。这样做的收益是密钥不落盘、不入库代码通过环境变量自动读取。仓库配套的 00-course-setup/01-setup-cloud.md 进一步说明个人账号每月有免费配额120 core-hours / 60 GB-hours空闲时可通过View ▸ Command Palette ▸ Codespaces: Stop Codespace停止或删除 Codespace 以保护配额。4. 配置步骤三.env 文件与 python-dotenv对于不在 Codespaces 内运行或需要更灵活配置的场景文档给出了通过.env文件管理密钥的完整六步流程。其安全前提是绝不把 API 密钥硬编码进代码或提交到公开仓库否则可能被恶意使用并产生意外费用。4.1 创建.env文件Unix 系统macOS/Linuxtouch .envWindowsecho . .env4.2 写入密钥变量入门文档意大利语版 translations/it/00-course-setup/README.md沿用了早期的写法GITHUB_TOKENyour_github_token_here需要注意从当前仓库的实际状态看GitHub Models及其GITHUB_TOKEN变量已在 2026 年 7 月底退役官方母版文档与 00-course-setup/02-setup-local.md 均已改为 Microsoft Foundry Models 的两个变量AZURE_INFERENCE_ENDPOINTyour_foundry_endpoint_here AZURE_INFERENCE_CREDENTIALyour_foundry_api_key_here仓库根目录提供了可直接复制的模板 .env.copy它按 Provider 分区块注释了全部环境变量OpenAI ProviderOPENAI_API_KEYAzure OpenAIMicrosoft FoundryAZURE_OPENAI_API_VERSION默认2024-10-21即当前稳定 GA 版本、AZURE_OPENAI_API_KEY、AZURE_OPENAI_ENDPOINT形如https://resource-name.openai.azure.com、AZURE_OPENAI_DEPLOYMENT如gpt-4o-mini、AZURE_OPENAI_EMBEDDINGS_DEPLOYMENT如text-embedding-3-smallMicrosoft Foundry ModelsAZURE_INFERENCE_ENDPOINT形如https://resource-name.services.ai.azure.com/models、AZURE_INFERENCE_CREDENTIALHugging FaceHUGGING_FACE_API_KEY。实际使用时可先执行cp .env.copy .env再填入真实值。4.3 安装并加载 python-dotenvpip install python-dotenv在 Python 脚本中from dotenv import load_dotenv import os # 从 .env 文件加载环境变量 load_dotenv() # 访问密钥变量以 Foundry Models 为例 endpoint os.getenv(AZURE_INFERENCE_ENDPOINT) token os.getenv(AZURE_INFERENCE_CREDENTIAL) print(endpoint)4.4 仓库源码中的密钥校验机制纵深补充课程配套工具包 shared/python/env_utils.py 将读密钥这件事做成了带错误提示的 API体现了文档流程背后的工程实践get_required_env(var_name, description)读取必需的环境变量缺失或为空时抛出ValueError并明确提示请在 .env 文件或环境中设置validate_env_vars(*var_names)批量校验多个变量例如AZURE_OPENAI_ENDPOINT、AZURE_OPENAI_API_KEY一次性报出所有缺失项get_env_with_default(var_name, default)带默认值读取如模型名回退到gpt-4o。shared/python/api_utils.py 则展示了密钥如何被消费create_openai_client()从OPENAI_API_KEY构造 OpenAI 客户端create_azure_openai_client()从AZURE_OPENAI_ENDPOINT/AZURE_OPENAI_API_KEY构造客户端并把base_url指向endpoint/openai/v1/v1 端点无需api_version。对应的单元测试位于 tests/test_env_utils.py 与 tests/test_api_utils.py覆盖变量缺失时抛错、批量校验等分支——这些测试正是对本文第 4 节配置是否正确的可验证依据。5. 在本地计算机上运行文档How to Run locally on your computer一节的要求很直接本机安装任一受支持的 Python 版本 与 Conda 环境声明以 3.10 为基准然后克隆仓库git clone https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners cd generative-ai-for-beginners进入目录后建议先创建虚拟环境并安装依赖这也是 00-course-setup/02-setup-local.md 中Option A – Native Python的最快路径python -m venv .venv source .venv/bin/activate # macOS / Linux # .\.venv\Scripts\activate # Windows PowerShell pip install -r requirements.txt 可在终端用python --version、git --version、code --version验证工具链就绪。6. 接下来做什么导航文档的 Whats next 表格给出四条明确的后续路径此处链接已转换为仓库根相对路径我想…去哪里开始第 1 课01-introduction-to-genai/README.md离线/本地工作00-course-setup/02-setup-local.md配置 LLM 供应商00-course-setup/03-providers.md认识其他学员加入官方 AI Community Discord见第 11 节7. 故障排查Troubleshooting文档给出的官方故障排查表应完整保留遇到以下症状时按表处理症状解决方案容器构建卡住超过 10 分钟Codespaces ➜ Rebuild Containerpython: command not found终端未挂载点击➜ 选择bashOpenAI 返回401 UnauthorizedOPENAI_API_KEY错误 / 已过期VS Code 显示 Dev container mounting…刷新浏览器标签页——Codespaces 偶发掉线Notebook 缺少 KernelNotebook 菜单 ➜Kernel ▸ Select Kernel ▸ Python 3本地路线00-course-setup/02-setup-local.md还补充了几条高频问题python not found需把 Python 加入 PATH 或重开终端Windows 上 pip 无法构建 wheel 时先执行pip install --upgrade pip setuptools wheelModuleNotFoundError: dotenv说明依赖没装全重跑pip install -r requirements.txtDocker 构建报No space left需在 Docker Desktop 设置中增大磁盘同时启用 venv 与 container 两种方案时VS Code 会反复提示重开二者择一即可。8. 可选步骤8.1 安装 MinicondaMiniconda 是安装 Conda、Python 及若干包的轻量安装器。Conda 作为包管理器方便在不同 Python虚拟环境与包之间切换也能安装pip渠道拿不到的包。文档给出的环境文件模板environment.yml若在 Codespaces 中则放在.devcontainer/environment.ymlname: environment-name channels: - defaults - microsoft dependencies: - pythonpython-version - openai - python-dotenv - pip - pip: - azure-ai-ml其中environment-name为你想命名的 Conda 环境名python-version为 Python 主版本号如3。仓库实际内置的 .devcontainer/environment.yml 可作参照它声明了python3.10.0、openai、python-dotenv并通过 pip 安装azure-ai-inference。创建并激活环境conda env create --name ai4beg --file .devcontainer/environment.yml # 注意.devcontainer 子路径仅适用于 Codespace 配置 conda activate ai4beg若 Conda 渠道报错可用官方渠道手动安装微软 AI 库conda install -c microsoft azure-ai-ml8.2 使用 VS Code Python 扩展文档推荐但非强制使用 VS Code 并安装 Python 支持扩展。三条注意事项在 VS Code 中打开课程仓库后可以选择把项目放进容器运行——这正是 .devcontainer/ 特殊目录的作用克隆并打开目录后VS Code 会自动建议你安装 Python 支持扩展接受即可如果你要用本机已安装的 Python当 VS Code 建议在容器中重开仓库时应拒绝该提示。8.3 在浏览器中使用 Jupyter也可以直接在浏览器里用 Jupyter 环境开发经典 Jupyter 与 Jupyter Hub 均提供自动补全、语法高亮等体验。进入课程目录后执行jupyter notebook或jupyterhub启动后终端会打印访问 URL打开后即可浏览课程目录并跳转到任意*.ipynb文件例如 08-building-search-applications/python/oai-solution.ipynb。8.4 使用容器运行在本地全量安装与Codespaces之外第三条路是用容器。仓库内的.devcontainer目录使 VS Code 能把整个项目搭建进容器。脱离 Codespaces 使用时需要本机安装 Docker且有一定工作量文档建议仅限有容器经验者采用对应 00-course-setup/02-setup-local.md 的 Option B确认docker --version可用、安装 Remote – Containers 扩展、打开仓库后点 Reopen in Container首次构建约 3 分钟。文档同时强调在 Codespaces 场景下Codespace Secrets 是保护 API 密钥的最佳方式之一详见第 3.2 节。9. 课程构成与技术要求课程构成入门文档表述为 6 个概念课 6 个编程课当前仓库实际按01–21编号组织章节概念课如 01 简介、03 负责任地使用生成式 AI与编程课如 06 文本生成应用、08 搜索应用交错编排。编程课依赖Azure OpenAI Service现并入 Microsoft Foundry。运行代码需要服务访问权限 API 密钥可提交访问申请。等待审批期间每门编程课都含README.md可直接查看代码与输出无需密钥也能跟进。10. 首次使用 Azure OpenAI Service / OpenAI API若你第一次接触Azure OpenAI Service按官方指南创建并部署一个 Azure OpenAI Service 资源门户方式然后把 endpoint、API key、deployment 名称填入 .env.copy 对应字段AZURE_OPENAI_ENDPOINT、AZURE_OPENAI_API_KEY、AZURE_OPENAI_DEPLOYMENT。若你第一次接触OpenAI API按官方 Quickstart 创建接口并使用然后填入OPENAI_API_KEY。完整的供应商选择与密钥获取步骤见 00-course-setup/03-providers.md。11. 社区、贡献与下一步认识其他学员官方在 AI Community Discord 服务器设立了频道方便与创业者、开发者、学生等交流项目团队也会在该服务器上帮助学员。贡献代码这是一个开源项目。发现改进点或问题请提交 Pull Request 或 issue规范详见 CONTRIBUTING.md多数贡献需同意 Contributor License AgreementCLACLA 机器人在 PR 上会自动标注社区采用微软开源行为准则CODE_OF_CONDUCT.md。翻译注意文档明确提示——为仓库提供翻译时不要使用机器翻译社区会人工校验请只在你精通的语言上贡献。这也是 translations/ 目录下 40 余种语言目录含本意第语版的质量保障机制。完成以上步骤后就可以从 01-introduction-to-genai/README.md 开始第一课——生成式 AI 与 LLM 的介绍了。12. 本文小结云上最快路径Fork ➜ 创建 Codespace基于 .devcontainer/devcontainer.json 的通用镜像自动装好依赖➜ 通过 User Secret 注入OPENAI_API_KEY。本地标准路径克隆仓库 ➜python -m venvpip install -r [requirements.txt](https://link.gitcode.com/i/2af47d87423e40be1b0ccdb825085d3a)➜ 由 .env.copy 复制出.env并填入 Foundry/OpenAI 凭据。可选增强Miniconda 环境.devcontainer/environment.yml 为参照、Dev Container、浏览器 Jupyter。排障对照第 7 节的故障排查表密钥读取与客户端构造的底层逻辑可结合 shared/python/env_utils.py、shared/python/api_utils.py 及其测试理解配置是否正确可用测试用例直接验证。【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 generative-ai-for-beginners 课程环境配置指南：Fork、Codespaces、本地运行与 API 密钥管理
generative-ai-for-beginners 课程环境配置指南Fork、Codespaces、本地运行与 API 密钥管理【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners本篇以课程仓库的入门文档 translations/it/00-course-setup/README.md其英文母版为 00-course-setup/README.md为主体完整梳理 generative-ai-for-beginners 课程的入门配置流程如何 Fork 仓库并创建 Codespaces、如何安全地添加 API 密钥Secrets 与.env两种方式、如何在本机克隆运行以及可选的 Miniconda、VS Code Dev Container、Jupyter 等替代方案。读完后你可以独立完成课程环境搭建并掌握课程配套的故障排查表与密钥管理机制的源码级实现原理。1. 配置目标与前置认知官方入门文档开宗明义为确保学习成功配置页说明了三个要点——配置步骤Setup Steps、技术要求Technical Requirements、遇到问题去哪里求助Where to get help。文档中给出的核心结论是为了避免运行课程代码时出现依赖问题推荐使用 GitHub Codespaces 运行整个课程如果偏好离线/本地开发可以走setup-local路线见 00-course-setup/02-setup-local.md各编程课依赖 Azure OpenAI Service现已并入 Microsoft Foundry运行代码需要服务访问权限与 API 密钥各编程课都附带README.md在等待密钥审批期间可以先阅读其中的代码与输出示例。说明入门文档的原文表述为课程包含 6 个概念课与 6 个编程课从当前仓库目录结构看课程已扩展为01至21共 21 个编号章节外加00-course-setup配置章如04-prompt-engineering-fundamentals、08-building-search-applications、18-fine-tuning等其中编程课普遍提供 Python/JavaScript/.NET 多种实现。下文流程对两种规模均适用。2. 配置步骤一Fork 仓库第一步是把整个仓库Fork到你自己的账号这样你才能自由修改任意代码并完成课程挑战Challenge。文档同时建议给仓库加星以便日后快速找到它与关联仓库。在仓库页面使用 Fork 按钮完成后续所有 Codespaces 操作都基于你 Fork 后的副本进行。3. 配置步骤二创建 Codespace在你 Fork 的仓库中按路径操作Code ➜ Codespaces ➜ New on main新界面中为 Create codespace on main。这会基于仓库根目录的 .devcontainer/devcontainer.json 启动一个浏览器内 VS Code 实例所有依赖预装完毕。3.1 Dev Container 到底做了什么源码级佐证.devcontainer/devcontainer.json 定义了 Codespaces/Dev Container 的完整行为几个关键字段值得理解image: mcr.microsoft.com/devcontainers/universal:2.13采用通用运行时镜像从源码结构看一个容器内同时支持 Python、Node.js、.NET、Java 等课程各语言方向的代码hostRequirements: { cpus: 4 }声明至少 4 核的宿主要求updateContentCommand: python3 -m pip install -r requirements.txt每次内容更新后自动安装 Python 依赖postCreateCommand: bash .devcontainer/post-create.sh容器创建后执行 .devcontainer/post-create.sh。.devcontainer/post-create.sh 会补充安装python-dotenv、openai以及ruff black mypy pytest等本地质量工具与 CI 检查保持一致。而 requirements.txt 固定了课程核心依赖包括openai1.12.0、python-dotenv1.2.2、azure-ai-inference、tiktoken、numpy、pandas等——这也解释了为什么文档反复强调在 Codespaces 里跑可以避免依赖问题依赖清单被锁定并由容器命令自动安装。3.2 添加 Secret推荐的密钥方式文档 2.1 节给出了精确路径⚙️ 齿轮图标 ➜ Command Palette ➜ 输入Codespaces : Manage user secret➜Add a new secret名称填OPENAI_API_KEY粘贴你的密钥保存。这样做的收益是密钥不落盘、不入库代码通过环境变量自动读取。仓库配套的 00-course-setup/01-setup-cloud.md 进一步说明个人账号每月有免费配额120 core-hours / 60 GB-hours空闲时可通过View ▸ Command Palette ▸ Codespaces: Stop Codespace停止或删除 Codespace 以保护配额。4. 配置步骤三.env 文件与 python-dotenv对于不在 Codespaces 内运行或需要更灵活配置的场景文档给出了通过.env文件管理密钥的完整六步流程。其安全前提是绝不把 API 密钥硬编码进代码或提交到公开仓库否则可能被恶意使用并产生意外费用。4.1 创建.env文件Unix 系统macOS/Linuxtouch .envWindowsecho . .env4.2 写入密钥变量入门文档意大利语版 translations/it/00-course-setup/README.md沿用了早期的写法GITHUB_TOKENyour_github_token_here需要注意从当前仓库的实际状态看GitHub Models及其GITHUB_TOKEN变量已在 2026 年 7 月底退役官方母版文档与 00-course-setup/02-setup-local.md 均已改为 Microsoft Foundry Models 的两个变量AZURE_INFERENCE_ENDPOINTyour_foundry_endpoint_here AZURE_INFERENCE_CREDENTIALyour_foundry_api_key_here仓库根目录提供了可直接复制的模板 .env.copy它按 Provider 分区块注释了全部环境变量OpenAI ProviderOPENAI_API_KEYAzure OpenAIMicrosoft FoundryAZURE_OPENAI_API_VERSION默认2024-10-21即当前稳定 GA 版本、AZURE_OPENAI_API_KEY、AZURE_OPENAI_ENDPOINT形如https://resource-name.openai.azure.com、AZURE_OPENAI_DEPLOYMENT如gpt-4o-mini、AZURE_OPENAI_EMBEDDINGS_DEPLOYMENT如text-embedding-3-smallMicrosoft Foundry ModelsAZURE_INFERENCE_ENDPOINT形如https://resource-name.services.ai.azure.com/models、AZURE_INFERENCE_CREDENTIALHugging FaceHUGGING_FACE_API_KEY。实际使用时可先执行cp .env.copy .env再填入真实值。4.3 安装并加载 python-dotenvpip install python-dotenv在 Python 脚本中from dotenv import load_dotenv import os # 从 .env 文件加载环境变量 load_dotenv() # 访问密钥变量以 Foundry Models 为例 endpoint os.getenv(AZURE_INFERENCE_ENDPOINT) token os.getenv(AZURE_INFERENCE_CREDENTIAL) print(endpoint)4.4 仓库源码中的密钥校验机制纵深补充课程配套工具包 shared/python/env_utils.py 将读密钥这件事做成了带错误提示的 API体现了文档流程背后的工程实践get_required_env(var_name, description)读取必需的环境变量缺失或为空时抛出ValueError并明确提示请在 .env 文件或环境中设置validate_env_vars(*var_names)批量校验多个变量例如AZURE_OPENAI_ENDPOINT、AZURE_OPENAI_API_KEY一次性报出所有缺失项get_env_with_default(var_name, default)带默认值读取如模型名回退到gpt-4o。shared/python/api_utils.py 则展示了密钥如何被消费create_openai_client()从OPENAI_API_KEY构造 OpenAI 客户端create_azure_openai_client()从AZURE_OPENAI_ENDPOINT/AZURE_OPENAI_API_KEY构造客户端并把base_url指向endpoint/openai/v1/v1 端点无需api_version。对应的单元测试位于 tests/test_env_utils.py 与 tests/test_api_utils.py覆盖变量缺失时抛错、批量校验等分支——这些测试正是对本文第 4 节配置是否正确的可验证依据。5. 在本地计算机上运行文档How to Run locally on your computer一节的要求很直接本机安装任一受支持的 Python 版本 与 Conda 环境声明以 3.10 为基准然后克隆仓库git clone https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners cd generative-ai-for-beginners进入目录后建议先创建虚拟环境并安装依赖这也是 00-course-setup/02-setup-local.md 中Option A – Native Python的最快路径python -m venv .venv source .venv/bin/activate # macOS / Linux # .\.venv\Scripts\activate # Windows PowerShell pip install -r requirements.txt 可在终端用python --version、git --version、code --version验证工具链就绪。6. 接下来做什么导航文档的 Whats next 表格给出四条明确的后续路径此处链接已转换为仓库根相对路径我想…去哪里开始第 1 课01-introduction-to-genai/README.md离线/本地工作00-course-setup/02-setup-local.md配置 LLM 供应商00-course-setup/03-providers.md认识其他学员加入官方 AI Community Discord见第 11 节7. 故障排查Troubleshooting文档给出的官方故障排查表应完整保留遇到以下症状时按表处理症状解决方案容器构建卡住超过 10 分钟Codespaces ➜ Rebuild Containerpython: command not found终端未挂载点击➜ 选择bashOpenAI 返回401 UnauthorizedOPENAI_API_KEY错误 / 已过期VS Code 显示 Dev container mounting…刷新浏览器标签页——Codespaces 偶发掉线Notebook 缺少 KernelNotebook 菜单 ➜Kernel ▸ Select Kernel ▸ Python 3本地路线00-course-setup/02-setup-local.md还补充了几条高频问题python not found需把 Python 加入 PATH 或重开终端Windows 上 pip 无法构建 wheel 时先执行pip install --upgrade pip setuptools wheelModuleNotFoundError: dotenv说明依赖没装全重跑pip install -r requirements.txtDocker 构建报No space left需在 Docker Desktop 设置中增大磁盘同时启用 venv 与 container 两种方案时VS Code 会反复提示重开二者择一即可。8. 可选步骤8.1 安装 MinicondaMiniconda 是安装 Conda、Python 及若干包的轻量安装器。Conda 作为包管理器方便在不同 Python虚拟环境与包之间切换也能安装pip渠道拿不到的包。文档给出的环境文件模板environment.yml若在 Codespaces 中则放在.devcontainer/environment.ymlname: environment-name channels: - defaults - microsoft dependencies: - pythonpython-version - openai - python-dotenv - pip - pip: - azure-ai-ml其中environment-name为你想命名的 Conda 环境名python-version为 Python 主版本号如3。仓库实际内置的 .devcontainer/environment.yml 可作参照它声明了python3.10.0、openai、python-dotenv并通过 pip 安装azure-ai-inference。创建并激活环境conda env create --name ai4beg --file .devcontainer/environment.yml # 注意.devcontainer 子路径仅适用于 Codespace 配置 conda activate ai4beg若 Conda 渠道报错可用官方渠道手动安装微软 AI 库conda install -c microsoft azure-ai-ml8.2 使用 VS Code Python 扩展文档推荐但非强制使用 VS Code 并安装 Python 支持扩展。三条注意事项在 VS Code 中打开课程仓库后可以选择把项目放进容器运行——这正是 .devcontainer/ 特殊目录的作用克隆并打开目录后VS Code 会自动建议你安装 Python 支持扩展接受即可如果你要用本机已安装的 Python当 VS Code 建议在容器中重开仓库时应拒绝该提示。8.3 在浏览器中使用 Jupyter也可以直接在浏览器里用 Jupyter 环境开发经典 Jupyter 与 Jupyter Hub 均提供自动补全、语法高亮等体验。进入课程目录后执行jupyter notebook或jupyterhub启动后终端会打印访问 URL打开后即可浏览课程目录并跳转到任意*.ipynb文件例如 08-building-search-applications/python/oai-solution.ipynb。8.4 使用容器运行在本地全量安装与Codespaces之外第三条路是用容器。仓库内的.devcontainer目录使 VS Code 能把整个项目搭建进容器。脱离 Codespaces 使用时需要本机安装 Docker且有一定工作量文档建议仅限有容器经验者采用对应 00-course-setup/02-setup-local.md 的 Option B确认docker --version可用、安装 Remote – Containers 扩展、打开仓库后点 Reopen in Container首次构建约 3 分钟。文档同时强调在 Codespaces 场景下Codespace Secrets 是保护 API 密钥的最佳方式之一详见第 3.2 节。9. 课程构成与技术要求课程构成入门文档表述为 6 个概念课 6 个编程课当前仓库实际按01–21编号组织章节概念课如 01 简介、03 负责任地使用生成式 AI与编程课如 06 文本生成应用、08 搜索应用交错编排。编程课依赖Azure OpenAI Service现并入 Microsoft Foundry。运行代码需要服务访问权限 API 密钥可提交访问申请。等待审批期间每门编程课都含README.md可直接查看代码与输出无需密钥也能跟进。10. 首次使用 Azure OpenAI Service / OpenAI API若你第一次接触Azure OpenAI Service按官方指南创建并部署一个 Azure OpenAI Service 资源门户方式然后把 endpoint、API key、deployment 名称填入 .env.copy 对应字段AZURE_OPENAI_ENDPOINT、AZURE_OPENAI_API_KEY、AZURE_OPENAI_DEPLOYMENT。若你第一次接触OpenAI API按官方 Quickstart 创建接口并使用然后填入OPENAI_API_KEY。完整的供应商选择与密钥获取步骤见 00-course-setup/03-providers.md。11. 社区、贡献与下一步认识其他学员官方在 AI Community Discord 服务器设立了频道方便与创业者、开发者、学生等交流项目团队也会在该服务器上帮助学员。贡献代码这是一个开源项目。发现改进点或问题请提交 Pull Request 或 issue规范详见 CONTRIBUTING.md多数贡献需同意 Contributor License AgreementCLACLA 机器人在 PR 上会自动标注社区采用微软开源行为准则CODE_OF_CONDUCT.md。翻译注意文档明确提示——为仓库提供翻译时不要使用机器翻译社区会人工校验请只在你精通的语言上贡献。这也是 translations/ 目录下 40 余种语言目录含本意第语版的质量保障机制。完成以上步骤后就可以从 01-introduction-to-genai/README.md 开始第一课——生成式 AI 与 LLM 的介绍了。12. 本文小结云上最快路径Fork ➜ 创建 Codespace基于 .devcontainer/devcontainer.json 的通用镜像自动装好依赖➜ 通过 User Secret 注入OPENAI_API_KEY。本地标准路径克隆仓库 ➜python -m venvpip install -r [requirements.txt](https://link.gitcode.com/i/2af47d87423e40be1b0ccdb825085d3a)➜ 由 .env.copy 复制出.env并填入 Foundry/OpenAI 凭据。可选增强Miniconda 环境.devcontainer/environment.yml 为参照、Dev Container、浏览器 Jupyter。排障对照第 7 节的故障排查表密钥读取与客户端构造的底层逻辑可结合 shared/python/env_utils.py、shared/python/api_utils.py 及其测试理解配置是否正确可用测试用例直接验证。【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考